​
Case study: analiza powtarzających się problemów z bateriami pojazdów
  1. Home
  2. /
  3. Case Studies
    4. /
  4. Case study: analiza powtarzających się problemów z bateriami pojazdów

Case study: analiza powtarzających się problemów z bateriami pojazdów

Cel
Wczesne wykrycie nadchodzących problemów z układem zasilania
pojazdu
Analiza przyczyn źródłowych dla pojawiających się ostrzeżeń o dużych różnicach napięcia na bateriach pojazdu
Rezultat
Opracowano model predykcyjny umożliwiający wykrycie problemów z
bateriami do 2 godzin przed pojawieniem się ostrzeżeń w systemie
autobusu
W 1,5 miesięcznym okresie testowym wykryto 35 z 36 przypadków badanego problemu (97% skuteczności)
Wyzwanie
Przedmiotem prac było zbadanie problemu powtarzających się błędów SPN104000 i SPN106000 na bateriach (ostrzeżenie o dużych różnicach napięć na bateriach). Wyzwanie stanowiło opracowanie modelu predykcyjnego, który umożliwiałby wczesne wykrycie anomalii prowadzących do pojawienia się wyżej wymienionych błędów. Dodatkowo w oparciu o wyniki prac zbadać należało przyczyny źródłowe (RCA - Root Cause Analysis) określając sygnały wykazujące zachowania anomalne w okresach przed pojawieniem się błędów.
Rozwiązanie
Opracowano model predykcyjny, który umożliwił wczesne wykrycie anomalii prowadzących do pojawienia się wymienionych błędów. Dodatkowo w oparciu o wyniki prac przeprowadzono analizę przyczyn źródłowych (RCA - Root Cause Analysis) określając sygnały wykazujące zachowania anomalne w okresach przed pojawieniem się błędów.
Korzyści
Opracowany model predykcyjny wykazał ponad 97% skuteczność w przewidywaniu badanego problemu (wykryto 35 na 36 przypadków). Średni horyzont czasowy dla przewidzianych błędów wynosił ok. 45min. Równocześnie w badanym okresie model wykrył 12 dodatkowych okresów anomalnych, które jak wynika z przeprowadzonych analiz wykazują się podobnym przebiegiem sygnałów.
Wczesna informacja o anomaliach w układzie zasilania pojazdów
Możliwość przygotowania pojazdu zastępczego
Dodatkowe informacje o przyczynach źródłowych dla technologów i specjalistów
O firmie
ReliaSol jest spółką, powstałą w odpowiedzi na rosnącą potrzebę zwiększania wydajności maszyn i instalacji w przemyśle.
Dostarczamy oprogramowanie i usługi, które przyspieszają proces transformacji cyfrowej. Aplikacje, które tworzymy łączą dane rzeczywiste z maszyn, sensorów, raportów ze zdarzeń oraz automatyzują wyciąganie wniosków. Efektem ich pracy jest wizualizacja danych, przewidywanie zdarzeń i monitorowanie optymalnego zakresu pracy maszyn, a także całych linii produkcyjnych.
Skontaktuj się z nami
Chętnie odpowiemy na Twoje pytania
Reliability Solutions Sp. z o. o.
ul. Królewska 57, 30-081 Kraków, Polska
icon phone+48 12 394 11 2 icon mailbiuro@reliasol.ai
Piotr Lipnicki
Chief Executive Officer
icon phone+48 605 241 056 icon mailpiotr.lipnicki@reliasol.ai
Dariusz Broda
Head of Engineering
icon phone+48 517 688 108 icon maildariusz.broda@reliasol.ai
Reliability Solutions Sp. z o. o.
ul. Królewska 57, 30-081 Kraków, Polska
+48 12 394 11 2 biuro@reliasol.ai
  • Automotive
  • Baterie pojazdów
  • Branża motoryzacyjna
Other
<strong>Volkswagen Motor Polska – detekcja awarii osprzętu pneumatycznego robotów </strong>(aktualizacja case study)

Volkswagen Motor Polska – detekcja awarii osprzętu pneumatycznego robotów (aktualizacja case study)

CZYTAJ CASE STUDY
Grupa Azoty – opracowanie modelu optymalizacji

Grupa Azoty – opracowanie modelu optymalizacji

Zobacz, jak opracowaliśmy model optymalizacji instalacji reformingu w oparciu o głębokie sieci neuronowe w Grupa Azoty Tarnów.

CZYTAJ CASE STUDY
Case study: Wykrywanie wykroczeń poza optymalne warunki pracy w młynach spożywczych

Case study: Wykrywanie wykroczeń poza optymalne warunki pracy w młynach spożywczych

Case study lidera w technologiach i urządzeniach do przetwórstwa ziarna. Dowiedź się, jak wykryć wykroczenia poza optymalne warunki pracy w młynach spożywczych przy pomocy systemy RSIMS.

CZYTAJ CASE STUDY