Voorspellend onderhoud door combineren van data

8 november 2018

Het slim combineren van data van ongebruikelijke bronnen kan nieuwe inzichten geven in de operatie van spoorvervoerders. Dat vertelde collega Jillis Mani op 11 oktober tijdens de InTraffic-workshop op BusVision 2018 in Expo Houten.

Mani gaf een workshop over het gebruik van data om het onderhoud aan materieel en infrastructuur van het openbaar vervoer, zoals tram- of treinvervoer, beter te voorspellen. Volgens Mani is het belangrijk om daarvoor relaties te leggen tussen verschillende datasets zoals die van infrastructuur en voertuigen. “Het gaat om de voorspellende waarde van data. De databron van de een, kan inzichten bieden in de operatie van de ander. We zouden binnen de sector daarom meer data moeten delen.”


Voorkomen in plaats van genezen

“Als je data combineert kan de vervoerder bijvoorbeeld zien dat er een extra capaciteitsaanvraag aankomt en kan deze zijn inzet daarop aanpassen.” Op basis van dergelijke analyses kan ook de slag gemaakt worden naar preventief onderhoud. “Nu plegen we reactief onderhoud,” zegt Mani. “Je haalt een metro binnen als het nodig is. Maar we willen liever voorkomen dan genezen.” Data kunnen hierbij helpen. “Slim onderhoud gaat uiteindelijk om problemen zien aankomen. Hoe beter we dat kunnen inschatten, hoe kostenefficiënter onderhoud kan worden.”


Weet wat je meet

Het is daarbij van belang dat men weet wat er wordt gemeten en wat er vervolgens met de data kan worden gedaan. Mani neemt als voorbeeld een incident op 15 januari 2014 bij Hilversum. Een trein ontspoorde omdat een wissel omliep terwijl er een trein overheen reed. InTraffic bekeek in samenwerking met ProRail naar aanleiding van het incident bij Hilversum 7000 andere wissels en vond een aantal wissels waarbij hetzelfde dreigde te gebeuren.

InTraffic heeft daarna Landelijke Infra Monitoring (LIM) ontwikkeld samen met ProRail. Dat wordt door de spoorbeheerder gebruikt om wisselonderhoud slim in te plannen zodat storingen kunnen worden voorkomen.


Combineren van gegevens voor
voorspellend onderhoud

Willen we dit voor elkaar krijgen, dan is het wel belangrijk om gezamenlijk te starten met het analyseren en combineren van datasets, vindt Mani. “Door het combineren van gegevens uit allerlei bronnen, kan je dergelijke interessante inzichten halen.”

Lees het volledige interview met Jillis Mani op SpoorPro.


Lees meer over voorspellend onderhoud: