Как строительные парки техники улучшают использование активов с помощью кастомной аналитики

Большинство систем управления строительной техникой могут определить, где находится машина. Но гораздо меньшее их число способно ответить на точный вопрос об автопарке: какие машины выполняли полезную работу, какие сжигали топливо впустую и какие активы незаметно приближаются к отказу?

Ключевые выводы

• Получайте фактические рабочие часы вместо моторесурса и таким образом выявляйте машины, которые тратят топливо впустую, и операторов, которые работают неэффективно.
• Сочетайте частоту вращения (RPM) и нагрузку на двигатель, чтобы выявлять высокое время холостого хода, не видимое в стандартных отчетах.
• Распределяйте нагрузку между тяжелыми активами, чтобы продлить срок службы и отсрочить CAPEX на замену.
• Выявляйте деградацию двигателя до того, как коды ошибок вызовут поломки.
• Связывайте телеканалы данных с операторами, чтобы повысить ответственность, сократить потери и точечно нацеливать обучение.

Какую информацию должна предоставлять платформа телематики менеджеру строительного автопарка?

Один оператор тяжелой техники из Великобритании управляет сотнями подключенных активов, включая более 100 экскаваторов, генераторов и промышленных машин, все они оснащены устройствами телематики. Хотя GPS-трекинг работал, отчеты по моточасам были доступны, а коды ошибок поступали вовремя, команда по эксплуатации все еще сталкивалась со сложностями при ответе на практические вопросы:

• Какие экскаваторы действительно работали под нагрузкой, а какие простаивали на высоких оборотах?
• Какие генераторы были избыточной мощности для площадок, которые они обслуживали?
• Какие операторы постоянно перегружали или недогружали машины?
• Какие активы приближаются к дорогостоящим ремонтам?

Автопарк уже генерировал огромные объемы данных, но большинство этой информации оставалось заключенной в стандартных отчетах.

Работая с системным интегратором Plug N Play Solutions, компания перестроила свою стратегию данных вокруг платформы анализа автопарка Navixy IoT Query, превратив необработанные телеметрические данные в действенные сигналы, критически важные для бизнеса. Они создали специфические для каждой машины операционные состояния, метрики производительных часов, триггеры обслуживания по состоянию и аналитику на уровне операторов, адаптированные к работе с тяжелой техникой.

Этот кейс основан на эпизоде подкаста Telematics Talks от Navixy.

Почему традиционные метрики управления строительным автопарком требуют пересмотра

В автопарке не было недостатка в телеметрии. Проблема возникала, когда менеджеры по эксплуатации пытались принимать решения по техническому обслуживанию и использованию техники, опираясь на эти данные.

Экскаватор мог показывать восемь активных моточасов, при этом половину смены простаивая на максимальных оборотах. Генератор мог работать непрерывно, выдавая лишь малую часть своей расчетной мощности. Два оператора, пользуясь идентичными машинами, могли создавать совершенно разные сценарии износа и расхода топлива, при этом никто не замечал разницы. Стандартные отчеты по телематике сглаживали все эти нюансы работы до обобщенных показателей.

Современные промышленные GPS-устройства от таких производителей, как Teltonika и Galileosky, могут передавать сотни параметров датчиков с одной машины. Однако большинство программных решений для управления строительными автопарками показывает лишь узкий набор такой телеметрии в готовых отчетах и панелях.

Это важно, потому что строительный автопарк ведет себя иначе, чем логистический. Для тяжелой техники имеет значение не то, куда ездил агрегат, а то, как он работал под нагрузкой в течение этих часов.

Это меняет всю аналитическую модель. Например, вместо того чтобы полагаться на состояние зажигания, они сопоставляли частоту вращения, нагрузку на двигатель, рабочие циклы и пороговые значения, специфичные для каждой машины.

Как строительный автопарк начал измерять продуктивные часы вместо моторесурса

Одним из важнейших изменений в проекте стало переопределение понятия «рабочее время». Во многих парках тяжелой техники моточасы считаются показателем использования. Но на практике время, когда двигатель включен, мало говорит о фактически выполненной работе.

Команда Plug and Play заменила традиционную модель подсчета моточасов на аналитику продуктивных часов. Для этого они объединили несколько сигналов телеметрии: диапазоны RPM, нагрузку на двигатель, рабочие циклы, статус холостого хода, операционные пороги для конкретных машин.

Вместо бинарного «двигатель включен/двигатель выключен» машины классифицировались по операционным состояниям, таким как:

• продуктивная нагрузка
• работа с низкой нагрузкой
• холостой ход
• высокий холостой ход
• тяжелый рабочий цикл

Это дало гораздо более реалистичную картину использования активов во всем автопарке. Сразу стала очевидна крупная скрытая неэффективность: высокий холостой ход.

Что показал высокий холостой ход в использовании тяжелой техники

Некоторые операторы раскручивали двигатель до максимума и оставляли машину на холостом ходу, покидая кабину. Традиционные отчеты учитывали эти часы как активное использование, поскольку двигатель работал. С точки зрения бизнеса эти машины не приносили никакой ценности, но при этом создавали:

• затраты на топливо
• износ двигателя
• накопление потребности в обслуживании
• искусственно завышенные показатели использования

Команда ввела отдельное операционное состояние «высокий холостой ход» на основе простой комбинации: Высокие обороты + низкая нагрузка на двигатель = высокий холостой ход.

Этот единственный показатель изменил подход автопарка к оценке производительности. Машины, которые раньше казались «занятыми», внезапно показали большие доли бесполезно потраченного рабочего времени. Менеджеры автопарка теперь могут отличать технику, выполняющую реальную работу, от техники, которая потребляет топливо без отдачи.

Когда высокое время холостого хода стало измеримым, руководители смогли:

• выявлять проблемные привычки в эксплуатации,
• сравнивать уровень использования между разными площадками,
• принимать решения по планированию намного увереннее.

Важно отметить, что все это не потребовало инвестиций в новое оборудование. Ценность заключалась в ином подходе к интерпретации имеющихся данных.

Как кастомная аналитика автопарка изменила планирование технического обслуживания

Тот же подход полностью изменил подход к техническому обслуживанию. Традиционно в тяжелых автопарках ремонт строится на принципах реактивного обслуживания. Появляется код ошибки, машина выходит из строя, и отправляется инженер.

Проблема в том, что многие неполадки развиваются задолго до того, как коды ошибок вызывают срабатывание сигналов. Постоянная недозагрузка постепенно засоряет систему DPF. Нестабильные обороты указывают на аномальное поведение двигателя. Пиковые нагрузки говорят об эксплуатационном напряжении еще до видимых механических отказов.

Благодаря тому, что автопарк имел доступ к историческим телеметрическим данным, команда могла отслеживать эти тенденции во времени, а не реагировать только на конечные неисправности.

Мэтт Уотсон, управляющий директор Plug and Play Solutions, описал ценность этого так:

«Если вы можете видеть эту тенденцию с течением времени, вы можете перехватить проблему прежде, чем произойдет ошибка двигателя».

Это полностью меняет экономику обслуживания. Плановое ТО в спокойный рабочий день значительно дешевле, чем аварийные поломки, незапланированные простои, вызов выездного инженера, затраты на замену оборудования и срыв сроков проектов.

Как распределение нагрузки помогает строительным автопаркам продлить срок службы техники

Парки тяжелой техники редко распределяют рабочую нагрузку равномерно. Одни машины работают на пределе возможностей, тогда как другие почти не задействованы. Со временем такое неравномерное распределение приводит к предсказуемым последствиям: ускоренному износу наиболее нагруженных активов, неравномерной амортизации, преждевременным заменам, более высоким затратам на обслуживание и более низкой общей эффективности автопарка.

Благодаря прямому контролю над нагрузкой на двигатель и реальным объемом выполненной работы, команда эксплуатации может более разумно распределять задания.

Этот подход особенно ценен для автопарков с генераторами. В одном случае на промышленных объектах регулярно заказывали генераторы на 100 кВА, независимо от реального уровня потребления. Телеметрия впоследствии показала, что некоторые объекты использовали лишь 18 кВА.

Это несоответствие приводило к постоянному недогрузу. Современные двигатели с контролем выбросов нуждаются в достаточной нагрузке для эффективной работы. Эксплуатация слишком мощных генераторов на низком уровне приводит к ускоренному накоплению сажи и сокращению ресурса компонентов.

С помощью кастомных аналитических инструментов автопарк мог выявлять такие сценарии заранее и подбирать оптимальное оборудование до возникновения неисправностей. После внедрения решения операторы могут заранее рекомендовать замену оборудования, опираясь на фактические рабочие данные.

Как аналитика на уровне операторов повысила ответственность

Завершающим этапом кастомной аналитики в строительном автопарке стало внедрение контроля на уровне оператора. Bluetooth-метки связывали каждый телеметрический поток с конкретным человеком. Те же самые идентификационные данные, которые использовались для запуска машины, указывали, кто именно за ней работал.

Это дало сразу несколько улучшений в эксплуатации:

1. Необученный персонал можно блокировать от работы на определенном оборудовании. Только авторизованные операторы могли запускать назначенные машины.
2. Подозрительные события стали отслеживаться. В автопарке выявили повторяющиеся ночные инциденты с доступом к топливу, сопоставив данные идентификации по меткам со сведениями видеотелематики. Ранее это выглядело как необъяснимые потери топлива, а теперь стало задокументированным сценарием.
3. Поведение операторов стало измеримым в том формате, который стандартная телематика обычно не предоставляет. Некоторые из них создавали «чистые» рабочие циклы, тогда как другие допускали много холостого хода. Когда такие особенности стали видны, руководители смогли ввести точечное обучение.

Это важно, потому что разница в манере работы операторов зачастую создает более серьезные «дыры» в эффективности, чем разница между машинами.

Почему IoT Query оказался важен для аналитики строительного автопарка

Ни одна из этих аналитических возможностей не была бы практически осуществима без прямого доступа к необработанным телеметрическим данным в IoT Query. Большинство телематических систем предоставляет только готовые отчеты и фиксированные панели. Этого достаточно для стандартных задач GPS-мониторинга, но становится ограничением, когда для тяжелого автопарка требуется кастомная логика работы.

IoT Query открывает полную базу телеметрии и структурирует данные в несколько аналитических слоев: слой необработанных данных для исходных сигналов и слой преобразования для оперативных сущностей и кастомной логики.

Такая архитектура предоставила интегратору гибкость в создании уникальных состояний оборудования, пользовательских KPI и операционных моделей без ожидания изменений со стороны разработчика платформы. В управлении строительным автопарком это особенно важно, так как нет двух абсолютно одинаковых условий эксплуатации.

Что могут вынести менеджеры строительных автопарков из этого проекта

Несколько уроков из этого проекта применимы к крупным паркам тяжелой техники в целом. Во-первых, одни только моточасы — это слабый показатель использования. Пока автопарк не отделяет продуктивную рабочую нагрузку от холостого хода, отчеты об использовании остаются неполными.

Во-вторых, нагрузка на двигатель — один из наиболее важных параметров для тяжелой техники. Именно она напрямую влияет на планирование обслуживания, расход топлива, износ машин и срок службы оборудования.

В-третьих, поведение операторов играет большую роль, чем многие думают. Когда телеметрия привязана к конкретным сотрудникам, становится гораздо проще выявлять возможности для обучения и устранять неэффективность.

Наконец, ценность аналитики в строительных автопарках зависит не столько от сбора еще большего объема данных, сколько от разумного использования уже доступной телеметрии.

Свяжитесь с нами, чтобы узнать, как IoT Query помогает строительным автопаркам превращать необработанные данные телеметрии в аналитику продуктивных часов, понимание для обслуживания и кастомные KPI для тяжелой техники.

Часто задаваемые вопросы об аналитике в парках тяжелой техники

Вопрос: Какова роль телематики в управлении строительным автопарком?

Ответ: Телематика даёт командам по управлению строительным автопарком возможность видеть местоположение оборудования, поведение двигателя, расход топлива, активность операторов и состояние обслуживания. В условиях тяжелой техники наибольшую ценность обычно приносит анализ рабочей нагрузки, времени холостого хода и нагрузки на двигатель, а не один только GPS-мониторинг. Чтобы почувствовать разницу, используйте шаблоны панелей Heavy Machinery в Dashboard Studio — встроенном приложении для визуализации данных, которое позволяет пользователям создавать индивидуальные панели для своих рабочих процессов и ключевых показателей без внешних сервисов или инструментов BI непосредственно в Navixy.

Вопрос: В чем разница между моточасами и продуктивными часами в строительных автопарках?

Ответ: Разница в том, что моточасы показывают общее время работы двигателя, а продуктивные часы фиксируют эксплуатацию под значимой нагрузкой. Аналитика продуктивных часов дает автопаркам более точное представление об использовании, экономии топлива и практическом результате работы.

Вопрос: Совместим ли IoT Query с существующим оборудованием телематики для тяжелой техники?

Ответ: IoT Query работает с данными, поступающими от существующего оборудования телематики для тяжелой техники, включая промышленные GPS-устройства, интеграции с CAN-шиной и собственные системы управления машинами. Платформа телематики Navixy успешно дополняет промышленные GPS-устройства и интеграции с CAN-шиной, в том числе Teltonika, Galileosky и индивидуальные системы управления оборудованием. В результате IoT Query может обрабатывать как стандартные, так и кастомные потоки телеметрии.

Вопрос: Как аналитика на уровне операторов улучшает эксплуатацию тяжелой техники?

Ответ: Аналитика на уровне операторов улучшает эксплуатацию тяжелой техники, связывая данные телеметрии с конкретными сотрудниками с помощью Bluetooth-меток или RFID-идентификации. Это помогает автопаркам повышать ответственность, сокращать время холостого хода, расследовать несанкционированную активность и выявлять потребность в обучении.

Вопрос: Как продвинутая аналитика улучшает планирование технического обслуживания?

Ответ: Продвинутая аналитика улучшает планирование технического обслуживания, выявляя необычные эксплуатационные паттерны до появления кодов ошибок. Контролируя нагрузку, стабильность оборотов и динамику работы, команды по техническому обслуживанию могут проводить профилактику и снижать неплановые простои. Ознакомьтесь с статьей в блоге «Как контролировать фактическую работу в парках тяжелой техники в Navixy», чтобы узнать больше о аналитике на основе RPM для более эффективного управления строительным автопарком.