背景
同一の車種、同一の部品であっても、消耗の進み方は車両ごとに異なります。走行する路線、積載条件、稼働時間、使用される地域の気候。これらが積み重なった結果、同じ走行距離の車両が同じ状態にあるとは限りません。
一方、交換の基準は車種単位で定められることが一般的です。この基準は、最も条件の厳しい車両に合わせて設定せざるを得ません。結果として、多くの車両は余寿命を残したまま部品を交換することになります。
とはいえ基準を緩めれば、路上での故障が増えます。車両が営業所から離れた場所で停止した場合、修理そのものよりも、回送と工程の組み替えに要する費用の方が大きくなります。
台数が増えるほど、この判断の影響は累積します。フリート単位ではなく車両単位で残存寿命を把握できれば、交換時期の判断は変わります。
検証した内容
入力は、車両に搭載されたセンサーがすでに記録している値のみです。計測器の追加は要しません。
モデルは、対象部品の残存寿命を推定します。時系列データに適した軽量な機械学習手法 (リザバーコンピューティング) を基盤としています。
検証には、多数の車両の稼働記録と部品交換の履歴を含む公開データを使用しました。評価は、学習に用いていない車両に対して実施しました。各車両については、少量のデータを用いてモデルを当該車両に合わせています。
確認できたこと
学習に用いていない車両についても、残存寿命を車両単位で推定できました。フリート全体で共通の基準を用いる場合と比べ、個体差を反映した判断が可能になります。
貴社のフリートでも応用できるかもしれません
同一型式の車両や機械を多数運用され、部品交換の履歴を保有されているのであれば、同様の考え方を適用できる可能性があります。
交換時期の平準化、部品在庫の適正化、稼働条件の厳しい個体の早期把握。こうした運用判断の裏づけとしてご活用いただけます。
貴社の稼働データがそのまま使用できる形式かどうかは、短いお打ち合わせ一回でおおよそ判断できます。