De uitdaging
Onvoorziene wisselstoringen kosten treinreizigers veel tijd en brengen veel kosten met zich mee voor spoornetbeheerders.
Onvoorziene wisselstoringen kosten treinreizigers veel tijd en brengen veel kosten met zich mee voor spoornetbeheerders.
Arcadis en Asset Rail ontwikkelden een geavanceerde tool waarmee wisselstoringen te voorspellen zijn aan de hand van storingsprofielen. Dit maakt preventief onderhoud mogelijk, wat leidt tot minder problemen op het spoor.
Met goed werkende wissels zijn er veel minder vertragingen op het spoor, wat zorgt voor tevreden reizigers en vervoerders.
Onvoorziene wisselstoringen op het spoor zijn voor alle betrokken partijen zeer hinderlijk. Voor reizigers is het een belangrijke oorzaak van vertragingen, terwijl het voor spoornetbeheerders veel extra kosten met zich meebrengt. En dat terwijl ze steeds meer een operational excellence-strategie hanteren, waarbij meer doen met minder geld het devies is. Tegelijkertijd kan een stelselmatige bezuiniging op de lange duur juist leiden tot hogere kosten. Daarom is het belangrijk dat asset-intensieve organisaties hun gangbare bedrijfsprocessen voortdurend herijken en optimaliseren.
Voor beheerders van spoorwegen kan met name de reparatie van kapotte wissels flink in de papieren lopen. Daarom ontwikkelden Arcadis en Asset Rail een geavanceerde tool waarmee het mogelijk is om wisselstoringen te voorspellen. Door met de uitkomsten conditiegestuurd onderhoud te plegen aan verdachte schakelaars en wissels, voorkomt Asset Rail een belangrijke oorzaak van vertragingen voor de treinreiziger.
Vaak voorkomende wisselstoringen zijn te voorspellen door het meten en analyseren van elektrische stromen in de motor die de wissel bedient. Hiervoor is een model ontwikkeld dat is ‘getraind’ met gegevens uit het verleden. Deze trainingsdata zijn afkomstig van een geselecteerd aantal wissels en zijn over een periode van acht jaar verzameld. Vervolgens zijn ze samen met de technische gegevens geanalyseerd. Hierbij zijn verschillende data-analyse en machine-learning-technieken toegepast. Samen met Asset Rail heeft Arcadis met deze storingsprofielen een voorspellend model gemaakt dat doorlopend het gemeten profiel vergelijkt met eerder verzamelde data.
Op de tien wissels waarop het model is getest, zijn we in staat 40% van de storingen enkele dagen voor het optreden te voorspellen. Hierdoor kan er tijdig preventief onderhoud worden gepleegd aan het materieel. Met goed werkende wissels zijn er veel minder vertragingen op het spoor, wat zorgt voor tevreden reizigers en vervoerders.
Neem contact op en ontdek hoe wij jouw organisatie kunnen helpen de kwaliteit van leven te verbeteren.