Розробка AI-системи оптимізації витрати пального
Паливо - 30-40% операційних витрат транспортного підприємства. AI-система знижує витрати через три важелі: оптимізацію маршрутів, коучинг водіїв за стилем водіння та передиктивне ТО рухової системи.
Моделювання витрат палива
Фізична модель витрати:
Витрата палива залежить від сили опору руху: - Аеродинамічний опір: зростає пропорційно v³ - Опір кочення: пропорційно масі та швидкості - Інерційні втрати: гальмування = викид накопиченої кінетичної енергії - Рельєф: підйоми вимагають 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
):
"""
Физическая модель расхода топлива по маршруту.
Возвращает л/100км для заданного профиля скоростей.
"""
rho_air = 1.2 # кг/м³
g = 9.81
m = vehicle_params['mass_kg']
Cd = vehicle_params['Cd'] # аэродинамич. коэффициент (~0.35 для TIR)
A = vehicle_params['A_frontal'] # м² (~8 для TIR)
Crr = vehicle_params['Crr'] # коэффициент качения (~0.006)
eta = vehicle_params['engine_eff'] # КПД привода (~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 # только движение вперёд
if F_total < 0: # спуск — можно рекуперировать (для EV) или мотор-тормоз
F_total = 0
# Работа = сила × расстояние
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/литр
fuel_liters = total_fuel_j / diesel_energy_density
return fuel_liters / (total_dist_m / 1000) * 100 # л/100км
ML-корекція фізичної моделі:
Фізична модель не враховує реальних умов: температура двигуна, знос форсунок, тип асфальту. ML (XGBoost) будує residual-модель: = actual - physical_model. Підсумкова модель: = physical(x) + ML(x).
Eco-driving система
Скоринг стилю водіння:
Кожна подія водіння класифікується і робить внесок у eco-score:
| Событие | Штраф | Влияние на расход |
|---|---|---|
| Резкое ускорение >3 м/с² | -5 баллов | +8–12% |
| Резкое торможение >3 м/с² | -3 балла | +4–6% |
| Скорость >90 км/ч на трассе | -2 балла/мин | +15–25% |
| Холостой ход >5 мин | -2 балла | 1–2 л/час |
| Нейтральная передача на спуске | -4 балла | +5–8% |
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 із паливним критерієм
Не завжди найкоротший маршрут = найменш витратний палива. ML-оцінка витрат палива для кожного маршруту: - Рельєф по SRTM: сумарний набір висоти (підйоми = витрата) - Тип дороги: автомагістраль (оптимальна крейсерська швидкість) vs. міські пробки (багато торкань) - Історичний трафік: час у пробці з працюючим двигуном
Типовий результат: маршрут на 5% довший, але на 8–12% економічніший.
Моніторинг технічних втрат
Аномально висока витрата = технічний сигнал:
- Витік форсунки: підвищена витрата за нормальних умов 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.
Термін розробки: 2-4 місяці для системи eco-driving scoring, аномалій витрати та оптимізації маршрутів з інтеграцією у телематику (Wialon, OMNICOMM, AutoGRAPH).