Zet machine learning in voor voorspellend spooronderhoud
Tijdens de Intelligent Rail Summit 2018 in het Zweedse Malmö geeft manager Advanced Analytics Dirk Bothof op donderdag 29 november een presentatie over het model dat Asset Insight heeft ontwikkeld. Bezoek de conferentiewebsite voor meer informatie. Vooruitlopend op deze conferentie interviewt SpoorPro Dirk Bothof en publiceert dit in SpoorPro op 23 oktober 2018.
Efficiënter onderhoud spoornetwerk
Spoorgeometrie is, kort gezegd, hoe en waar het spoor ligt. Het betreft alle kunstwerken, zoals tunnels en bruggen, maar ook waar stations liggen en welke objecten in de directe omgeving zijn van het spoor. Doordat treinen over het spoor heen rijden, wil het spoor nog weleens ‘bewegen’ als het ballast dat ook doet. Dan ligt de rails door trillingen bijvoorbeeld net even iets dichterbij het perron dan eigenlijk de bedoeling is, waardoor een trein te dicht op de perronrand staat, of juist andersom.
Als de spoorbeheerder van te voren weet hoe het spoor zich gedraagt in het hele land en hoe het in de (nabije) toekomst ligt, kan er beter worden besloten waar het spoornetwerk extra aandacht nodig heeft en vooral ook wanneer.
Machine learning in spoorsector
Weten hoe het spoor zich gedraagt is belangrijk, omdat er alleen maar meer treinen gaan rijden. “De belasting van het spoor neemt toe,” zegt Bothof. “Per saldo hebben spoorbedrijven minder tijd voor onderhoud. Het spoor moet goed liggen. Als je het onderhoud goed wil plannen, is het minder belangrijk te weten hoe het nu ligt, maar juist waar het in de toekomst niet goed ligt.” Dat levert vervolgens voordelen op voor de spoorsector. “Het zorgt ervoor dat je onderhoud pleegt waar het nodig is, dus dat het onderhoud efficiënter wordt en dat leidt tot een hogere beschikbaarheid van het spoor.”
Asset Insight, een bedrijf dat zich bezighoudt met meet- en inspectiediensten voor onder andere de spoorsector, heeft een model gemaakt dat gebruikt maakt van machine learning: het programma leert zichzelf hoe het spoor verzakt. Machine learning werd tot voor kort nog niet veel gebruikt in de spoorsector, maar nu is het ‘booming’, zegt Bothof. “Het is heel handig in het spoor. Zo voorkom je dat kosten stijgen, want je pleegt gerichter onderhoud.”
Zelflerend model
Door data uit de geschiedenis te bekijken, kan een zelflerend model gebouwd worden dat voorspelt hoe het spoor er in de toekomst uit ziet. Dit wordt handmatig bevestigd door middel van een meettrein om te controleren hoe accuraat het programma is. “Zo kunnen we meten hoe goed het programma voorspelt. We zien heel specifiek waar het goed in is en waar het slecht in is.”
Het spoor moet voor alle parameters binnen de grenzen liggen. Maar dan is de vraag: op welk moment pleeg je onderhoud? Ook daar kan het programma bij helpen. “Stel, de grens ligt op 0,4 afwijking, en de huidige afwijking is 0,39. Dan wil je misschien nog niet direct onderhoud plegen, want voor hetzelfde geld blijft het zes maanden lang zo liggen.” Het model geeft hier inzicht in. “Zonder het model had je het onderhoud al misschien gepleegd en had je dat voor niks gedaan. Dat is verspild geld.”
Computer en mens
Dat wil niet zeggen dat alles volledig afhangt van een computer. “We hebben tijdens de ontwikkeling van het programma samengewerkt met onze opdrachtgever en tussentijds aanpassingen gemaakt. We hebben gekeken naar hoe ons algoritme het onderhoud zou inplannen en hoe een mens dat zou doen. Dat kwam grotendeels overeen, behalve dat er andere prioriteiten werden gegeven. Bovendien kan het programma het juiste tijdsinterval veel specifieker berekenen.”
En daar zit het voordeel van het model in: niet in waar je onderhoud moet doen, maar vooral waar de prioriteit gelegd moet worden. “Het helpt bepalen waar een spoorbeheerder zijn aandacht op moet richten.”