RoadSense

De transportsector heeft een groot aandeel in de Nederlandse economie en is gebaat bij gerichter onderhoud van vrachtenwagentrailers. Dit kan behaald worden met de inzet van predictive maintenance, maar hiervoor is data onmisbaar. Vrachtwagentrailers produceren al elke rit een grote hoeveelheid aan data (bv. rem- en bandendruk, g-krachten en wielsnelheid) om de veiligheid en rijervaring te verbeteren. In de huidige situatie wordt deze data echter meteen weer vergeten door de trailer. Dit is een gemiste kans omdat de sensordata onder andere gebruikt kan worden voor predictive maintenance, maar ook voor de organisatie van de vloot en optimalisatie van routeplanning.
Met predictive maintenance kan onderhoud efficiënter uitgevoerd worden en voorkomt zo onnodige reparaties en vermindert het de downtime. Dit zorgt voor lagere kosten voor de gebruiker, een afname van de broeikasgasuitstoot en minder druk op het wegennet. Voor de implementatie van predictive maintenance moet data verzameld worden over het gebruik van de trailer. Enkele voorbeelden zijn remacties, bandendruk en kwaliteit van de weg. Burgers carrosserie, een Nederlandse trailerfabrikant, innoveert op dit gebied met het verzamelen en verwerken van de sensordata. Zij beschikken echter niet over de benodigde kennis om de sensordata om te zetten naar relevante informatie, zoals de kwaliteit van de weg.
Daarom is deze KIEM aanvraag erop gericht om samen met Burgers carrosserie te werken aan datagedreven innovaties voor de trailer. Het onderzoek zal aantonen hoe met de sensordata uit de trailer de kwaliteit van de weg bepaald kan worden. Dit is een nieuwe toepassing van de sensordata en van belang voor de inzet van predictive maintenance.

Eindrapportage

Het Roadsense project richt zich erop om sensordata aanwezig op vrachtwagens slim in te zetten ten behoeve van de wegkwaliteit en voertuigonderhoud. Vrachtwagens rijden over wegen van wisselende kwaliteit, waarbij slechte wegen voor snelle slijtage kunnen zorgen. Op vrachtwagens zijn verscheidene sensors aanwezig die bijvoorbeeld de versnelling in drie dimensies en de locatie meten.

In dit project is onderzocht op wat voor manier deze data ingezet kan worden ter detectie van de wegkwaliteit. De standaardsensors zijn betrekkelijk simpel, en meten met een lage frequentie ten opzichte van de snelheid van de vrachtwagens. Dat betekent dat het signaal van de impact zelf niet duidelijk herkend kan worden in de data. Echter induceert de impact van een ruig stuk weg een respons van de vering en de carosserie van de vrachtwagen. Met behulp van machine learning modellen is deze data geanalyseerd, waarbij gezocht is naar uitschieters ten gevolge van slecht wegdek. De data hoeft daarvoor niet gelabeld te worden, het resulterende model is in staat zelf uitschieters te identificeren. Het model is getest op twee vrachtwagens en herkent consistent weggedeeltes waar de kwaliteit slecht is.