Real time voorspelling van kostbare wisselstoringen

Veel voorkomende wisselstoringen zijn te voorspellen door het meten en analyseren van elektrische stromen in de motor die de wissel bediend. Hiervoor is een model ontwikkeld dat is ‘getraind’ met gegevens uit het verleden. Deze trainingsdata komt van een geselecteerd aantal wissels die zijn over een periode van 8 jaar zijn verzameld  en samen met technische gegevens zijn geanalyseerd. Hierbij zijn verschillende data-analyse en machine learning technieken toegepast. Met specifieke technische kennis op railgebied zijn bepaalde typen combinaties van uitkomsten geïdentificeerd, die het meest tot storingen leiden. 

Samen met Asset Rail heeft Arcadis met storingsprofielen een voorspellend model gemaakt dat doorlopend het gemeten profiel vergelijkt met eerder verzamelde data. Op de tien wissels waarop het model getest is, zijn we in staat 40% van de storingen enkele dagen voor het optreden te voorspellen. Dit vormt de basis voor een voorspellend onderhoudsplan waarin wissels die een hogere risico-indicatie krijgen, versneld aan de beurt komen voor onderhoud.

Voorspellend onderhoudsplan

Alle soorten schakelfouten zijn geschikt om te analyseren en snel in een efficiënt voorspellend model te passen. De toegepaste programmeertaal kan het model trainen met een groot aantal variabelen uit een beschikbare databank. Het model maakt van de analyse ook duidelijke visualisaties. Dit vormt de basis om op een toegankelijke manier zonder handmatige inzet storingen te voorspellen en  te besparen op de uitvoering van risico-gestuurd onderhoud. 

Meer informatie over Asset Analytics

Bekijk ook onderstaand filmpje over Advanced analytics.

You have not accepted cookies yetThis content is blocked. Please accept cookies for 'Embedded videos'. You can do this here.

Arcadis Advanced Analytics from Arcadis on Vimeo.