De laatste generaties aan treinen op de Europese rails bestaan uit een uitgebreid scala aan sensoren. Echter is het de combinatie van sensoren en Big Data die een wereld van mogelijkheden opent. Denk aan zelfrijdende treinen met automatische (ont)koppelende wagons, maar nog belangrijker, treinen die simpelweg altijd blijven rijden.
Het platform van ingebouwde sensoren in nieuwe locomotieven wordt steeds uitgebreider om naast operationeel voertuigmanagement ook afwijkingen te detecteren en te loggen. Op basis daarvan ongepland onderhoud voorspellen gaat echter nog een stap verder. Daarvoor moeten locomotieven alle verzamelde data over belangrijke treincomponenten draadloos gaan communiceren naar een centrale database in de cloud. Daar moet de actuele data in combinatie met historische data in near-real-time worden verwerkt om er met AI conclusies uit te kunnen trekken.
Waarom gebeurt dat nu nog niet op grote schaal? Daar zijn drie belangrijke redenen voor:
DB Cargo en SBB zochten precies om deze redenen naar een IT-oplossing om onverwachts onderhoud, uitval van treinen en potentiële schade te vermijden. We hebben vanuit onze expertise bij T-Systems een predictive-maintenance-strategie ontwikkeld en geïmplementeerd voor bepaalde treincomponenten die het hoogste risico op uitval geven. Een enkel probleem met een versnellingsbak of ander kritisch component kan leiden tot onverwachte uitval. Hierdoor mist de trein het geplande tijdslot op het spoor, moet er een vervangende locomotief komen, en de kapotte moet worden weggesleept en onverwachts gerepareerd – met alle bijbehorende extra kosten.
In de bestaande vloot hebben we tien exemplaren van hetzelfde type locomotief zodanig gemodificeerd dat er meer inzicht is in het gedrag van de trein gedurende normale operatie. Daarvoor hebben we de data ontsloten van treincomponenten die al werden gemonitord en bij andere componenten een sensorpakket geplaatst. Als tweede stap is er een telematicaverbinding geplaatst die de gemeten sensordata veilig versleuteld verstuurd naar een remote storage. Tenslotte is deze data geïntegreerd in de bestaande onderhoudsprocessen, in dit geval in een SAP-systeem.
De data wordt vervolgens met machine learning geanalyseerd en ingedeeld in normale en afwijkende waarden. Dit klinkt simpel, maar het aantal afwijkingen in de data is erg klein en daar waar een afwijking is kan de variatie in foutvormen groot zijn. Je wilt eigenlijk patronen herkennen die leiden
naar een fout en de werkelijk fatale fout voor zijn. Zo ontstaat uiteindelijk een early warning-systeem waarmee een trein gepland uit de routing kan worden genomen voordat hij werkelijk uitvalt. Het uiteindelijke falen van een stroomafnemer is bijvoorbeeld al anderhalve maand vooraf te detecteren door als indicator de hogere stroomafname. Het vervangen van dit component kun je vervolgens gaan inplannen in het reguliere onderhoud.
De projecten voor DB Cargo en SBB waren zeer succesvol. Het veilig ontsluiten van de sensordata is heel goed mogelijk, maar het invlechten in de bestaande bedrijfsprocessen is wel een essentieel onderdeel van deze implementatie. Op basis van een centraal real-time overzicht van de treinenvloot, met de status van de locomotieven en specifieke componenten, kun je het benodigde onderhoud gaan vervlechten in de dagelijkse processen van het onderhoudsbedrijf. Dit leidt uiteindelijk tot een reductie in materiaal- en personeelskosten en een toename in de beschikbaarheid van locomotieven.
Wil jij ook gaan experimenteren met het in near-real-time monitoren van jouw bestaande vloot? Wij hebben een reeks sensoren direct beschikbaar en de experts die je graag ondersteunen op basis van onze praktijkervaringen. Neem contact op of ontmoet ons tijdens onze round table op het IoT and Big Data in Rail-event op 17 en 18 mei in Keulen, waar we in een panel zitten met De DB casus.
