Huidige onderhoudsbeslissingen zijn grotendeels gebaseerd op defectgebaseerde gegevens, zoals relatieve spoorweggeometrie. Het gebruik van deze data kan leiden tot een tunnelvisiebenadering van onderhoud, waarbij het symptoom wordt verholpen en niet de oorzaak. In deze EngD-studie is onderzoek gedaan naar het inzetten van andere datasets om meer inzicht en een beter begrip van het spoorgebruik te krijgen.
De spoorwegindustrie als transportsector sluit goed aan bij de doelen van het Klimaatakkoord van Parijs, zowel qua duurzaamheid als qua potentie om de grote steden in Europa met elkaar te verbinden. Wanneer het gaat om spoorwegen of enig ander type constructie, speelt onderhoud een belangrijke rol, zeker met de toenemende vraag naar en gebruik van het spoor. Nu, meer dan ooit, wordt het essentieel om een kader voor voorspellend onderhoud te creëren. Reactief onderhoud op een zeer drukbezette spoorlijn kan van negatieve invloed
zijn op bedrijven en veel reizigers.
Karim El Laham heeft voor zijn PDEng-studie onderzocht of het inzetten van andere datasets kan bijdragen aan een betere onderhoudsstrategie. Het project werd uitgevoerd in samenwerking met geodata-specialist Fugro, als belangrijkste belanghebbende, en een onderhoudsaannemer in Nederland als potentiële gebruiker. Ook is gebruikgemaakt van data die beschikbaar is gesteld door ProRail. Uitgangspunt was een big data-methodologie gebaseerd op variëteit, volume en snelheid (3V’s: variety, volume, and velocity).
De centrale onderzoeksvraag luidde: Hoe kunnen big data-methodologieën de besluitvorming over verdichtingsonderhoud verbeteren met behulp van sensoren uit de lucht, op het spoor en in de onderbouw, en helpen bij de overgang van een corrigerende/reactieve naar een preventieve/predictieve onderhoudsstrategie?
Slimme segmentatie
Standaard segmentatie van het spoor is gebaseerd op lengtes. In het onderzoek is een geautomatiseerde segmentatiemethode ontwikkeld diecontextuele gegevens van het spoor benut. Deze methode maakt het mogelijk om homogene datasets te creëren en rekening te houden met de ruimtelijke afhankelijkheden van de defecten. Bijvoorbeeld, op een overgang van een normaal spoor naar een brug (overgangszone), degradeert het spoor sneller. De vaste segmentatiemethode houdt hier geen rekening mee, terwijl slimme segmentatie dat wel doet. Deze methode heeft tot doel verschillende gelabelde assets op het spoor te creëren, elk met zijn eigen gedrag en gegevens. De constructiekenmerken en veel informatie over het spoor kwamen uit de database van ProRail.
De gegevens die de segmentatie bepaalden, zijn onder andere:
- Lokale snelheid
- Grondsoort van bodemkaart van Nederland
- Ballasttype
- Spoortype
- Speciale structuren (1-2s van lokale snelheid) zoals overgangszones
- Wissels en kruisingen
- Spoorwegdempers
- Uitzettingsvoegen
- Maximale sectielengte van 200m
Nadat de secties waren gecreëerd, zijn deze verrijkt met op tijd gebaseerde en meer structurele gegevens door gebruik van Fugro’s op de trein gemonteerde RILA-monitoringsysteem, zoals:
- Kromming (hoek)
- Zettinggegevens (interferometric synthetic aperture radar, InSAR), verstrekt door SkyGEO
- Geladen/ongeladen
- Tonnenmaat
- PGO- en CEN-normen
- Degradaties (snelheid van verandering per maand)
- Richting van treinreizen
The different sections are now line elements with different colors based on the contextual data that describe them. Each section will be enriched with temporal-based datasets using spatial aggregations or just linking with segment name, depending on the data type to be added.
Zodra alle datasets binnen de secties waren gekoppeld werd een dashboard gemaakt om de gegevens te visualiseren en nog meer trends af te leiden. Zo kan bijvoorbeeld de eerwaartse trend in tonnage als gevolg van COVID-19 snel binnen de grafiek worden waargenomen. De geladen/ongeladen-verschillen vertegenwoordigen lokale stijfheid, en op locaties zijn de verschillen hoog, zoals bij geïsoleerde blokvoeglocaties. Dit dashboard kan hun status visueel tonen. Andere elementen zijn de grenswaarden waarop tot onderhoud wordt besloten. Ook wordt de zettingssnelheid vanuit InSAR getoond.
Al deze elementen op één scherm kunnen veel onthullen over het spoor en zijn gedrag. Weging van kenmerken (machine learning-methode) konden de grootste oorzaken van degradatie uitlichten. In een casestudy van de spoorlijn Utrecht-Den Bosch speeldengeladen/ongeladen-verschillen een grote rol in degradatie, evenals maandelijkse belasting van het spoor, gemiddelde zetting vanuit InSAR en overgangszones. Probabilistische modellering voor elke gecreëerde sectie werd uitgevoerd om te linken naar de tijdsgegevens met behulp van scenario’s en Markov-ketenalgoritmen. Dit kan leiden tot betere besluitvorming met betrekking tot de toekomst.
Dashboard connecting all the section information into one screen. On the top left there is the sectioning information. Next to it, is a map where each section can be clicked on and the thresholds of PGO and CEN are very much linked to the section’s local velocity and update according to that. Below the map in the middle are the PGO contract datasets with the thresholds in yellow and red, plotted with respect to time. On the left of that are the CEN norm datasets.
The contour plot represents the target distribution and the red arrows are rejected samples, while the green arrows are accepted samples. These sample per section the possible data for next measurement campaigns in a probabilistic manner.
