Almacenamiento, análisis, visualización en vivo e interacción de datos de vehículos en la nube
Christian Rathberger
Una gran cantidad de vehículos modernos son dispositivos conectados casi permanentemente, que intercambian constantemente datos con su entorno, otros vehículos y servicios en la nube. Las aplicaciones obvias de esta tecnología comienzan con casos de uso simples, como advertencias de tráfico y rutas basadas en información de tráfico. Otra importante área de investigación es la conducción autónoma, que se espera que transforme radicalmente nuestra experiencia de movilidad en la próxima década. Este campo está siendo ampliamente estudiado y explorado. Mucho menos perceptible para el conductor promedio, pero de gran importancia para la industria automotriz, es el flujo continuo de datos de conducción de vehículos a los centros de massive information en la mayoría de los OEM modernos. Estos datos, normalmente anónimos, proporcionan a los OEM información sobre cómo se utilizan sus vehículos, incluida la frecuencia de los diferentes casos de carga e incluso los subcomponentes individuales de los sistemas del vehículo. El análisis de estos datos permite una planificación más centrada de los pasos de desarrollo futuros derivados directamente de las necesidades y casos de uso reales de los clientes.
Web de las cosas automotriz en Magna
En Magna llevamos varios años realizando investigación y desarrollo en aplicaciones similares. Como proveedor, uno de nuestros principales intereses son los casos de carga que experimentan nuestros componentes durante el uso práctico. Sin embargo, encontramos algunos requisitos adicionales, casos de uso específicos y aplicaciones para tecnologías de IoT relacionadas:
- Aunque Magna no actúa como OEM, con frecuencia desarrollamos prototipos y demostradores de tecnología para mostrar nuevos productos a los clientes OEM interesados.
- Para nuestros prototipos de vehículos es esencial capturar datos de conducción de una manera completa y segura, y mientras que los primeros prototipos suelen ser “laboratorios rodantes” completamente equipados con equipos de pista de pruebas y una gran cantidad de sensores, los prototipos posteriores están mucho más cerca de los vehículos de serie. y son seguros de usar en la vía pública. Para cualquier tipo de vehículo, necesitamos una forma sencilla y discreta de recopilar datos del bus CAN y almacenarlos en la nube para su posterior análisis. Con niveles cada vez mayores de automatización, los ingenieros de pruebas ahora pueden analizar datos en una computadora portátil desde el asiento del copiloto en tiempo actual, lo que hace que el proceso de prueba sea más eficiente y efectivo.
- Para nuestros demostradores de tecnología, necesitamos extensiones fácilmente adaptables de la interfaz de usuario nativa del vehículo base. Esto puede significar acceso de lectura a los datos de rendimiento del vehículo (por ejemplo, visualización en vivo de la distribución del par en las cuatro ruedas), pero también acceso de escritura a los modos de funcionamiento del vehículo (por ejemplo, cambio entre diferentes modos de conducción en las cuatro ruedas). Como queremos utilizar estos vehículos como escaparates para nuestros clientes, nuestro advertising and marketing exige una “apariencia” profesional y moderna para las interfaces y pantallas de información relacionadas.
- Además, tenemos la importante condición límite de que nuestro sistema debe ser fácilmente adaptable a diferentes vehículos de varias marcas.
En base a esto hemos desarrollado nuestra metrix ambiente con un enfoque en
- Almacenamiento de datos en la nube y análisis posterior a través de interfaces de navegador.
- Visualización de datos en vivo e interacción con el vehículo a través de dispositivos móviles a bordo (tabletas
teléfonos móviles) y
- Máxima flexibilidad con respecto a los vehículos admitidos y las marcas de vehículos.
La arquitectura common se puede dividir en varios elementos clave, donde el único {hardware} es un pequeño dispositivo integrado complementario, que
- actúa como una interfaz física para varias conexiones de E/S del vehículo (bus CAN, puerto OBD,
sensores específicos…),
- decodifica datos de estas diferentes fuentes,
- opcionalmente filtra estos datos,
- transforma los datos filtrados a un formato estándar,
- transfiere estos datos a dispositivos móviles para visualización en vivo o
- envía los datos al almacenamiento en la nube para su posterior análisis en un alcance mucho más completo.
En dispositivos móviles proporcionamos una aplicación que proporciona gráficos y diagramas estandarizados para la visualización de datos en vivo. Esto también se puede adaptar a casos de uso especiales y está diseñado específicamente para ser adecuado para demostraciones en vivo a bordo con fines de advertising and marketing y gestión. Además, esta aplicación permite configurar activamente parámetros para el vehículo si la funcionalidad relacionada está disponible a través de la interfaz.
Nuestros servicios en la nube están alojados públicamente y se centran en la comunicación eficiente y la seguridad de los datos. Para aplicaciones futuras con una gran cantidad de usuarios separados, actualmente estamos implementando funciones integrales de administración de usuarios y acceso. Además de manejar grandes cantidades de datos sin procesar, estos servicios también podrán realizar análisis de datos continuos y que requieren mucho tiempo en segundo plano. Dependiendo del caso de uso (vehículo prototipo, flota de automóviles o vehículos comerciales, uso particular person, and many others.), proporcionamos rutinas de análisis predefinidas (por ejemplo, análisis de eficiencia del vehículo, comportamiento inseguro del conductor, evaluación de los puntos de carga del tren motriz y su frecuencia). y permitir a los usuarios especificar sus propias funciones de análisis de datos (por ejemplo, detección de modos de fallo específicos del vehículo).
Finalmente, proporcionamos una interfaz de usuario basada en net para acceder y analizar los datos almacenados en la nube. Se puede acceder a esta función a través de cualquier navegador, por lo que se puede utilizar tanto en ordenadores de sobremesa como en dispositivos móviles, y ofrece una visión completa del estado de coches, camiones o flotas enteras.
Figura 1: Arquitectura del entorno Magna IoT
La primera aplicación que queremos mencionar en este artículo es el uso de nuestro sistema en nuestros días anuales de pruebas de invierno de Magna en Arjeplog, Suecia, a principios de 2022 y 2023. Aprovechamos este evento como una oportunidad para mostrar innovaciones en tecnologías de sistemas de propulsión con un enfoque específico en diferentes aplicaciones de tracción whole. Evidentemente, conducir sobre lagos helados ofrece excelentes posibilidades para este fin.
El principal desafío que informó nuestro equipo de advertising and marketing fue que si la tecnología funciona demasiado bien, la experiencia de conducción se siente como conducir en una carretera regular. Por lo tanto, adaptamos nuestra interfaz de vehículo para
- Permitir configuraciones dinámicas “virtuales” de diferentes tecnologías de tren motriz, lo que permite que nuestro automóvil demostrador de tecnología actúe como un vehículo con tracción delantera, tracción trasera, tracción whole o tracción 4WD según sea necesario. Además, se pueden implementar diferentes variantes de vectorización del par, lo que permite al conductor experimentar de primera mano el impacto de diversas tecnologías en un entorno seguro de pista de pruebas.
- Además, incorporamos una visualización en vivo de la distribución del par en las cuatro ruedas. Esto nos ayuda a comprender mejor el funcionamiento del sistema y la velocidad variable a la que se debe adaptar el par para cada rueda. Esto permite la experiencia de conducción suave deseada y facilita diferentes comportamientos de conducción del vehículo en términos de agilidad, comodidad o tracción.
- La interfaz de usuario consta de un diseño de varias páginas y ofrece una amplia gama de tipos de gráficos y formatos de presentación. Esta versatilidad permite a los usuarios personalizar la interfaz de usuario según sus necesidades específicas y garantiza que se adapte al escenario de la presentación. Como resultado, los usuarios pueden adaptarse fácilmente a diferentes audiencias y centrarse en componentes específicos durante el mismo viaje de prueba utilizando las páginas prediseñadas.
Actualmente se está desarrollando un segundo caso de uso en colaboración con un proveedor de transporte público native. Siguiendo el objetivo de reducir el consumo common de energía, se aplica e instala la misma configuración de {hardware} y software program en los autobuses públicos. Los datos disponibles se recopilan accediendo a los buses CAN del vehículo directamente o mediante interfaces de diagnóstico como FMS.i. Luego, estos datos se transmiten a la nube para almacenar los datos de telemetría. Por un lado, los valores actuales
se presentan mediante un panel en línea para detectar y revisar el potencial de optimización utilizando una variedad de métodos disponibles. Por otro lado, desarrollamos modelos para clasificar automáticamente los viajes registrados en función de su consumo energético. También se pueden tener en cuenta factores externos como el clima, la influencia del comportamiento de conducción y los consumidores de energía auxiliar.
Desarrollamos un modelo térmico de la cabina del autobús que se ajustó a los valores medidos reales. El modelo easy considera esencialmente el volumen de la cabina y los efectos solares a través de las ventanas utilizando nuestro software program de simulación térmica KULI. Con la ayuda de este modelo easy, podemos cuantificar el cambio en el consumo de energía al aumentar o disminuir la temperatura, respectivamente. Esto sirve como base para decisiones sobre el equilibrio entre la comodidad de los pasajeros y el coste de la energía.
Además, se ha desarrollado un modelo de sistema de propulsión para determinar con precisión el comportamiento del sistema de propulsión utilizando las medidas recopiladas. Este modelo permite la identificación de oportunidades de optimización en un entorno controlado, donde se pueden realizar experimentos reproducibles, en lugar de implementar contramedidas específicas directamente en el campo.
También se presta especial atención al análisis automatizado de datos utilizando métodos estadísticos o incluso enfoques de aprendizaje automático respaldados por IA. Este enfoque utiliza medidas básicas registradas, como la aceleración longitudinal y el consumo de energía medido, y establece relaciones entre estas variables, como la distancia recorrida, el límite de velocidad y la velocidad actual. En la precise etapa de desarrollo, se entrena un modelo de aprendizaje automático para clasificar el nivel de eficiencia del viaje en tres categorías: ineficiente, regular y eficiente. Los resultados iniciales muestran los siguientes efectos:
- Los viajes ineficientes tienden a tener una mayor frecuencia de eventos de alta aceleración/desaceleración, así como cambios rápidos en la aceleración/desaceleración (sacudidas).
- Los datos anonimizados revelan una correlación entre el conductor y la probabilidad de ser clasificado como (in)eficiente.
- En los datos se hacen evidentes influencias como la hora del día o la hora de la semana.
- Una conducción más rápida no necesariamente da lugar a una clasificación ineficiente, ya que también puede atribuirse a un estilo de conducción más eficiente.
Los siguientes beneficios surgen del análisis de datos automatizado:
- El análisis continuo de datos permite un monitoreo continuo de los datos, brindando a los operadores de flotas transparencia y la capacidad de optimizar su flota de manera eficiente.
- Los vehículos se pueden utilizar en una ruta donde sus características se adapten mejor, lo que resulta en costos minimizados.
- Se pueden emplear capacitaciones de conductores orientadas a objetivos para optimizar el impacto de los conductores en la eficiencia energética.
- La visualización en vivo de datos relevantes puede informar al conductor sobre las condiciones actuales del vehículo y proporcionar retroalimentación instantánea.
- Las simulaciones se pueden utilizar para explorar posibles oportunidades de optimización, lo que permite una aplicación de optimización más rápida y eficiente al determinar relaciones causa-efecto específicas.
El sistema Metrix tiene una amplia gama de aplicaciones. Se utilizó durante las actividades de prueba de Magna para mostrar diferentes tecnologías de sistemas de propulsión. La interfaz del vehículo permite la configuración dinámica de los modos del tren motriz y proporciona visualización en vivo de la distribución del par.
En otro caso de uso, el sistema se instaló en autobuses públicos con el objetivo de reducir el consumo de energía. Los datos de los autobuses se registran y envían a la nube para su análisis. Un panel en línea presentó datos en tiempo actual y potencial de optimización. Se desarrollaron modelos para clasificar los viajes según el consumo de energía y otros factores.
El análisis automatizado de datos utilizando métodos estadísticos y aprendizaje automático reveló conocimientos como las correlaciones entre el comportamiento del conductor y la eficiencia del viaje. El sistema proporcionó análisis continuo para optimizar las operaciones de la flota, seleccionar rutas óptimas y proporcionar información en tiempo actual a los conductores.
En common, el sistema ofrece aplicaciones versátiles, mejorando el rendimiento del vehículo, optimizando el consumo de energía y mejorando la toma de decisiones. Se puede identificar el potencial futuro de crecimiento y desarrollo, incluido el perfeccionamiento del componente de {hardware}, la ampliación de las funciones de la aplicación móvil y la mejora de las capacidades de análisis en la nube. Además, existen oportunidades para explorar nuevos casos de uso en plantas de producción e incluso más allá de la industria automotriz.
i Sistema de gestión de flotas
Christian Rathberger Gerente Senior VTM Software program & IoT Tren motriz Magna