05 september 2016

Strukton Rail: ‘Veel minder wisselstoringen mogelijk’

Digitalisering verandert de wereld razendsnel. De wereld van het spooronderhoud gaat mee in deze ontwikkeling. Het doel is het aantal storingen terug te dringen en daarmee de beschikbaarheid van het spoor te verhogen. De basis hiervoor ligt in de diagnose: het continu monitoren van de huidige status van het spoor,. Door gebruik te maken van big data technieken en kunstmatige intelligentie wordt nu de stap gezet van diagnose naar prognose, het voorspellen van toekomstige storingen. De onderhoudsengineers van Strukton Rail en de big data-analisten van Anchormen zijn samen de uitdaging aangegaan om een prognosetool te ontwikkelen. Voor het einde van het jaar moet een eerste applicatie operationeel zijn. De eerste resultaten laten zien dat mechanisch falen van wissels voorspelbaar is en hierdoor gerichter onderhoud mogelijk is. Strukton Rail stelt dat het met 'predictive maintenance' mogelijk is te komen tot 100% voorspelbaar onderhoud en het aantal technische storingen te halveren. De nieuwe prognosetool sluit aan bij de ontwikkeling van Strukton naar internationale service en technology provider.

Aan de beschikbaarheid van het spoor worden steeds hogere eisen gesteld. Het spoor wordt steeds drukker bereden, waardoor storingen zich als een olievlek over de dienstregeling uitbreiden. Ook is er steeds minder tijd beschikbaar om onderhoud te plegen.

Spoorbeheerder ProRail werkt met prestatiecontracten, en stimuleert daarmee serviceproviders die het spoor onderhouden voortdurend scherp te letten op de prijs en kwaliteit van hun dienstverlening. Als een serviceprovider beter presteert dan de afgesproken norm voor storingen, krijgt hij een bonus. Presteert hij slechter, dan krijgt hij een boete voor elke extra storingsminuut. “Het is dus belangrijk om potentiële faaloorzaken zo vroeg mogelijk op te merken en te verhelpen voordat zij daadwerkelijk tot een storing leiden”, zegt David Vermeij, manager R&D bij Strukton Rail, het bedrijf dat 35 procent van het Nederlandse spoor onderhoudt en ook internationaal actief is met vestigingen in Zweden, Denemarken, België, Italië, Australië en Amerika.

Minder wisselstoringen

De afgelopen jaren is het onderhoud aan het spoor al aanzienlijk verbeterd. Het aantal storingen neemt gestaag af door de introductie van nieuwe onderdelen, meet- en monitoringsystemen en integraal onderhoud. Toch vormen wissels nog altijd een van de belangrijkste oorzaken van vertragingen op het spoor. Een wissel gaat gemiddeld nog maar één keer per jaar defect. Het zijn echter vaak kritisch gelegen wissels die vaker storing geven en tot hinder leiden. Strukton Rail en Anchormen tonen aan dat het nog veel beter kan.

Maar hoe? Klakkeloze uitbreiding van het onderhoud is in elk geval niet de oplossing voor het probleem van haperende wissels. Immers: onderhoudsmomenten zijn schaars en kosten ook geld, voortijdig vervangen van veelal kostbare onderdelen is pure verspilling. De prijs van minder storingen wordt op die manier duur betaald. Wat dan wel de oplossing is? Het inzetten van big data en kunstmatige intelligentie voor voorspelbaar onderhoud (of ‘predictive maintenance’). Die oplossing leidt volgens Strukton Rail tot een hogere beschikbaarheid van het spoor tegen lagere kosten.

Efficiënter onderhoud

Strukton Rail maakt voor het onderhoud gebruik van het in huis ontwikkelde monitoringsysteem POSS® (Preventief Onderhoud- en Storingsdiagnosesysteem Strukton), dat de status van wissels continu bewaakt. Ongeveer de helft van de 3.000 wissels die Strukton Rail in Nederland onder zijn hoede heeft, en wereldwijd zelfs 10.000 wissels, zijn uitgerust met POSS® sensoren die data registreren over het energieverbruik van de wisselmotoren bij het omlopen van het wissel. Onregelmatigheden in het energieverbruik kunnen een teken zijn dat er een storing aankomt en dat er onderhoud nodig is. POSS® heeft wereldwijd al tot een flinke reductie van het aantal wisselstoringen geleid.

De combinatie van POSS® en vergelijkbare meet- en monitoringsystemen met big data en kunstmatige intelligentie zal de resultaten nog verder verbeteren. Het systeem geeft al automatisch een waarschuwing als een wissel teveel energie verbruikt. Dit gebeurt echter vaak pas kort voordat de storing zich voordoet, met als gevolg dat onderhoudswerkzaamheden niet meer regulier kunnen worden ingepland.

Strukton Rail ontwikkelt samen met Anchormen een applicatie die de data van het energieverbruik 'real time' monitort en analyseert, op basis waarvan wisselstoringen worden voorspeld. Een computermodel kan op basis van patronen uit historische data afwijkend gedrag herkennen, voordat deze daadwerkelijk waarneembaar is. Door te leren welk gedrag bij een bepaald type storing hoort, kan deze dit gedrag in een vroeg stadium herkennen en een waarschuwing geven. Er kunnen vervolgens, zonder hinder van het treinverkeer, gericht onderhoudsacties worden genomen om het daadwerkelijk optreden van de storing te voorkomen. Testresultaten tonen aan dat een aanzienlijk deel van de storingen al tot twee weken vooraf met een hoge mate van betrouwbaarheid kunnen worden voorspeld. “De ambitie van ProRail is om te komen tot 0 vermijdbare storingen; onze nieuwe applicatie kan hier een significante bijdrage aan leveren”, aldus Vermeij.

Prognosetool

Strukton Rail gaat POSS® uitbreiden met een prognosetool, waarmee dreigende storingen worden voorspeld. De toepassing is niet alleen geschikt voor het Nederlandse spoor, maar kan ook in het buitenland worden gebruikt. "Voor het einde van het jaar hebben we een eerste applicatie operationeel", zegt Vermeij.

Krachtige combinatie

In 2015 hebben Strukton Rail en Anchormen met succes een pilot afgerond om tot een model te komen dat wisselstoringen kan voorspellen. Inmiddels hebben beide partijen een testomgeving gebouwd. Een Artificial Intelligence (A.I.) Team van Anchormen ontwikkelt de specifieke features en algoritmes. Strukton Rail levert de data en kennis over de werking van wissels. De combinatie van de twee bedrijven is krachtig omdat ze elk hun eigen expertise inbrengen, zegt Jeffrey van der Eijk, partner bij Anchormen. "De data scientists van Anchormen hebben een achtergrond in A.I. en programmeren, de onderhoudsengineers van Strukton Rail zijn inhoudelijk deskundig."

Anchormen heeft altijd een voorkeur om beide domeinen te verenigen, en streeft daarbij partnerships na. "Het is mogelijk om enkel met zelflerende algoritmen computers te trainen wanneer er onderhoud nodig is. Maar zo'n systeem zal altijd minder goed presteren dan wanneer er domeinexperts bij betrokken worden. In dit geval: mensen die weten hoe en waarom een wissel kan storen, die weten welke data je nodig hebt om specifieke storingen te kunnen voorspellen", zegt van der Eijk. Hij krijgt bijval van Vermeij: "Een zelflerend systeem heeft veel faaldata nodig voordat het betrouwbare voorspellingen doet. Tot dan zal het regelmatig verkeerde waarschuwingen geven. Dat is voor ons veel te kostbaar en bovendien zullen storingsmonteurs en treindienstleiders een volgende keer niet meer meewerken als blijkt dat ze voor niks zijn opgeroepen en er niks aan de hand is. Een voorspelling dient dus vooral betrouwbaar te zijn en de juiste info aangaande de oorzaak te geven zodat een onderhoudsploeg gericht kan worden aangestuurd. Daarvoor heb je zowel data als domeinkennis nodig."


Platinum Sponsor
Gold Sponsors
Mediapartners
Dutch IT-channel WINMAG Pro Retailtrends European Data Forum 2016, 29-30 June Eindhoven ICT/zorg DataFloq BI-Platform ICT Magazine Frankwatching Executive-People