AI-driven Automotive Service Market: Towards more Resource-Efficient and Sustainable Vehicle Maintenance

hh.sePublications

Simple search

Advanced search -
Research publications Advanced search -
Student theses Statistics

Change search

ExportLink to record

Permanent link

Direct link

https://hh.diva-portal.org/smash/project.jsf?pid=project:3159

BETA

Project

Project type/Form of grant

Project grant

Title [sv]

AI-driven Automotive Service Market: Towards more Resource-Efficient and Sustainable Vehicle Maintenance

Title [en]

AI-driven Automotive Service Market: Towards more Resource-Efficient and Sustainable Vehicle Maintenance

Abstract [sv]

Syfte och mål:Fordonsindustrin måste bli mer resurseffektiv och hållbar. Volvokoncernen är stolt över att kunna leverera kompletta transportlösningar, från fordon som passar för alla uppgifter till tjänster som håller fordonen igång effektivt. Det kan bara uppnås genom att förutse var och när en reservdel kommer att behövas och leverera den delen till rätt region innan behovet ens uppstår, vilket minskar kostnaderna och ökar servicenivåerna. Effektiv resursanvändning för att tillhandahålla rätt delar på rätt plats och vid rätt tidpunkt kräver ny prediktiv logistik.Förväntade effekter och resultat:Hållbara transporter kräver nya ML-baserade, flexibla och gröna tjänster som minskar resursutnyttjandet och kostnaderna samtidigt som kundnöjdheten ökar och konkurrensfördelarna bibehålls. Högre förutsägbarhet ger möjligheter till bättre systemförståelse, storskalig optimering, kvalitetsövervakning, datadrivna beslut och mer miljövänliga transportkanaler. Vi kommer att förbättra hållbarheten på eftermarknaden för tunga fordon genom att minska tre aspekter: brådskande transportbeställningar, transporter fram och tillbaka och skrotning av delar.Upplägg och genomförande:Projektpartners är Volvo Service Market Logistics, Rejmes Transportfordon och CAISR Högskolan i Halmstad. Med mer tillgänglig data kan AI och ML bidra till att minska klimatutsläppen och energiförbrukningen genom effektivare resursanvändning i eftermarknadsverksamheten för fordon. AIM-TRUE fokuserar på att använda nya metainlärningsverktyg för att förbättra de tjänster som tillhandahålls av Volvokoncernen. Vi kommer att utnyttja ML för att bättre förstå de faktorer som påverkar tillgängligheten av delar och möjliggöra individualiserade strategier för lagerstyrning.

Abstract [en]

Purpose and goal:The automotive industry must become more resource-efficient and sustainable. Volvo Group is proud to deliver complete transport solutions, from vehicles suited for any task to services that keep the vehicles running efficiently. It can only be achieved by anticipating where and when a spare part will be needed and delivering that part to the correct region before this need even arises, thus reducing costs and increasing service levels. Efficient resource use in providing the right parts at the right place and time requires novel predictive logistics.Expected results and effects:Sustainable transport requires new ML-based, flexible, green services that reduce resource utilisation and costs while increasing customer satisfaction and maintaining a competitive advantage. Higher predictability provides opportunities for better system understanding, large-scale optimisation, quality monitoring, data-driven decisions, and more environmentally friendly transport channels. We will improve heavy-duty aftermarket sustainability by reducing three aspects: urgent transport orders, back-and-forth haulage, and part scrapping.Approach and implementation:Project partners are Volvo Service Market Logistics, Rejmes Transportfordon and CAISR at Halmstad University. With more data available, AI and ML methods can help to reduce climate emissions and energy consumption through more efficient use of resources in vehicle aftermarket operations. The AIM-TRUE project focuses on using novel meta-learning tools to improve the services provided by Volvo Group. We will leverage ML to understand better the factors affecting parts availability and enable individualised inventory control policies.

Principal InvestigatorNowaczyk, Sławomir Halmstad University, School of Information Technology, Center for Applied Intelligent Systems Research (CAISR)