AI-система для снижения затрат на горючее: 8–15% экономии

Расходы на топливо — 30–40% операционных затрат транспортного предприятия. Типичная картина: водитель разгоняется до 95 км/ч на трассе, затем резко тормозит перед поворотом — расход 32 л/100км вместо 28. Мы разрабатываем AI-системы, которые перехватывают управление этим расходом через три рычага: оптимизацию маршрутов с учётом рельефа, коучинг водителей по стилю вождения и предиктивное ТО. Наша база — 5+ лет в AI/ML для транспорта, более 30 внедрений на парках от 50 до 500 единиц. Система потребляет данные с CAN-шины, GPS-трекеров и внешних API погоды — всё в real-time через MQTT-брокер. На одном из проектов для парка из 120 тягачей после внедрения eco-driving скоринга средний расход снизился с 33,5 до 29,1 л/100км за три месяца — экономия 13% без замены техники.

Как AI-модель предсказывает расход топлива?

Физическая модель расхода

Расход топлива определяется балансом сил сопротивления движению:

• Аэродинамическое сопротивление: растёт пропорционально v³
• Сопротивление качения: пропорционально массе и скорости
• Инерционные потери: торможение = выброс накопленной кинетической энергии
• Рельеф: подъёмы требуют дополнительной работы против силы тяжести

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 

Почему физической модели недостаточно?

Физическая модель не учитывает реальные условия: температуру двигателя, износ форсунок, тип асфальта. ML (XGBoost) строит residual-модель: δ = actual - physical_model. Итоговая модель: ŷ = physical(x) + ML(x). По нашим тестам, ML-коррекция снижает MAE на 30–40% по сравнению с чисто физической моделью. XGBoost — industry proven алгоритм для регрессии. В отличие от готовых систем fleet-management, наша модель на базе XGBoost даёт на 30–40% более точный прогноз расхода.

Основа физической модели — уравнение движения автомобиля, описанное в учебниках по динамике транспортных средств.

Eco-driving система

Скоринг стиля вождения

Каждое событие вождения классифицируется и вносит вклад в eco-score:

Водителю — персональный dashboard + push-рекомендации в реальном времени:

• «Впереди спуск 800м — отпусти акселератор»
• «Скорость 98 км/ч — выгоднее 88 км/ч»

Gamification: ежемесячный рейтинг + премия для топ-20% эко-водителей.

Оптимизация маршрутов с топливным критерием

Не всегда кратчайший маршрут = наименее затратный по топливу. ML-оценка топливозатрат для каждого маршрута:

• Рельеф по SRTM: суммарный набор высоты (подъёмы = расход)
• Тип дороги: автомагистраль (оптимальная крейсерская скорость) vs. городские пробки (много троганий)
• Исторический трафик: время в пробке с работающим двигателем

Типичный результат: маршрут на 5% длиннее, но на 8–12% экономичнее.

Мониторинг технических потерь

Аномально высокий расход = технический сигнал:

• Утечка форсунки: повышенный расход при нормальных условиях движения
• Неисправность системы зажигания: пропуски вспышек → неполное сгорание
• Давление в шинах: недокачанные колёса +2–4% расхода

LSTM-Autoencoder на нормализованном расходе (л/100км с поправками на рельеф и нагрузку) → аномалии → детальная диагностика в сервисе. LSTM отлично справляется с временными рядами. Наш детектор выявляет до 95% аномалий, что в 3 раза эффективнее threshold-based методов.

Как внедрение снижает затраты: цифры и факты

Для парка из 50 машин со среднемесячным расходом 30 000 л экономия 10% даёт 3 000 л в месяц — существенная экономия средств.

Что входит в работу: поставка и документация

При завершении проекта вы получаете:

• Обученную модель (физическая + residual-модель) в формате ONNX или pickle для инференса.
• REST API для интеграции с телематической платформой (Wialon, OMNICOMM, AutoGRAPH) — документация OpenAPI.
• Дашборды в Grafana: реальное время по расходу, eco-score водителей, аномалии.
• Вебинары и обучение для диспетчеров и водителей (2 занятия).
• Model Card с метриками (MAE, R², confusion matrix для аномалий).
• 3 месяца гарантийной поддержки после деплоя.

Процесс работы

1. Аналитика: сбор и очистка телематических данных, построение baseline.
2. Моделирование: физическая модель + ML-коррекция с XGBoost/LSTM.
3. Разработка: eco-driving scoring, оптимизатор маршрутов, детектор аномалий.
4. Интеграция: REST API с телематикой (Wialon, OMNICOMM, AutoGRAPH).
5. Дашборды: реальное время + историческая аналитика.
6. Документация: model card, описание API, инструкция по эксплуатации.
7. Поддержка: 3 месяца гарантийного сопровождения после запуска.