بررسی ویژگی‌های عملیاتی کامیون‌های سنگین از طریق داده‌های تشخیص عیب (OBD)

ترافیک جاده‌ای منبع قابل توجهی از انتشار کربن در چین است و درک کامل از ویژگی‌های عملیاتی خودرو برای کاهش این انتشار بسیار مهم است. این مقاله با ترکیب داده‌های تشخیص داخلی (OBD) یک رویکرد یکپارچه برای تجزیه و تحلیل عملکرد کامیون‌های سنگین (HDT) ارائه می‌دهد. پیچیدگی‌های عملیاتی HDTها، از جمله وضعیت بار، ویژگی‌های سفر مبدا-مقصد (OD) و فراوانی جفت‌های شروع-توقف HDTها، مورد تجزیه و تحلیل قرار گرفت. ما از داده‌های OBD از 3792 HDT در چین در طول کل سال 2022 استفاده کردیم و از روش‌های جدید داده‌کاوی بزرگ برای تشخیص توقف، شناسایی بار و محاسبه اطلاعات سفر OD استفاده کردیم. یافته‌ها نشان می‌دهد که برای کامیون‌های باری، کامیون‌های کمپرسی و کامیون‌های تراکتور در سطح سفر OD، نرخ رانندگی خالی-بار مربوط به آنها به ترتیب 33.01٪، 33.58٪ و 31.71٪ است. میانگین مسافت سفر در مبدا برای این دسته از وسایل نقلیه ۱۱۰ کیلومتر، ۹۵ کیلومتر و ۱۹۵ کیلومتر است، در حالی که میانگین سرعت سفر به ترتیب ۲۳ کیلومتر در ساعت، ۱۶ کیلومتر در ساعت و ۴۰ کیلومتر در ساعت است. علاوه بر این، میانگین تعداد جفت‌های شروع-توقف برای این دسته‌ها به ترتیب ۲.۸، ۳.۹ و ۴.۹ است و میانگین مدت زمان توقف ۱.۲ ساعت، ۱.۶ ساعت و ۲.۱ ساعت است. این مطالعه پتانسیل بالای بهینه‌سازی مدیریت بار و برنامه‌ریزی سفر را نشان می‌دهد و مرجعی برای بهبود بهره‌وری اقتصادی و کاهش انتشار گازهای گلخانه‌ای خودروهای سنگین در چین ارائه می‌دهد.

مقدمه

وسایل نقلیه تجاری، به ویژه کامیون‌های سنگین (HDT)، در زیرساخت حمل و نقل جهانی بار نقش مهمی دارند و به طور قابل توجهی در انتشار کربن نقش دارند (Tansini, & Prado-Rujas, 2021). با وجود تعداد محدود آنها نسبت به سایر دسته‌های وسایل نقلیه، آنها مسئول بیش از یک چهارم کل انتشار گازهای گلخانه‌ای تولید شده توسط بخش حمل و نقل هستند (US EPA, 2023). بنابراین، درک پیچیدگی‌های عملیات HDTها، از جمله وضعیت بار، مدت زمان سفر و تعداد توقف‌ها، برای تدوین سیاست‌های مؤثر، اصلاح لجستیک و کاهش انتشار گازهای گلخانه‌ای بسیار مهم است (Seo & Park, 2023; Seo, Park, Oh, & Park, 2016). بررسی پیچیدگی‌های عملیاتی HDTها می‌تواند مزایای بی‌شماری را به همراه داشته باشد. ساده‌سازی رویه‌های بارگیری و تخلیه می‌تواند تأخیرهای بی‌مورد را کاهش داده و از انحرافات بی‌اثر جلوگیری کند و در نتیجه کارایی کلی را افزایش دهد (لو، یانگ، لی و چن، ۲۰۱۰؛ ایکس. وانگ و همکاران، ۲۰۲۱). این درک غنی‌شده همچنین می‌تواند با تسهیل برنامه‌ریزی مسیر برتر، مدیریت موجودی و برنامه‌ریزی تعمیر و نگهداری پیشگیرانه، مدیریت لجستیک و زنجیره تأمین را تقویت کند، ضمن اینکه دقت پیش‌بینی‌های تقاضا در خدمات حمل و نقل را بهبود می‌بخشد (فانتی، مانگینی، فاونزا و دیفیلیپو، ۲۰۲۱؛ یائو و سونگ، ۲۰۱۳). از منظر اقتصادی، بینش‌های بلادرنگ می‌توانند با کاهش مصرف سوخت و فرسودگی وسایل نقلیه، صرفه‌جویی قابل توجهی در هزینه‌ها ایجاد کنند و در نتیجه، استقرار وسایل نقلیه کم‌کاربرد را به حداقل برسانند (Alonso-Villar, Davíðsdóttir, Stefánsson, Ásgeirsson, & Kristjánsson, 2022; Harrington & Krupnick, 2012). این رویکرد همچنین می‌تواند در تضمین رعایت مقررات، و کمک به فرار از جریمه‌های سنگین مرتبط با بارگیری بیش از حد، مؤثر باشد. نکته مهم این است که می‌تواند به تلاش‌های پایداری کمک کند، زیرا برنامه‌ریزی آگاهانه‌تر بار کامیون می‌تواند کل مسافت طی شده، مصرف سوخت و انتشار کربن ناشی از آن را کاهش دهد (Alam, 2014; Council et al., 2010).

به‌طور مرسوم، داده‌های مربوط به حرکت کامیون‌ها از طریق بررسی‌های دستی یا گزارش‌های راننده به‌دست می‌آمد، که هر دو روش نیازمند مداخله قابل توجه انسان و آسیب‌پذیری در برابر خطاهای انسانی بودند. ظهور فناوری رایانه و الزامات سختگیرانه سیاست‌گذاری منجر به افزایش وسایل نقلیه مجهز به حسگرهای برتر و رایانه‌های داخلی برای جمع‌آوری داده‌ها و تله‌متری در زمان واقعی شده است. رایج‌ترین آنها دستگاه GPS نصب‌شده روی خودرو است که نه‌تنها نقش ناوبری را ایفا می‌کند، بلکه پشتیبانی داده برای تجزیه و تحلیل عملکرد خودرو را نیز فراهم می‌کند. نصب دستگاه‌های تشخیصی داخلی (OBD) بر روی HDTها به‌طور گسترده در چین انجام شده است و این روند روزبه‌روز اجباری‌تر می‌شود. در حال حاضر، HDT های مطابق با استانداردهای «چین VI» که از سال 2021 ثبت شده‌اند، باید به دستگاه‌های تشخیصی (OBD) داخلی و مجموعه‌ای از حسگرهای دیگر مجهز شوند (لیو و تان، 2020). این حسگرها داده‌های عملیاتی در زمان واقعی شامل سرعت، گشتاور موتور، سرعت جریان سوخت، میزان انتشار و مختصات سیستم موقعیت‌یابی جهانی (GPS) را ثبت می‌کنند و اطلاعات زیادی را تولید می‌کنند (لی و همکاران، 2022، پن و همکاران، 2020). داده‌های OBD و سایر داده‌های نظارتی آنلاین مانند داده‌های GPS، از نظر تئوری، می‌توانند بینش‌های بی‌سابقه‌ای ارائه دهند. در حال حاضر، داده‌های OBD عمدتاً توسط آکادمی تحقیقات علوم محیطی چین تحت نظر وزارت بوم‌شناسی و محیط زیست چین اداره می‌شود، اما برای عموم آزاد است و تحت شرایط خاصی به اشتراک گذاشته می‌شود و نیاز به درخواست و تأیید دقیق دارد. با این حال، به دلیل تازگی دسترسی به چنین داده‌هایی و حجم زیاد داده‌ها، کاوش‌های روش‌شناختی محدودی صورت گرفته است که پیشرفت‌های بالقوه را محدود می‌کند.

دو حوزه تحقیقاتی مرتبط اما متمایز وجود دارد که بر اساس داده‌های نظارتی به سرعت در حال توسعه هستند. اولین جریان تحقیقاتی بر تجزیه و تحلیل داده‌های OBD برای مدل‌سازی انتشار گازهای گلخانه‌ای، مصرف سوخت، رفتار راننده و تشخیص وضعیت خودرو تمرکز دارد. تعدادی از تجزیه و تحلیل داده‌ها، از جمله الگوریتم‌های یادگیری ماشین، برای تجزیه و تحلیل داده‌های OBD برای کسب اطلاعات در مورد ویژگی‌های عملیاتی خودرو استفاده می‌شوند (Hwang, Chen, Shih, Chen, & Liu, 2018; Kumar & Jain, 2023; Pan, Yu, & Cheng, 2017). این مطالعات پتانسیل داده‌های OBD را در تجزیه و تحلیل الگوی رانندگی خودرو تأیید می‌کنند و همچنین به نقاط قوت و ضعف خود داده‌های OBD اشاره می‌کنند. یکی دیگر از دستاوردهای قابل توجه در این حوزه، مطالعه‌ای است که از داده‌های OBD برای ارزیابی مزایای انتشار گازهای گلخانه‌ای تعمیرات مبتنی بر OBD در HDTها استفاده می‌کند (Jiang et al., 2021). این مطالعه یک روش ارزیابی اثربخشی تعمیر مبتنی بر OBD را توسعه داده و آن را بر روی داده‌های OBD دنیای واقعی جمع‌آوری شده از HDTها در چین اعمال کرده است. نتایج نشان داد که تعمیرات مبتنی بر OBD می‌تواند انتشار NOx را به طور قابل توجهی کاهش دهد، که نشان‌دهنده پتانسیل داده‌های OBD در تلاش‌های کاهش انتشار است. با این حال، این نوع مطالعات تمایل دارند ادغام داده‌های مکانی-زمانی GPS را که می‌تواند درک مکانی-زمانی‌تری از عملیات کامیون ارائه دهد، حذف کنند، زیرا اطلاعات GPS می‌تواند برای استخراج دقیق مسافت پیموده شده مفید باشد. جریان دوم بر استفاده از داده‌های GPS برای شناسایی توقف‌ها و اطلاعات سفر بالقوه تمرکز دارد (Guo, Liu, Zhang, & Wang, 2018; Jensen, Skov, & Thiruravichandran, 2010; Sun et al., 2017)، با این حال، آنها فاقد داده‌های عملیاتی واقعی مانند بار موتور و مصرف سوخت برای تصویر واضح‌تر از وضعیت عملیاتی واقعی کامیون هستند. یک مطالعه، روش جدیدی را برای شناسایی توقف‌های کامیون از مقادیر زیادی از داده‌های GPS با استفاده از یک مدل زنجیره پنهان مارکوف پیشنهاد کرد (Taghavi, Irannezhad, & Prato, 2019). نتایج کالیبراسیون نشان داد که روش پیشنهادی می‌تواند توقف‌های کامیون را با دقت بالا شناسایی کند و از سایر روش‌های قبلی بهتر عمل کند. علاوه بر این، این روش مقیاس‌پذیر است و می‌تواند به طور مؤثر مجموعه داده‌های بزرگ را مدیریت کند. این تحقیق از آن جهت اهمیت دارد که روشی قوی و مقیاس‌پذیر برای استخراج اطلاعات ارزشمند از داده‌های GPS ارائه می‌دهد، که برای درک ویژگی‌های عملیاتی وسایل نقلیه تجاری بسیار مهم است. مطالعه دیگری یک رویکرد مدل‌سازی گرافیکی برای تجزیه داده‌های GPS ایجاد کرد و به طور مؤثر ویژگی‌های رفتاری رانندگان را آموخت (Chen, Zhao, Zhang, Rong, & Liu, 2019). با این حال، اگرچه این تحقیقات روشی برای شناسایی توقف‌های کامیون و الگوهای رانندگی ارائه می‌دهند، اما بینشی در مورد سایر ویژگی‌های عملیاتی مانند بار موتور و مصرف سوخت ارائه نمی‌دهند. اینجاست که ادغام سایر داده‌های OBD غیرمکان می‌تواند درک جامع‌تری از عملیات کامیون ارائه دهد.

به طور خلاصه، از نظر حجم داده‌ها، در حالی که مطالعات قبلی هر کدام روش‌های پردازش داده‌های آزمایش‌شده را توسعه داده‌اند، اما آنها به طور کامل روی نمونه‌های بزرگ داده آزمایش نکرده‌اند، بنابراین نتیجه‌گیری‌های آنها نمی‌تواند عملیات را در سطح ناوگان توصیف کند. و تغییر در حجم داده‌ها اغلب منجر به تغییر در درک مسئله می‌شود، که یک مشاهده‌ی به طور گسترده پذیرفته شده است که رویکرد تحقیقاتی مبتنی بر داده‌های نمونه کوچک را از الگوی تحقیقاتی متمرکز بر داده‌های بزرگ متمایز می‌کند (Diao et al., 2009; Hariri, Fredericks, & Bowers, 2019). وقتی صحبت از معیارهای مورد بررسی می‌شود، مطالعات قبلی تمایل به بررسی یک شاخص خاص داشته‌اند و نتیجه‌گیری‌ها طیف وسیعی از موضوعات را پوشش نمی‌دهند، بنابراین نمی‌توانند به طور مؤثر ویژگی‌های عملیاتی جامع وسایل نقلیه را ثبت کنند. در مورد بازه زمانی داده‌ها، مطالعات قبلی تأثیر زمانی عملکرد خودرو را درک نکرده‌اند و فقط داده‌های عملکرد خودرو را در یک دوره زمانی خاص، مانند چند هفته یا حتی چند روز، بررسی کرده‌اند و به دلیل ویژگی‌های فصلی آشکار عملکرد خودرو (هائو، وانگ، لین و اویانگ، 2020؛ شو و همکاران، 2015)، درک کلی از عملکرد خودرو دشوار است، که به نوبه خود بر قضاوت در مورد تدوین سیاست تأثیر می‌گذارد.

بر اساس چشم‌انداز تحقیقاتی فعلی، هدف مطالعه ما تجزیه و تحلیل ویژگی‌های عملیاتی HDTها در سطح ناوگان است. ما تلاش می‌کنیم تعداد زیادی از نمونه‌های HDT را با داده‌های OBD بلندمدت ادغام کنیم، به جنبه‌های مکانی داده‌ها توجه دقیق داشته باشیم و از پوشش گسترده حوزه آن به طور کامل استفاده کنیم. هدف ما توسعه مجموعه‌ای جامع از ویژگی‌های عملیاتی برای HDTها است. به طور خاص، سوالات تحقیقاتی ما به شرح زیر است: (1) آیا توسعه یک گردش کار برای استخراج ویژگی‌های عملیاتی HDTها بر اساس الگوی تحقیقاتی کلان داده امکان‌پذیر است؟ (2) کاربرد داده‌های OBD در مطالعه ویژگی‌های عملیاتی HDT چیست؟ (3) HDTهای چینی چه ویژگی‌های عملیاتی را در سطح ناوگان از خود نشان می‌دهند؟

مطالعه ما دو سهم در ادبیات و کاربردهای عملی دارد. اول، ما چارچوبی برای توصیف عملیاتی HDTها بر اساس الگوی کلان داده ایجاد کردیم که می‌تواند روشی برای استخراج اطلاعات و دانش بر اساس داده‌های OBD ارائه دهد. دوم، ما ویژگی‌های عملیاتی HDTها را در سطح ناوگان بر اساس داده‌های نظارتی واقعی استخراج کردیم که می‌تواند درک ویژگی‌های عملیاتی HDTها را برای حوزه تحقیقاتی حمل و نقل عمیق‌تر کند. مطالعه ما می‌تواند به عنوان مرجعی برای مطالعه الگوهای عملیاتی HDTها بر اساس کلان داده عمل کند و مبنایی برای بهینه‌سازی تصمیمات سیاستی مرتبط با عملکرد آنها فراهم کند.(منبع).