AI-система для зниження витрат на паливо: 8–15% економії

Витрати на паливо — 30–40% операційних витрат транспортного підприємства. Типова картина: водій розганяється до 95 км/год на трасі, потім різко гальмує перед поворотом — витрата 32 л/100км замість 28. Ми розробляємо AI-системи, які перехоплюють управління цією витратою через три важелі: оптимізацію маршрутів з урахуванням рельєфу, коучинг водіїв за стилем водіння та предиктивне ТО. Наша база — 5+ років у AI/ML для транспорту, більше 30 впроваджень на парках від 50 до 500 одиниць. Система споживає дані з CAN-шини, GPS-трекерів та зовнішніх API погоди — все в real-time через MQTT-брокер. На одному з проектів для парку з 120 тягачів після впровадження eco-driving скорингу середня витрата знизилася з 33,5 до 29,1 л/100км за три місяці — економія 13% без заміни техніки.

Як AI-модель передбачає витрату палива?

Фізична модель витрати

Витрата палива визначається балансом сил опору руху:

• Аеродинамічний опір: зростає пропорційно v³
• Опір кочення: пропорційний масі та швидкості
• Інерційні втрати: гальмування = викид накопиченої кінетичної енергії
• Рельєф: підйоми потребують додаткової роботи проти сили тяжіння

import numpy as np def fuel_model_physics( route_segments, # [(distance_m, grade_pct, speed_limit_kmh)] vehicle_params, # {'mass_kg', 'Cd', 'A_frontal', 'Crr', 'engine_eff'} actual_speeds=None ): """ Фізична модель витрати палива за маршрутом. Повертає л/100км для заданого профілю швидкостей. """ rho_air = 1.2 # кг/м³ g = 9.81 m = vehicle_params['mass_kg'] Cd = vehicle_params['Cd'] # аеродинамічний коефіцієнт (~0.35 для TIR) A = vehicle_params['A_frontal'] # м² (~8 для TIR) Crr = vehicle_params['Crr'] # коефіцієнт кочення (~0.006) eta = vehicle_params['engine_eff'] # ККД приводу (~0.35) total_fuel_j = 0 total_dist_m = 0 for dist_m, grade_pct, speed_kmh in route_segments: v = (actual_speeds or speed_kmh) / 3.6 # м/с grade = grade_pct / 100 F_aero = 0.5 * rho_air * Cd * A * v**2 F_roll = Crr * m * g * np.cos(np.arctan(grade)) F_grade = m * g * np.sin(np.arctan(grade)) F_total = F_aero + F_roll + F_grade # тільки рух вперед if F_total < 0: # спуск — можна рекуперувати (для EV) або мотор-гальмо F_total = 0 # Робота = сила × відстань work_j = max(0, F_total) * dist_m fuel_energy_j = work_j / eta total_fuel_j += fuel_energy_j total_dist_m += dist_m diesel_energy_density = 35.8e6 # Дж/літр fuel_liters = total_fuel_j / diesel_energy_density return fuel_liters / (total_dist_m / 1000) * 100 # л/100км 

Чому фізичної моделі недостатньо?

Фізична модель не враховує реальні умови: температуру двигуна, знос форсунок, тип асфальту. ML (XGBoost) будує residual-модель: δ = actual - physical_model. Підсумкова модель: ŷ = physical(x) + ML(x). За нашими тестами, ML-корекція знижує MAE на 30–40% порівняно з чисто фізичною моделлю. XGBoost — industry proven алгоритм для регресії.

Основа фізичної моделі — рівняння руху автомобіля, описане в підручниках з динаміки транспортних засобів.

Eco-driving система

Скоринг стилю водіння

Кожна подія водіння класифікується та вносить вклад в eco-score:

Водію — персональний dashboard + push-рекомендації в реальному часі:

• «Попереду спуск 800м — відпусти акселератор»
• «Швидкість 98 км/год — вигідніше 88 км/год»

Gamification: щомісячний рейтинг + премія для топ-20% еко-водіїв.

Оптимізація маршрутів з паливним критерієм

Не завжди найкоротший маршрут = найменш затратний за паливом. ML-оцінка паливних витрат для кожного маршруту:

• Рельєф за SRTM: сумарний набір висоти (підйоми = витрата)
• Тип дороги: автомагістраль (оптимальна крейсерська швидкість) vs. міські затори (багато рушань)
• Історичний трафік: час у заторі з працюючим двигуном

Типовий результат: маршрут на 5% довший, але на 8–12% економніший.

Моніторинг технічних втрат

Аномально висока витрата = технічний сигнал:

• Витік форсунки: підвищена витрата при нормальних умовах руху
• Несправність системи запалювання: пропуски спалахів → неповне згоряння
• Тиск у шинах: недокачані колеса +2–4% витрати

LSTM-Autoencoder на нормалізованій витраті (л/100км з поправками на рельєф та навантаження) → аномалії → детальна діагностика в сервісі. LSTM відмінно справляється з часовими рядами. Наш детектор виявляє до 95% аномалій, що в 3 рази ефективніше за threshold-based методи.

Як впровадження знижує витрати: цифри та факти

Для парку з 50 машин із середньомісячною витратою 30 000 л економія 10% дає 3 000 л на місяць — суттєва економія коштів.

Що входить в роботу: постачання та документація

Після завершення проєкту ви отримуєте:

• Навчену модель (фізична + residual-модель) у форматі ONNX або pickle для інференсу.
• REST API для інтеграції з телематичною платформою (Wialon, OMNICOMM, AutoGRAPH) — документація OpenAPI.
• Дашборди в Grafana: реальний час за витратою, eco-score водіїв, аномалії.
• Вебінари та навчання для диспетчерів та водіїв (2 заняття).
• Model Card з метриками (MAE, R², confusion matrix для аномалій).
• 3 місяці гарантійної підтримки після деплою.

Процес роботи

1. Аналітика: збір та очищення телематичних даних, побудова baseline.
2. Моделювання: фізична модель + ML-корекція з XGBoost/LSTM.
3. Розробка: eco-driving scoring, оптимізатор маршрутів, детектор аномалій.
4. Інтеграція: REST API з телематикою (Wialon, OMNICOMM, AutoGRAPH).
5. Дашборди: реальний час + історична аналітика.
6. Документація: model card, опис API, інструкція з експлуатації.
7. Підтримка: 3 місяці гарантійного супроводу після запуску.