Descrição do desafio:
Falhas no produto incorrem em elevados custos de manutenção corretiva, além dos custos relativos ao tempo inoperante do veículo. O veículo gera dados referentes ao funcionamento do produto. Sabe-se que certas falhas, antes de ocorrerem, podem, eventualmente, gerar uma flutuação ou alteração do padrão/comportamento em alguns desses dados. Também, em alguns casos antes da falha do componente, códigos de falhas são gerados pelo sistema como alerta. Um estudo de padrão pode ser explorado neste caso? Portanto, propõe-se correlacionar as alterações dos Padrões/comportamentos dos dados coletados, bem como, códigos de falha gerados para detecção antecipada da ocorrência da falha (predictive maintenance).
Como é feito hoje:
Hoje não há esse tipo de inteligência embarcada nos veículos; Algo pouco próximo disso, são apenas monitoramento em tempo real de sensores do sistema pra medir tempo de vida de alguns componentes.
Resultados esperados na solução do desafio:
1. Uma análise de comportamentos de dados coletados versus ocorrências de falhas e manutenções corretivas;
2. Aplicação de conceitos de IA na construção de uma solução de early warning para o sistema de cooling;
3. Identificar possíveis limitações da aplicação desta solução;
4. Teste piloto do Código desenvolvido;
5. Sugestões para trabalhos futuros.
Requisitos Inegociáveis:
1. Código deve apresentar viabilidade de implementação nos veículos;
2. Integração com o sistema embarcados do veículo
3. Teste piloto deverão ser realizados.
Histórico:
Foi desenvolvido um código em prova de conceito utilizando apenas os dados gerados pelo veículo e histórico de ocorrências de falhas, e o código não é confiável quando aplicado à uma nova população. Também houveram algumas dificuldade de como embarcar nos veículos devido capacidade de processamento e conectividade com os sistemas.
Estágio esperado de Maturidade da Solução:
Validação – Prova de conceito em ambiente operacional
Protótipo – Necessário teste em escala piloto
