Разработка AI-системы оптимизации расхода топлива
Топливо — 30–40% операционных затрат транспортного предприятия. AI-система снижает расход через три рычага: оптимизацию маршрутов, коучинг водителей по стилю вождения и предиктивное ТО двигательной системы.
Моделирование расхода топлива
Физическая модель расхода:
Расход топлива зависит от силы 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
ML-коррекция физической модели:
Физическая модель не учитывает реальные условия: температура двигателя, износ форсунок, тип асфальта. ML (XGBoost) строит residual-модель: δ = actual - physical_model. Итоговая модель: ŷ = physical(x) + ML(x).
Eco-driving система
Скоринг стиля вождения:
Каждое событие вождения классифицируется и вносит вклад в eco-score:
| Событие | Штраф | Влияние на расход |
|---|---|---|
| Резкое ускорение >3 м/с² | -5 баллов | +8–12% |
| Резкое торможение >3 м/с² | -3 балла | +4–6% |
| Скорость >90 км/ч на трассе | -2 балла/мин | +15–25% |
| Холостой ход >5 мин | -2 балла | 1–2 л/час |
| Нейтральная передача на спуске | -4 балла | +5–8% |
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.
Срок разработки: 2–4 месяца для системы eco-driving scoring, аномалий расхода и оптимизации маршрутов с интеграцией в телематику (Wialon, OMNICOMM, AutoGRAPH).