• Services: Advanced Analytics
  • Sectoren: Rail en Public Transport

Voorspellend onderhoud spoorwissels

Nederland - Wisselstoringen zijn vaak de oorzaak van een treinvertraging. Door een datamodel dat pro-actief inzicht geeft in de wissels die een storing gaan geven en de periode waarin dit gaat gebeuren, past Asset Rail het onderhoud hierop aan en rijden er meer treinen op tijd.

30%

minstens 30% efficiënter

2 keer

zoveel aandacht aan kritieke wissels

Optimaal onderhoud door het voorspellen van wisselstoringen

Dit maakt voor ASSET Rail het onderhoud effectiever. Wissels met een hoog risico krijgen vaker onderhoud, waardoor het aantal storingen en dus de hinder afneemt, terwijl wissels met een laag risico minder onderhoud krijgen. Dit leidt uiteindelijk tot een besparing op onderhoudskosten. 


Hoe werkt het voorspellend data model?

Er zijn meerdere factoren in een wisselsysteem die van invloed zijn op een storing. De aantal keren dat een trein over een wissel heeft gereden, de productiedatum en het materiaal. Maar ook externe factoren worden meegenomen zoals de grondsoort en grondwaterstaat. Door de grote hoeveelheid aan technische gegevens over een periode van 5 jaar te vergelijken met het aantal storingen in diezelfde periode kunnen we voorspellen welke wissels problemen gaan veroorzaken. 

Met ASSET Rail zijn workshops georganiseerd om te bepalen welke gegevens bruikbaar, betrouwbaar en nauwkeurig zijn. Met de juiste datasets zijn patronen ontdekt waarmee storingen voor het opvolgende jaar visueel zijn weergegeven. Zo wijst Avanced Analytics bijvoorbeeld de meest kritieke wissels voor het volgende jaar aan die zorgen voor meer dan 60% van de storingen en 85% van de vertragingen. ASSET Rail kan hiermee onderhoud plegen aan die wissels die de grootste risico’s op storingen geven en hiermee kosten besparen. 

Wissels met een hoog risico krijgen vaker onderhoud, waardoor het aantal storingen en dus de hinder afneemt
Wissels met een laag risico krijgen minder onderhoud; besparing op onderhoudskosten
Voorspellend wisselonderhoud is onderhoud inplannen op de voorspelde toekomstige situatie
Het aantal en gewicht van de treinen hebben de meeste invloed op de storingen; slechts een halve storing per jaar voorspellen we onjuist

Omdat het advanced data model steeds meer data krijgt aangeleverd en hiermee steeds nauwkeuriger storingen kan voorspellen, wordt het onderhoud steeds efficiënter en goedkoper. Hierdoor wordt het zelflerende algoritme - Artificial Intelligence - over de tijd alleen maar beter. 

Meer informatie over asset analytics.

Resultaten

30%

minstens 30% efficiënter

2 keer

zoveel aandacht aan kritieke wissels

Vragen over dit project

Roland Dijkhuizen

Adviseur Data Analytics & Asset Management +31 (0)6 2706 1480 Stel mij een vraag