La prévision des pannes est le résultat principal d'un système de maintenance prédictive.

Elle quantifie le risque futur d'une avarie.

Il ne s'agit pas d'une simple supposition, mais d'une prévision calculée basée sur l'analyse d'un large éventail de données.

Les données utilisées comprennent généralement : 1.

**Données Télématiques et de Capteurs :** C'est l'entrée la plus critique.

Elle inclut des informations en temps réel du bus CAN du véhicule, telles que le régime moteur, la température du liquide de refroidissement, la pression d'huile, la position de l'accélérateur et les codes d'erreur (DTC).

Des capteurs supplémentaires peuvent fournir des données sur les vibrations, l'acoustique et la température.

2.

**Données Opérationnelles :** Cela inclut des informations sur l'utilisation du véhicule, comme le kilométrage, les heures de fonctionnement, le poids des chargements et les types d'itinéraires (par exemple, ville contre autoroute).

3.

**Historique de Maintenance :** Les enregistrements des réparations passées, des remplacements de composants et des entretiens fournissent une base de référence précieuse pour l'état de santé d'un véhicule spécifique.

4.

**Données Environnementales :** Des facteurs tels que la température ambiante et l'humidité peuvent également influencer la durée de vie des composants et sont parfois inclus dans les modèles.

Les algorithmes de machine learning traitent cet ensemble de données pour identifier les corrélations et les schémas qui précèdent les pannes.

Le résultat est généralement une estimation de la 'Durée de Vie Utile Restante' (RUL) ou un score de probabilité de panne dans une période future, permettant aux gestionnaires d'intervenir avant que la panne ne se produise.