Hoe AI en IoT terugroepacties bij auto’s voorkomen

De grootste nachtmerrie van autoproducenten heet de ‘terugroepactie’. Alleen al dit jaar riep Tesla 123.000 Model S-auto’s terug, Ford moest zelfs 540.000 auto’s terugroepen naar de dealer en Volkswagen spande de kroon met een ‘recall’ van 700.000 Tiguans en Tourans.

Het spreekt voor zich dat de kosten van terugroepacties enorm hoog zijn – net als de reputatieschade. Ter illustratie, het aandeel van Tesla daalde met 4 procent na de laatste recall. IT speelt een steeds grotere rol om het aantal terugroepacties bij autofabrikanten terug te dringen en zelfs te voorkomen. Vooral de combinatie van software, IoT en machine learning speelt hierin een hele belangrijke rol.

Unknown unknowns

Autofabrikanten kunnen steeds beter voorspellen waar en wanneer fouten in het productieproces sluipen. Dat begon een aantal jaren geleden met de introductie van computermodellen die hielpen om te verklaren waarom bepaalde productiemachines en auto’s in het recente verleden defecten vertoonden. Deze informatie werd vervolgens gebruikt om dezelfde fouten in de toekomst te voorkomen.

Dat vormde een eerste stap, met één nadeel: deze modellen hielpen alleen om problemen te voorkomen die al bekend waren. In de praktijk worden de meeste issues (zoals terugroepacties) veroorzaakt door problemen die niemand aan zag komen. Deze ‘unknown unknowns’ kunnen steeds beter worden opgespoord, door een combinatie van sensortechnologie en machine learning.

Next level predictive maintenance

Productielijnen bij autofabrikanten zitten tegenwoordig vol met sensoren, die predictive maintenance naar een next level tillen. De data die deze sensoren genereren, worden geanalyseerd door software die gebruik maakt van AI. Het verschil met vroeger, toen data nog hoofdzakelijk werden ingevoerd en geanalyseerd door mensen, is ongelofelijk groot. Dankzij machine learning kunnen computermodellen niet alleen leren van fouten uit het verleden om fouten in de toekomst te voorkomen, maar ze zijn zelfs in staat om te anticiperen op problemen die nog nooit zijn voorgevallen.

Het belang daarvan is niet te overschatten; een groot deel van de terugroepacties wordt namelijk veroorzaakt door nieuwe, dus onbekende, fouten.

Cognitieve applicaties leren als het ware van de data die worden gegenereerd door sensoren. Hierdoor kunnen ze het productieproces analyseren en begrijpen op een niveau dat veel dieper gaat dan waar mensen ooit toe in staat zouden zijn, namelijk op microniveau. Computermodellen leren de condities van machines en de invloed van omgevingsfactoren op deze machine, daardoor begrijpen ze machines op het meest gedetailleerde niveau. Kleine veranderingen in factoren, die ingrijpende gevolgen hebben op de prestaties van productiemachines, worden meteen gedetecteerd waardoor er (indien nodig) actie kan worden ondernomen.

Digitale tweeling

Een andere manier waarop IT bijdraagt aan het voorkomen van fouten in de productie van auto’s, is de zogeheten digitale tweeling. Dat is een virtuele kopie van een fysieke machine. Dankzij sensordata is het een stuk eenvoudiger voor een monteur om te zien waar en wanneer preventief onderhoud nodig is. De digitale tweeling laat als het ware digitaal zien hoe gezond een productiemachine is. Ook hier wordt gebruik gemaakt van cognitive learning; de digitale tweeling kan over zijn eigen gezondheid rapporteren en zo problemen voorzien en voorkomen voordat ze daadwerkelijk plaatsvinden.

Connected auto’s op de weg

De rol van preventief onderhoud stopt niet als een auto van de fabrieksband rolt. Sterker nog, de rijdende computers die auto’s tegenwoordig zijn, kunnen ook op de weg data verzamelen en doorgeven over hun eigen onderhoudsstaat. Deze data kunnen vervolgens weer worden gebruikt om het onderhoud van een auto te optimaliseren en zelfs onderdelen automatisch te bestellen, monteurs in te plannen en ga zo maar door.

Kortom: in de autosector is het gebruik van AI, machine learning en IoT geen uitzondering meer, het wordt langzaamaan gemeengoed. En de mogelijkheden zijn nog lang niet uitgeput; zo kunnen de data die auto’s nu al genereren worden gecombineerd met omgevingsfactoren als weersomstandigheden, de conditie van het wegdek, biometrische gegevens van de bestuurder en nog veel meer.

De rijdende auto’s van nu, worden steeds meer rijdende AI-machines. Het grootste voordeel hiervan is misschien niet eens dat ze ooit zelf kunnen rijden, maar dat ze veel minder vaak onverwachts stuk gaan.

 

Dit is een ingezonden bijdrage van Ruban Pukhan, Chief Product Officer bij Progress Software. Via deze link vind je meer informatie over de software-oplossingen van het bedrijf.