Predictive-Maintenance-Lösungen reduzieren Wartungskosten für LKWs und sorgen für resilientere Versorgungsketten

Predictive-Maintenance-Lösungen reduzieren Wartungskosten für LKWs und sorgen für resilientere Versorgungsketten

Predictive-Maintenance-Lösungen reduzieren Wartungskosten für LKWs und sorgen für resilientere Versorgungsketten

Laut der Global Truck Study von Deloitte könnten die Wartungskosten von LKWs um bis zu 30% und der Ausfall der Fahrzeuge bis zu 75% reduziert werden, wenn die Wartung der Fahrzeuge entsprechend optimiert wird. Ein Ansatz zu besserer Wartung und zu weniger Ausfall könnten Predictive-Maintenance-Lösungen sein, wie sie bereits bei PKWs eingesetzt werden.

Ein Beispiel für eine solche Lösung ist die Self-Healing Software von Aurora Labs. Die Lösung setzt auf Machine Learning, um Risiken und Abweichungen im Softwareverhalten zu analysieren und die Kosten für die Softwaresicherheit zu senken. Auch in LKWs wird Software immer wichtiger. Die Lösung von Aurora Labs hilft Herstellern, indem sie schnelles Feedback zu Softwareproblemen gibt, um ein sicheres Fahrerlebnis zu gewährleisten und Softwareverbesserungen während des gesamten Fahrzeuglebenszyklus zu liefern. Aurora Labs nutzt dafür einen neuen, auf Künstlicher Intelligenz und Machine Learning basierenden Ansatz, um alle vier Elemente der Fahrzeugwartung zu vereinen – das Erkennen und Beheben von Fehlern sowie das Updaten und die Zertifizierung der Software. Die Lösung erkennt auffälliges Software-Verhalten, sagt Ausfallwahrscheinlichkeiten voraus und behebt Störungen per OTA-Update. Dabei nimmt die Aurora Labs-Lösung nur halb so viel Speicherplatz in Anspruch wie andere, veraltete Ansätze. Außerdem werden Softwarefunktionen ohne Ausfallzeit an alle Steuereinheiten des Fahrzeugs ausgeliefert und die aktualisierte Software anschließend überprüft.

Die Self-Healing Software erkennt beispielsweise, wenn die Auslastung des Arbeitsspeichers die üblichen Werte deutlich überschreitet. So kann die Software den Fahrzeughersteller informieren und die Software auf die letzte sichere Version zurücksetzen, bevor die Auslastung des Arbeitsspeichers kritische Werte erreicht.

Mit dem Einsatz einer innovativen Lösung wie Self-Healing Software können Fahrzeugausfallzeiten reduziert, Lieferketten resilienter und planungssicherer aufgestellt und das Vertrauen in autonome Fahrzeugsysteme für den Transport gestärkt werden.

Aurora Labs nimmt eine Vorreiterrolle im Bereich der Self-Healing Software für vernetzte Autos ein und ermöglicht es Automobilherstellern, proaktiv auf künftige Entwicklungen in den Bereichen Softwarearchitektur, Prozessstrukturen und Dienstleistungen zu reagieren. Grundstein der In-Vehicle-Software-Management-Lösung ist die Line-Of-Code-MaintenanceTM-Technologie von Aurora Labs. Aurora Labs bereitet die nächste Generation softwarebasierter Fahrzeugtechnologie auf die Zukunft vor, indem das Unternehmen Machine-Learning-Algorithmen nutzt, um auf einzigartige Weise alle vier Elemente einer sicheren Software-Management-Lösung zu vereinen – das Erkennen und Beheben von Fehlern sowie das Updaten und die Zertifizierung der Software. Auf diese Weise ebnet Aurora Labs den Weg ins Zeitalter des selbstheilenden Autos. Die Software des Unternehmens erkennt fehlerhafte Codezeilen, sagt Ausfallwahrscheinlichkeiten voraus und behebt unterwegs auftretende Störungen. Auf diese Weise kann neue Software sicher eingeführt werden. Außerdem werden Softwarefunktionen zuverlässig, kostengünstig und ohne Ausfallzeit für den Kunden an alle Steuereinheiten des Autos ausgeliefert und die aktualisierte Software anschließend überprüft, um den Homologationsprozess zu erleichtern.
https://www.auroralabs.com/

Firmenkontakt
Aurora Labs
Rudolf von Stokar
Emmy-Noether-Ring 18
85716 Unterschleißheim
+49 89 2154 2434

auroralabs@hbi.de
http://www.auroralabs.com

Pressekontakt
HBI Helga Bailey GmbH
Corinna Voss
Stefan-George-Ring 2
81929 München
089 / 99 38 87 30

auroralabs@hbi.de
http://www.hbi.de

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht.


CAPTCHA-Bild
Bild neu laden