പ്രവചനാത്മക പരിപാലനവും വാഹന ടെലിമെട്രിയും

നേട്ടങ്ങൾ:

• CAN ബസ്, ടെലിമാറ്റിക്‌സ്, സെൻസർ ടെലിമെട്രി എന്നിവയുടെ സ്വഭാവവും ഫ്ലീറ്റ്/വെഹിക്കിൾ ലൈഫ് സൈക്കിളിലുടനീളം പ്രവചനാത്മക അറ്റകുറ്റപ്പണിയുടെ മൂല്യവും വിശദീകരിക്കാനുള്ള കഴിവ്.
• അപാകത കണ്ടെത്തൽ, ശേഷിക്കുന്ന ഉപയോഗപ്രദമായ ജീവിതം (RUL) കണക്കാക്കൽ, തെറ്റ് കോഡ് വ്യാഖ്യാനം എന്നിവയിൽ ഒരു ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് വർക്ക്ഫ്ലോ സ്ഥാപിക്കാനുള്ള കഴിവ്
• തെറ്റായ അലാറം ചെലവ്, മെയിൻ്റനൻസ് വിൻഡോ, സുരക്ഷാ മാർജിൻ എന്നിവ ബാലൻസ് ചെയ്തുകൊണ്ട് പ്രവചനാത്മക മെയിൻ്റനൻസ് ഔട്ട്പുട്ട് പരിശോധിക്കാനുള്ള കഴിവ്

നിങ്ങൾക്ക് മൂന്ന് വിധത്തിൽ ഒരു വാഹനം അല്ലെങ്കിൽ ഒരു കപ്പൽ (വാണിജ്യ വാഹനം, ട്രക്ക്, ബസ്, നിർമ്മാണ ഉപകരണ ഗ്രൂപ്പ്) പരിപാലിക്കാൻ കഴിയും. തിരുത്തൽ അറ്റകുറ്റപ്പണികൾ: അത് തകരുമ്പോൾ അത് ശരിയാക്കുക (ഏറ്റവും ചെലവേറിയത്, കാരണം ഇത് പെട്ടെന്നുള്ള പരാജയവും ഷട്ട്ഡൗണും നൽകുന്നു). പ്രിവൻ്റീവ് മെയിൻ്റനൻസ്: ഓരോ 15,000 കിലോമീറ്ററും മാറ്റിസ്ഥാപിക്കുക (സുരക്ഷിതമെങ്കിലും പാഴായത്, കാരണം നിങ്ങൾ നല്ല ഭാഗം വലിച്ചെറിയുകയും ചെയ്യുന്നു). പ്രവചനാത്മക അറ്റകുറ്റപ്പണികൾ: ഡാറ്റ നോക്കി "ഏകദേശം 2,000 കിലോമീറ്ററിന് ശേഷം ഈ ഭാഗം പരാജയപ്പെടും" എന്ന് പ്രവചിക്കുകയും ശരിയായ സമയത്ത് ഇടപെടുകയും ചെയ്യുക. പ്രവചനാത്മകമായ അറ്റകുറ്റപ്പണികൾ സാധ്യമാക്കുന്ന സാങ്കേതികവിദ്യയാണ് ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ്. ഈ യൂണിറ്റിൽ, വാഹന ഡാറ്റ എങ്ങനെ ഒഴുകുന്നു, പ്രവചനാത്മക മെയിൻ്റനൻസ് മോഡലുകൾ എങ്ങനെ സ്ഥാപിക്കപ്പെടുന്നു, ഈ പ്രവചനങ്ങൾ എങ്ങനെ സുരക്ഷിതമായി ഉപയോഗിക്കാമെന്നും ഞങ്ങൾ കാണും.

വാഹന ഡാറ്റ എവിടെ നിന്ന് വരുന്നു? CAN, OBD, ടെലിമാറ്റിക്സ്

ഉപകരണങ്ങൾ നിരന്തരം ഡാറ്റ സൃഷ്ടിക്കുന്നു:

• CAN ബസ് (കൺട്രോളർ ഏരിയ നെറ്റ്‌വർക്ക്): വാഹനത്തിനുള്ളിലെ ഇലക്ട്രോണിക് കൺട്രോൾ യൂണിറ്റുകൾ (ECU) പരസ്പരം സംസാരിക്കുന്ന ആന്തരിക ശൃംഖലയാണിത്. എഞ്ചിൻ വേഗത, വേഗത, താപനില, ഗ്യാസ് പൊസിഷൻ തുടങ്ങി നൂറുകണക്കിന് സിഗ്നലുകൾ ഇവിടെ നിന്ന് ഒഴുകുന്നു.
• OBD-II (ഓൺ-ബോർഡ് ഡയഗ്നോസ്റ്റിക്സ്): സ്റ്റാൻഡേർഡ് ഡയഗ്നോസ്റ്റിക് പോർട്ട്; ഡിടിസികൾ (ഡയഗ്നോസ്റ്റിക് ട്രബിൾ കോഡ്, ഉദാ. P0301 = 1st സിലിണ്ടർ ഇഗ്നിഷൻ സ്‌കിപ്പ്) എന്ന് വിളിക്കപ്പെടുന്ന തെറ്റായ കോഡുകൾ വായിക്കാൻ ഇത് നിങ്ങളെ അനുവദിക്കുന്നു.
• ടെലിമാറ്റിക്സ് / ടെലിമെട്രി: വാഹനം ഈ ഡാറ്റ വയർലെസ് ആയി (ഒരു സിം കാർഡ് മൊഡ്യൂൾ വഴി) കേന്ദ്രത്തിലേക്ക് അയയ്ക്കുന്നു. സ്ഥാനം, ഡ്രൈവിംഗ് പെരുമാറ്റം, എഞ്ചിൻ നില എന്നിവ വിദൂരമായി നിരീക്ഷിക്കുന്നു.

ഈ ഡാറ്റ സാധാരണയായി ഒരു സമയ ശ്രേണിയാണ്: നിശ്ചിത ഇടവേളകളിൽ അളക്കുന്ന മൂല്യങ്ങളുടെ ഒരു ശ്രേണി (ഉദാ. ഓരോ സെക്കൻഡിലും). ഇത് പ്രവചന അറ്റകുറ്റപ്പണിയുടെ അസംസ്കൃത വസ്തുവാണ്.

ശ്രദ്ധിക്കുക: ലൊക്കേഷൻ, ഡ്രൈവിംഗ് പെരുമാറ്റം, VIN (ചേസിസ് നമ്പർ) എന്നിവ വ്യക്തിഗത/സെൻസിറ്റീവ് ഡാറ്റയാണ്. ടെലിമെട്രിയിൽ പ്രവർത്തിക്കുമ്പോൾ അജ്ഞാതവൽക്കരണം, ഡാറ്റ ചെറുതാക്കൽ, കെവികെകെ/ജിഡിപിആർ പാലിക്കൽ എന്നിവ അത്യാവശ്യമാണ് (വിശദാംശങ്ങൾ യൂണിറ്റ് 10 ൽ). ഒരു ജനറിക് AI ടൂളിലേക്ക് റോ VIN അയയ്‌ക്കരുത്.

പ്രവചനാത്മക പരിപാലനത്തിൻ്റെ മൂന്ന് പ്രധാന ജോലികൾ

1. അപാകത കണ്ടെത്തൽ: സാധാരണ സ്വഭാവത്തിൽ നിന്നുള്ള വ്യതിയാനം ക്യാപ്ചർ ചെയ്യുന്നു. ഉദാഹരണത്തിന്, സമാനമായ സാഹചര്യങ്ങളിൽ ഒരു ടർബോ താപനില പ്രതീക്ഷിച്ചതിലും 15 ഡിഗ്രി സെൽഷ്യസ് കൂടുതലാണ്. മോഡൽ "സാധാരണ" പഠിക്കുന്നു, വ്യതിയാനം ഫ്ലാഗ് ചെയ്യുന്നു.
2. ശേഷിക്കുന്ന ഉപയോഗപ്രദമായ ജീവിതം (RUL) എസ്റ്റിമേറ്റ്: പരാജയപ്പെടുന്നത് വരെ ഒരു ഘടകത്തിൻ്റെ കണക്കാക്കിയ ശേഷിക്കുന്ന പ്രവർത്തന സമയം/ദൂരം. "ഏകദേശം 3,500 കിലോമീറ്ററിന് ശേഷം ഈ ക്ലച്ച് നിർണായക വസ്ത്രത്തിൽ എത്തുന്നു."
3. തെറ്റ് വർഗ്ഗീകരണം / മൂലകാരണം: സെൻസർ പാറ്റേണുകളിൽ നിന്ന് ഏത് തരത്തിലുള്ള തകരാറാണ് വികസിപ്പിച്ചതെന്ന് പ്രവചിക്കുകയും അത് ഡിടിസികളുമായി സംയോജിപ്പിക്കുകയും ചെയ്യുന്നു.

ഘട്ടം ഘട്ടമായി: ഒരു പ്രവചനാത്മക മെയിൻ്റനൻസ് വർക്ക്ഫ്ലോ

1. ബിസിനസ്സ് ചോദ്യം വ്യക്തമാക്കുക. നമ്മൾ എന്താണ് പ്രവചിക്കുന്നത് (ഏത് ഭാഗം, ഏത് തകരാർ)? എത്രത്തോളം മുൻകൂട്ടി മുന്നറിയിപ്പ് ആവശ്യമാണ്?
2. ഡാറ്റ ശേഖരിക്കുകയും വിന്യസിക്കുകയും ചെയ്യുക. വ്യത്യസ്ത സെൻസറുകളുടെ ടൈംസ്റ്റാമ്പുകൾ വിന്യസിച്ചിരിക്കണം, യൂണിറ്റുകൾ സ്ഥിരതയുള്ളതായിരിക്കണം.
3. ടാഗ്/ഇവൻ്റ് വിവരണം. മുൻകാലങ്ങളിൽ സംഭവിച്ച തെറ്റുകൾ അടയാളപ്പെടുത്തുക; മോഡൽ ഇതിൽ നിന്ന് പഠിക്കുന്നു. ലേബൽ ഇല്ലെങ്കിൽ, അപാകത കണ്ടെത്തലിലേക്ക് തിരിയുക.
4. ഫീച്ചർ എഞ്ചിനീയറിംഗ്. അസംസ്കൃത സിഗ്നലിൽ നിന്ന് അർത്ഥവത്തായ സവിശേഷതകൾ വേർതിരിച്ചെടുക്കുക: ചലിക്കുന്ന ശരാശരി, വൈബ്രേഷൻ ഫ്രീക്വൻസി ഘടകങ്ങൾ, താപനില വർദ്ധനവ് നിരക്ക്.
5. മാതൃകാ നിർമ്മാണവും മൂല്യനിർണ്ണയവും. സമയ ശ്രേണിയിലെ ഭൂതകാല/ഭാവി വ്യത്യാസം ശ്രദ്ധിക്കുക (ഡാറ്റ ചോർച്ചയുടെ അപകടം!).
6. ത്രെഷോൾഡും അലാറം ലോജിക്കും. "പരിപാലനം ആവശ്യമാണ്" എന്ന അലാറം എപ്പോഴാണ് ദൃശ്യമാകുക?
7. ഫീൽഡിംഗും നിരീക്ഷണവും. അലാറങ്ങളുടെ കൃത്യത ട്രാക്ക് ചെയ്യുക; തെറ്റായ അലാറം നിരക്ക് കുറയ്ക്കുക.

നുറുങ്ങ്: സമയ ശ്രേണിയിൽ മോഡൽ വിലയിരുത്തുമ്പോൾ ഭാവി പരിശീലനം ഉപയോഗിക്കരുത്. "അടുത്ത 5 മിനിറ്റിൻ്റെ ശരാശരി" പോലെയുള്ള ഒരു ആട്രിബ്യൂട്ട് പ്രവചന സമയത്ത് അറിയാൻ കഴിയില്ല; ഇതൊരു ഡാറ്റാ ചോർച്ചയാണ്, ലാബിൽ മോഡലിനെ മികച്ചതാക്കുകയും എന്നാൽ ഫീൽഡിൽ ഉപയോഗശൂന്യമാക്കുകയും ചെയ്യുന്നു.

RUL എസ്റ്റിമേഷൻ ശരിയായി ഉപയോഗിക്കുന്നു

RUL ഒരു ഒറ്റ സംഖ്യയാണെന്ന് തോന്നുമെങ്കിലും, ഇത് യഥാർത്ഥത്തിൽ ഒരു ഏകദേശ കണക്കാണ്, അനിശ്ചിതത്വം വഹിക്കുന്നു. ശരിയായ ഉപയോഗം:

• അനിശ്ചിതത്വ ശ്രേണിയിൽ അവതരിപ്പിക്കുക. "3,500 കി.മീ" എന്നതിന് പകരം "3,000-4,200 കി.മീ (80% ആത്മവിശ്വാസം)". ഏറ്റവും മോശം സാഹചര്യം അനുസരിച്ചാണ് മെയിൻ്റനൻസ് പ്ലാൻ നിർമ്മിച്ചിരിക്കുന്നത്.
• സുരക്ഷയുടെ മാർജിൻ ചേർക്കുക. എസ്റ്റിമേറ്റിൻ്റെ താഴ്ന്ന പരിധിക്ക് മുമ്പുതന്നെ സുരക്ഷാ-നിർണ്ണായക ഭാഗത്ത് ഇടപെടുക.
• തെറ്റായ അലാറത്തിൻ്റെ വില കണക്കാക്കുക. വളരെ നേരത്തെയുള്ള മുന്നറിയിപ്പ് = അനാവശ്യമായ ഭാഗങ്ങൾ മാറ്റിസ്ഥാപിക്കലും പ്രവർത്തനരഹിതവും; വളരെ വൈകി = പരാജയം. ബാലൻസ് ഒരു ബിസിനസ്സ് തീരുമാനമാണ്.

സമീപിക്കുക

പ്രയോജനം

ദോഷം

തിരുത്തൽ (അത് പൊട്ടുമ്പോൾ)

ആസൂത്രണം ആവശ്യമില്ല

പെട്ടെന്നുള്ള സ്റ്റോപ്പ്, ഏറ്റവും ഉയർന്ന ചെലവ്

പ്രിവൻ്റീവ് (കലണ്ടർ/കി.മീ.)

ലളിതം, സുരക്ഷിതം

ഖര ഭാഗങ്ങളുടെ മാലിന്യങ്ങൾ

പ്രവചനം (AI)

കൃത്യസമയത്ത്, മാലിന്യം കുറയും

ഡാറ്റ, മോഡൽ, മൂല്യനിർണ്ണയം എന്നിവ ആവശ്യമാണ്

മിനി കേസ് പഠനങ്ങൾ

കേസ് 1 - കപ്പലിലെ അപാകത. ഒരു കാർഗോ കപ്പലിലെ 40 ട്രക്കുകളുടെ ടർബോ പ്രഷർ സിഗ്നൽ നിരീക്ഷിക്കപ്പെടുന്നു. ഒരു വാഹനത്തിൽ, അതേ ലോഡിലും വേഗതയിലും മർദ്ദം സാവധാനം കുറയുന്നതായി മോഡൽ പിടിച്ചെടുക്കുന്നു; ഇതുവരെ ഡിടിസി ഇല്ല. സർവീസിലേക്ക് വലിച്ചെറിഞ്ഞപ്പോഴാണ് ടർബോ ചോർച്ച തുടങ്ങിയതായി കണ്ടത്. റോഡിലെ തകരാറുകളും ടോവിംഗ് ചെലവുകളും (ഏകദേശം 900 EUR) തടയുന്നു. ഫലം: ഒരു തെറ്റ് കോഡായി മാറുന്നതിന് മുമ്പ് അപാകത നേരത്തെ മുന്നറിയിപ്പ് നൽകി.

കേസ് 2 - ഡാറ്റ ചോർച്ച കെണി. ഒരു ടീം ബ്രേക്ക് പാഡ് ധരിക്കുന്ന മോഡൽ സ്ഥാപിക്കുന്നു; ടെസ്റ്റ് കൃത്യത 99% ആണ്. പരിശോധനയിൽ, മോഡൽ ഒരു മെയിൻ്റനൻസ്-റെക്കോർഡ് ഫീൽഡ് (ഒരു തെറ്റിന് ശേഷം നൽകിയ കോളം) ഉപയോഗിക്കുന്നതായി മാറുന്നു, അത് വസ്ത്രങ്ങൾ ഒരു ആട്രിബ്യൂട്ടായി നേരിട്ട് സൂചിപ്പിക്കുന്നു, അതായത്, അത് "ഉത്തരം" കാണുന്നു. ഈ ഏരിയ നീക്കം ചെയ്യുമ്പോൾ, കൃത്യത 82% ആയി കുറയുന്നു, എന്നാൽ അത് ഇപ്പോൾ യാഥാർത്ഥ്യമാണ്. ഉപസംഹാരം: വളരെ മനോഹരമായി കാണപ്പെടുന്ന ഒരു ഫലം ഡാറ്റ ചോർച്ചയുടെ അടയാളമാണ്.

കേസ് 3 - തെറ്റായ അലാറം ബാലൻസ്. ത്രെഷോൾഡ് വളരെ കൃത്യമായി സജ്ജീകരിക്കുമ്പോൾ ബാറ്ററി ഹെൽത്ത് മോഡൽ ആഴ്ചയിൽ 30 തെറ്റായ അലാറങ്ങൾ ഉണ്ടാക്കുന്നു; സാങ്കേതിക വിദഗ്ധർ അലാറങ്ങളെ ആശ്രയിക്കുന്നത് നിർത്തുന്നു. ത്രെഷോൾഡ്, അനിശ്ചിതത്വ ഇടവേള, തുടർച്ചയായ രണ്ട് സ്ഥിരീകരണ നിയമങ്ങൾ എന്നിവ പുനഃക്രമീകരിക്കുന്നതിലൂടെ, തെറ്റായ അലാറങ്ങൾ ആഴ്ചയിൽ 4 ആയി കുറയ്ക്കുകയും യഥാർത്ഥ പരാജയങ്ങൾ ഇപ്പോഴും പിടിക്കപ്പെടുകയും ചെയ്യുന്നു. ചുവടെയുള്ള വരി: അലാറം ക്ഷീണം പ്രവചനാത്മക പരിപാലനം പ്രവർത്തനരഹിതമാക്കും; ബാലൻസ് അത്യാവശ്യമാണ്.

പ്രോംപ്റ്റ് ടെംപ്ലേറ്റുകൾ

ടെംപ്ലേറ്റ് 1 - ആട്രിബ്യൂട്ട് നിർദ്ദേശം (ചോർച്ച നിയന്ത്രിച്ചു):

റോൾ: നിങ്ങൾ ഒരു പ്രവചനാത്മക മെയിൻ്റനൻസ് ഡാറ്റ ശാസ്ത്രജ്ഞനാണ്. ടാസ്‌ക്: ടർബോ പരാജയം നേരത്തേ കണ്ടെത്തുന്നതിന് കാൻഡിഡേറ്റ് ആട്രിബ്യൂട്ടുകൾ നിർദ്ദേശിക്കുക. സന്ദർഭം: സിഗ്നലുകൾ: ടർബോ മർദ്ദം, എക്‌സ്‌ഹോസ്റ്റ് താപനില, എഞ്ചിൻ വേഗത, ലോഡ്; സെക്കൻഡിൽ 1 സാമ്പിൾ; VIN അജ്ഞാതമാക്കി. പരിമിതി: പ്രവചന സമയത്ത് അറിയാൻ കഴിയാത്ത ആട്രിബ്യൂട്ടുകൾ നിർദ്ദേശിക്കുന്നു (ഭാവി/ചോർച്ച സാധ്യത); ഓരോ ആട്രിബ്യൂട്ടിനും ഫ്ലാഗ് ലീക്ക് റിസ്ക്. ഔട്ട്പുട്ട്: ആട്രിബ്യൂട്ട് | ന്യായീകരണം | ലീക്ക് റിസ്ക് (Y/N) പട്ടിക.

ടെംപ്ലേറ്റ് 2 - DTC വ്യാഖ്യാനം:

റോൾ: നിങ്ങളൊരു ഓട്ടോമോട്ടീവ് ഡയഗ്നോസ്‌റ്റിഷ്യനാണ്. ടാസ്ക്: ഇനിപ്പറയുന്ന DTC കോമ്പിനേഷൻ വ്യാഖ്യാനിച്ച് സാധ്യമായ മൂലകാരണങ്ങൾ പട്ടികപ്പെടുത്തുക. സന്ദർഭം: P0300, P0171, നേരിയ നിഷ്‌ക്രിയ വൈബ്രേഷൻ; അവസാന സർവീസ് 10,000 കി.മീ. നിയന്ത്രണം: കൃത്യമായ രോഗനിർണയം; പ്രോബബിലിറ്റിയുടെ ക്രമത്തിൽ കാരണമാക്കുകയും ഓരോന്നിനും ഒരു സ്ഥിരീകരണ അളവ് നൽകുകയും ചെയ്യുക. ഔട്ട്പുട്ട്: സാധ്യതയുള്ള കാരണം | സ്ഥിരീകരണം | മുൻഗണന.

ടെംപ്ലേറ്റ് 3 - RUL വ്യാഖ്യാനം:

റോൾ: നിങ്ങളൊരു വിശ്വാസ്യത എഞ്ചിനീയറാണ്. ടാസ്ക്: എൻ്റെ RUL എസ്റ്റിമേറ്റ് ഒരു മെയിൻ്റനൻസ് പ്ലാനിലേക്ക് വിവർത്തനം ചെയ്യുക. സന്ദർഭം: ക്ലച്ച് RUL എസ്റ്റിമേറ്റ് 3,500 കി.മീ, ആത്മവിശ്വാസ ഇടവേള 2,800-4,500 കി.മീ; സുരക്ഷാ-നിർണ്ണായകമല്ല, പക്ഷേ ഒറ്റപ്പെട്ട ചെലവേറിയതാണ്. നിയന്ത്രണം: അനിശ്ചിതത്വവും തെറ്റായ അലാറത്തിൻ്റെ വിലയും പരിഗണിക്കുക; ഒറ്റ സംഖ്യകളെ വിശ്വസിക്കരുത്. ഔട്ട്പുട്ട്: ശുപാർശ ചെയ്യുന്ന മെയിൻ്റനൻസ് വിൻഡോ + ന്യായീകരണം + ശേഷിക്കുന്ന അപകടസാധ്യത.

ടെംപ്ലേറ്റ് 4 - അലാറം ലോജിക്:

റോൾ: നിങ്ങളൊരു ഫ്ലീറ്റ് ട്രാക്കിംഗ് സിസ്റ്റം ഡിസൈനറാണ്. ടാസ്ക്: തെറ്റായ അലാറം കുറയ്ക്കുന്ന ഒരു ഡ്രാഫ്റ്റ് അലാറം റൂൾ നിർദ്ദേശിക്കുക. സന്ദർഭം: മോഡൽ ക്ലോക്കിൽ സ്കോറുകൾ സൃഷ്ടിക്കുന്നു; സാങ്കേതിക വിദഗ്ധർ അലാറം ക്ഷീണം അനുഭവിക്കുന്നു. ഔട്ട്‌പുട്ട്: റൂൾ (ഉദാ. കാസ്‌കേഡിംഗ് സ്ഥിരീകരണം, ഹിസ്റ്റെറിസിസ്) + പ്രതീക്ഷിക്കുന്ന ആഘാതം.

ദുർബലമായ പ്രോംപ്റ്റ് / ശക്തമായ പ്രോംപ്റ്റ്

ദുർബലമായ പ്രോംപ്റ്റ്:

എഞ്ചിൻ പരാജയം പ്രവചിക്കുന്ന ഒരു മാതൃക ഉണ്ടാക്കുക.

ഏത് പിഴവ്, ഏത് സിഗ്നൽ, എത്ര മുൻകൂർ, ഏത് സ്ഥിരീകരണം എന്നിവ വ്യക്തമല്ല.

ശക്തമായ നിർദ്ദേശം:

റോൾ: നിങ്ങൾ ഒരു പ്രവചനാത്മക മെയിൻ്റനൻസ് എഞ്ചിനീയറാണ്. ടാസ്ക്: ടർബോ ചോർച്ചയെക്കുറിച്ച് മുന്നറിയിപ്പ് നൽകാനുള്ള ഒരു സമീപനം കുറഞ്ഞത് 1,000 കി.മീ. നേരത്തേക്ക് രൂപകല്പന ചെയ്യുകയും ഒരു സ്ഥിരീകരണ പ്ലാൻ എഴുതുകയും ചെയ്യുക. സന്ദർഭം: 40 വാഹനങ്ങളുടെ ഫ്ലീറ്റ്, CAN സിഗ്നലുകൾ, 12 മുമ്പത്തെ തകരാർ; VIN അജ്ഞാതൻ.നിയന്ത്രണം: ഡാറ്റ ചോർച്ച തടയുക; അനിശ്ചിതത്വ പരിധിയുള്ള RUL; തെറ്റായ അലാറം ചെലവ് ചർച്ച ചെയ്യുക; ക്ലെയിം ഡെഫിനിറ്റീവ് ഡയഗ്നോസിസ്. ഔട്ട്പുട്ട്: സ്റ്റെപ്പ് | രീതി | ചോർച്ച സാധ്യത | സ്ഥിരീകരണ പട്ടിക.

സാധാരണ തെറ്റുകൾ

• ഡാറ്റ ചോർച്ച. ഭാവിയോ ഉത്തരമോ ഉൾക്കൊള്ളുന്ന ആട്രിബ്യൂട്ട് കപട-ഉയർന്ന കൃത്യത സൃഷ്ടിക്കുന്നു.
• RUL എന്നത് കൃത്യമായ സംഖ്യയാണെന്ന് കരുതുന്നു. അനിശ്ചിതത്വ പരിധിയും സുരക്ഷയുടെ മാർജിനും ഇല്ലാത്ത RUL തെറ്റിദ്ധരിപ്പിക്കുന്നതാണ്.
• അലാറം ക്ഷീണം അവഗണിക്കുന്നു. വളരെയധികം തെറ്റായ അലാറങ്ങൾ സിസ്റ്റത്തിൻ്റെ വിശ്വാസ്യത ഇല്ലാതാക്കും.
• രഹസ്യാത്മക ഡാറ്റ പരിരക്ഷിക്കുന്നില്ല. VIN, സ്ഥാനം, ഡ്രൈവിംഗ് പെരുമാറ്റം എന്നിവ സെൻസിറ്റീവ് ആണ്; അജ്ഞാതമാക്കുക.
• ടൈംസ്റ്റാമ്പ്/യൂണിറ്റ് പിശക്. സെൻസറുകൾ തെറ്റായി ക്രമീകരിച്ചിട്ടുണ്ടെങ്കിൽ, മോഡൽ അർത്ഥമില്ലാത്ത പാറ്റേൺ പഠിക്കുന്നു.

ചുരുക്കത്തിൽ

• പ്രവചന അറ്റകുറ്റപ്പണികൾ, ഡാറ്റാധിഷ്ഠിത പ്രവചനത്തിലൂടെയുള്ള "ഇൻ-ടൈം" ഇടപെടൽ ലക്ഷ്യമിടുന്നു; കറക്റ്റീവ്, പ്രിവൻ്റീവ് മെയിൻ്റനൻസ് എന്നിവയുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ മാലിന്യങ്ങൾ കുറയ്ക്കുന്നു.
• CAN, OBD, ടെലിമാറ്റിക്സ് എന്നിവയിൽ നിന്നുള്ള സമയ ശ്രേണിയായി ഡാറ്റ വരുന്നു; അജ്ഞാതവൽക്കരണവും രഹസ്യസ്വഭാവവും അത്യാവശ്യമാണ്.
• മൂന്ന് പ്രധാന ജോലികൾ: അപാകത കണ്ടെത്തൽ, RUL പ്രവചനം, തെറ്റ് വർഗ്ഗീകരണം.
• ഡാറ്റ ചോർച്ചയാണ് ഏറ്റവും അപകടകരമായ കെണി; ഭൂതകാല/ഭാവി വ്യത്യാസം നിലനിർത്തുക.
• തെറ്റായ അലാറം ചെലവും സുരക്ഷാ മാർജിനും ഉപയോഗിച്ച് സമതുലിതമായ അനിശ്ചിതത്വ ശ്രേണിയുമായി RUL അവതരിപ്പിക്കണം.

ആപ്ലിക്കേഷൻ ടാസ്ക്

ഒരു ഘടകം തിരഞ്ഞെടുക്കുക (ഉദാ. ബാറ്ററി, ബ്രേക്ക് പാഡുകൾ, ടർബോ). (1) ഈ ഘടകത്തിൻ്റെ ആരോഗ്യത്തെ പ്രതിഫലിപ്പിക്കുന്ന സിഗ്നലുകൾ ലിസ്റ്റ്. (2) ടെംപ്ലേറ്റ് 1 ഉപയോഗിച്ച് ആട്രിബ്യൂട്ട് നിർദ്ദേശങ്ങൾ എടുത്ത് ചോർച്ചയുടെ അപകടസാധ്യതയ്ക്കായി ഓരോന്നും ഫ്ലാഗ് ചെയ്യുക. (3) ഒരു RUL പ്രവചനം അനിശ്ചിതത്വ ഇടവേളയുള്ള ഒരു മെയിൻ്റനൻസ് വിൻഡോയിലേക്ക് പരിവർത്തനം ചെയ്യുക. (4) ഒരു അലാറം റൂൾ നിർവചിക്കുകയും തെറ്റായ അലാറങ്ങൾ കുറയ്ക്കുന്നതിന് നിങ്ങളുടെ സ്വകാര്യതാ നടപടികൾ എഴുതുകയും ചെയ്യുക.

ചെക്ക്ലിസ്റ്റ്

• [ ] പ്രവചിക്കേണ്ട തെറ്റും ആവശ്യമായ മുൻകൂർ മുന്നറിയിപ്പ് കാലയളവും ഞാൻ വ്യക്തമാക്കി.
• [ ] ഡാറ്റ ചോർച്ചയ്ക്കുള്ള ആട്രിബ്യൂട്ടുകൾ ഞാൻ പരിശോധിച്ചു.
• [ ] ഞാൻ RUL അനിശ്ചിതത്വ ശ്രേണിയും സുരക്ഷാ മാർജിനും നൽകിയിട്ടുണ്ട്.
• [ ] ഞാൻ തെറ്റായ അലാറത്തിൻ്റെ വിലയും അലാറം ക്ഷീണവും വിലയിരുത്തി.
• [ ] VIN/ലൊക്കേഷൻ പോലെയുള്ള സെൻസിറ്റീവ് ഡാറ്റ ഞാൻ അജ്ഞാതമാക്കി.
• [ ] ഞാൻ സെൻസർ വിന്യാസവും യൂണിറ്റ് സ്ഥിരതയും പരിശോധിച്ചു.