Verbesserung der Effizienz der vorausschauenden Fahrzeugwartung - MATLAB & Simulink

Tata Consultancy Services entwickelt verteilte, Cloud-basierte Lösung zur vorausschauenden Fahrzeugwartung

Die Lösung verbessert die Effizienz und Kosteneffektivität der vorausschauenden Wartung

MATLAB integriert nahtlos die gesamte Pipeline für Machine Learning: von Bordcomputern bis zur Cloud.

Wichtigste Ergebnisse

  • Reduzierte Kosten für Cloud-basiertes Machine Learning durch Bereitstellung von KI-Modellen auf Bordcomputern
  • Der Einsatz von MATLAB-Tools beschleunigte den Prozess der Entwicklung, Training und Bereitstellung von Modellen, was zu erheblichen Zeiteinsparungen führte
  • Low-Code-Tools und die App "Diagnostic Feature Designer" ermöglichten die Merkmalsextraktion und Algorithmenentwicklung

Softwaredefinierte Fahrzeuge generieren riesige Datenmengen, die für wichtige Aufgaben der vorausschauenden Wartung verwendet werden können. Das Senden all dieser Daten zur Verarbeitung in die Cloud kann jedoch ineffizient und kostspielig sein. Tata Consultancy Services (TCS), ein in Indien ansässiges IT-Unternehmen, nutzte MATLAB®, um eine verteilte Machine-Learning-Lösung für die vorausschauende Fahrzeugwartung zu erstellen.

TCS hat eine Architektur entwickelt, die die meisten Sensordaten lokal verarbeitet, wobei Machine-Learning-Modelle auf den Bordcomputern des Fahrzeugs ausgeführt werden und berechnete Merkmale für rechenintensivere Analysen an die Cloud gesendet werden. Wenn ein Fehler erkannt wird, alarmiert das Gerätemodell die Cloud, die dann komplexere Fehlervorhersagemodelle ausführen kann.

Das TCS-Team verwendete MATLAB-Tools, um die Daten zu visualisieren und nützliche Muster zu entdecken. Mithilfe der Parallel Computing Toolbox™ konnten sie diesen Prozess beschleunigen, indem sie die Daten aufteilten und gleichzeitig in Blöcken verarbeiteten. Mit der Statistics and Machine Learning Toolbox™, der Classification Learner-App, der Regression Learner-App und der Diagnostic Feature Designer-App untersuchte das Team Sensor- und Zeitreihendaten, um Vorhersagefunktionen zu entdecken, verschiedene Machine-Learning-Modelle zu trainieren und ihre Leistung zu vergleichen. Um die Erkenntnisse zu visualisieren, entwickelten sie eine App und stellten sie mit MATLAB Web App Server™ auf Microsoft® Azure® bereit.