Ми розробляємо AI-системи управління автопарками для комерційного транспорту: автобусних парків, таксопарків, каршерингу. Наш досвід — понад 5 років на ринку промислової телематики, реалізовано 10+ проєктів для флотів від 30 до 500 одиниць. Ми гарантуємо результати впровадження та надаємо сертифіковані рішення. За допомогою машинного навчання, телематики CAN-bus та диспетчерських алгоритмів ми перетворюємо розрізнені дані з CAN-шини, GPS та систем обліку на працюючий інструмент: передбачаємо поломки (PHM), оптимізуємо випуск на лінію, запобігаємо скупченню на маршруті. Результат — технічна готовність парку вище 93%, зниження витрат пального на 8–12%, зменшення позапланових простоїв удвічі. Економія на ремонті та паливі сягає 1–2 млн грн на рік для парку з 50 машин. Вартість пілотного проєкту на 5–10 машинах — від 150 тис. грн. Оцінимо ваш проєкт і запропонуємо пілот.
Як AI передбачає відмови автобусів?
Сучасні автобуси генерують сотні параметрів через OBD-II та J1939 (стандарт SAE). Ми використовуємо CAN-телематику для прогнозу відмов за 7–14 днів. Ключові ознаки: температура охолоджувальної рідини, масла та трансмісії; тиск турбіни та впорскування; дисперсія обертів двигуна; пробіг гальмівних колодок (за інтенсивністю гальмування). Додаткові терміни: ECU, FMI (Failure Mode Identification), CANopen протокол.
from sklearn.ensemble import RandomForestClassifier from sklearn.preprocessing import RobustScaler import pandas as pd import numpy as np class FleetFailurePredictor: """Прогноз отказа компонентов транспортного средства за 7–14 дней""" COMPONENTS = ['engine', 'transmission', 'brakes', 'suspension', 'electrical'] def extract_rolling_features(self, telemetry_df, window_hours=24): """Агрегация телематики за скользящее окно""" features = {} freq = f'{window_hours}H' for col in ['engine_temp', 'oil_temp', 'rpm', 'fuel_rate']: rolled = telemetry_df[col].rolling(freq) features[f'{col}_mean'] = rolled.mean() features[f'{col}_std'] = rolled.std() features[f'{col}_max'] = rolled.max() features[f'{col}_trend'] = rolled.apply(lambda x: np.polyfit(range(len(x)), x, 1)[0]) # Аномалии: сколько раз параметр выходил за 3σ за последние сутки for col in ['engine_temp', 'oil_temp']: mean, std = telemetry_df[col].mean(), telemetry_df[col].std() features[f'{col}_spike_count'] = ( (telemetry_df[col] > mean + 3*std).rolling(freq).sum() ) return pd.DataFrame(features) Метрики предиктивного ТО: recall відмов за 7 днів >85%, false positive rate <20% (кожен п'ятий alert — реальна проблема або хибна тривога?). Середній lead time — 5–8 днів до відмови. Цього достатньо, щоб вивести машину на плановий ремонт. Для порівняння, LSTM дає recall на 4% вищий, ніж Random Forest, але потребує більше даних.
Порівняння моделей для предиктивного ТО
| Модель | Recall@7d | FPR | Час навчання (100 машин) |
|---|---|---|---|
| Random Forest | 87% | 18% | 15 хв |
| LSTM | 91% | 12% | 4 години |
| Gradient Boosting | 85% | 20% | 30 хв |
Random Forest — найкращий вибір для швидкого старту, LSTM дає +4% recall, але потребує більше даних та часу. Ми рекомендуємо починати з RF, а потім переходити на LSTM у міру накопичення історії.
Оптимізація розкладу випуску: як звести 200 автобусів і 50 маршрутів?
Завдання Vehicle-Shift Scheduling вирішується через OR-Tools CP-SAT. Обмеження: водій працює 8–10 годин з 45-хвилинною перервою (ТК України, ЄСТР для міжміста); автобус потребує 1 годину мийки та ТО між змінами. Мета — мінімізувати кількість автобусів і понаднормові водіїв. Для парку 100–300 одиниць рішення генерується за 30–120 секунд. Ми порівнювали з евристичними жадібними алгоритмами — OR-Tools дає на 12–18% менше машин при тому ж покритті рейсів, що в 2–3 рази краще за ручне планування за швидкістю.
Що робити при збої на маршруті?
Поломка автобуса на лінії — стрес для диспетчера. Система в реальному часі пропонує:
- Найближчий резервний автобус з депо (розрахунок ETA з урахуванням заторів)
- Перенаправлення машини з паралельного маршруту, де є надлишок інтервалу
- Автоматичне сповіщення пасажирів через стенди та додаток
Класична проблема — bus bunching (скупчення). Ми використовуємо GPS-моніторинг headway та ML-модель, яка прогнозує оптимальний час holding на зупинці: занадто довго — роздратування пасажирів, занадто мало — скупчення повернеться. Алгоритм тримає баланс, знижуючи інтервальну варіативність на 50–70%.
Економіка та аналітика
KPI управління флотом
| Метрика | Типові значення | Мета з AI |
|---|---|---|
| Технічна готовність парку | 82–88% | 92–96% |
| Пробіг до позапланового ТО | 8 000–12 000 км | 18 000–25 000 км |
| Витрата пального л/100км | базис | -8–12% |
| Час обороту на маршруті | базис | -5–8% (регуляризація інтервалів) |
Паливний контроль: норма витрати = f(маршрут, навантаження, погода). Відхилення >15% — підозра на злив. ML-класифікатор розділяє природні коливання та розкрадання. Alert надходить з геолокацією передбачуваного інциденту. Середня економія пального після впровадження — 10–12%, що при поточних цінах дає 300–500 тис. грн економії на 100 машин на рік.
Що входить в роботу
- Аудит існуючих систем та даних (телематика, GPS, TMS).
- Розробка моделей предиктивного ТО під ваші типи транспортних засобів.
- Алгоритми оптимізації розкладу та диспетчеризації.
- Інтеграція з MES/TMS та диспетчерським пультом.
- Пілот на 5–10 машинах (1 місяць).
- Документація, навчання персоналу та технічна підтримка на 6 місяців.
Зв'яжіться з нами, щоб обговорити пілот: ми оцінимо дані, запропонуємо терміни та вартість у діапазоні, а не абстрактно. Отримайте консультацію інженера, який сам писав код для сотень тисяч CAN-повідомлень. Замовте попередній аудит вашого парку — це безкоштовно і займе не більше години.