Alv har bidratt til at Bane NOR har tatt i bruk maskinlæring og kunstig intelligens til å gå fra reaktivt til prediktivt vedlikehold av Norges jernbanelinjer

Bane NOR har sammen med Alv etablert en pipeline som henter data fra ulike mobile sensorer og lagrer disse i en lakehouse-arkitektur i skyen. Dette gjør det mulig å gjøre vedlikehold av det norske jernbanenettverket smart og prediktivt, ved bruk av avansert dataanalyse og maskinlæring. Den første analyse use-casen som ble etablert var fraktalanalyse for å overvåke ballast og underbygningstilstand. Fraktalanalysen er en innovativ algoritme for prediktivt vedlikehold, designet ved TU Graz.

Norges jernbanenettverk består av rundt 4 200 km med normalspor. Bane NOR sitt samfunnsoppdrag inkluderer å drifte og vedlikeholde det nasjonale jernbanenettet. En av flere måter Bane NOR overvåker infrastrukturen på, er ved bruk av målevognen Roger 1000 for å måle sporgeometrien. Målevognen har en rekke sensorer og i løpet av en kampanje, altså en runde over alle Norges jernbanespor, genereres omtrent 2 TB med måledata.

Figur 1. Målevogn R.O.G.E.R. 1000 er en av de viktigste kildene til at Bane NOR avdekker feil i sporene, og at de holder kontroll på sporets tilstand.

Tradisjonelt har Bane NOR jobbet etter en reaktiv prosess, hvor avdekkede feil er blitt klassifisert, håndtert og rettet. Alv har de siste årene bidratt til at Bane NOR i større grad kan gå over til en prediktiv modell, hvor slitasje og feil kan rettes før de oppstår, noe som kan ha stor påvirkning på Bane NORs evne til å holde toglinjer åpne og dermed holde tog i rute.

Løsning

Før man kan drive med avansert analyse, maskinlæring eller kunstig intelligens er det avgjørende å sikre datakvaliteten. En av de største utfordringer med målingene produsert av Roger 1000 er posisjoneringen. For å kunne ta i bruk målingene fra Roger 1000 må disse kunne plasseres nøyaktig på riktig del av jernbanenettverk-topologien. En måte å få dette til på, er ved bruk av GPS-koordinater, men gitt norske geografiske forhold er ikke GPS-koordinater tilgjengelige konstant. Sammen med Bane NOR utviklet og implementerte Alv et sett algoritmer for å korrigere posisjonering av målingene når GPS-sensorer hadde lav nøyaktighet eller ikke var tilgjengelige. Algoritmene inkluderte et sett med regler definert av Bane NOR sine domeneeksperter og en implementering av et distribuert NNS (Nearest neighbor search) på PySpark.

Hvis man skal gå fra reaktivt til prediktivt vedlikehold, er tiden fra måling til analyse avgjørende. Alv bidro derfor med å definere og etablere en arkitektur og datapipeline for å automatisere datainnhentingen fra Roger 1000 til en skybasert data lakehouse i Azure Databricks. Datapipelinen inkluderte flere steg som inkrementell innhenting av nye målinger, standardisering av dataformater (Apache Delta tabeller) og schemas, forenklet datavasking, samt forbedringen av posisjonering ved bruk av regler og avanserte algoritmer. Etableringen av datainnhentingspipeline gjør det mulig å få tak i målingene raskt etter at de er produsert av Roger 1000 og dermed åpne døra til sanntid innhenting av målinger i fremtiden.

ALV BIDRO DERFOR MED Å DEFINERE OG ETABLERE EN ARKITEKTUR OG DATAPIPELINE FOR Å AUTOMATISERE DATA-INNHENTINGEN FRA ROGER 1000 TIL EN SKYBASERT DATA LAKEHOUSE I AZURE DATABRICKS.

Slitasje av ballast og konsekvensene av svak undergrunn øker behovet for sporvedlikehold. Disse problemene reduserer levetiden til spor, og det krever et høyere vedlikeholdsbudsjett. Fraktalanalyse er en innovativ metode for å evaluere tilstanden til ballasten og undergrunnen, designet ved TU Graz.

Figur 2. Fraktalanalysen gir en metode for å måle ruheten til en overflate: med øktende fraktal dimensjon har overflaten en større ruhet.

Fraktalanalyse av den vertikale sporgeometrien, gjør det mulig for infrastrukturforvaltere å bestemme årsaken til sporuregelmessigheter ved å kvantifisere bølgelengdekarakteristikkene til de vanlige sporgeometridataene produsert av Roger 1000. Denne metodikken avgjør om ballasten eller underbygningens tilstand er årsaken til dårlig sporkvalitet.

Figur 3. Fraktalanalysen kan brukes på målevogns data (topp av figuren) for å finne årsaken til sporene ujevnhet. Nederst i figuren ser vi en illustrasjon av «longitudinal level» målingene som brukes i fraktalanalysen.

Som en del av prosjektet hos Bane NOR leverte Alv en parallellisert implementering av fraktalanalyse ved bruk av PySpark i Databricks. Analysen er gjennomført som et steg i en automatisert prosesseringpipeline. Denne pipeline er skalerbar og kan analysere tusenvis av målingskampanjer. Pipelinen har vært i bruk for å analysere de historiske målingene fra Roger 1000 i perioden 2018 – 2022 og er klar for å analysere nye målinger i fremtiden.

Verdi levert til Bane NOR

Prosjektet er langt fra ferdig, men allerede nå kan Bane NOR nyte godt av verdiene prosjektet har skapt. Tidligere tok det flere dager før Bane NOR fikk tilgang til, og kunne visualisere sensordata fra Roger 1000 og andre kilder. Gjennom oppsett av datainnhentingspipline er det i dag mulig med en tilnærmet umiddelbar tilgang til dataen. I tillegg er dataen fra flere kilder i dag samlet i en enhetlig plattform, noe som gjør dataene klare for maskinlæring og annen avansert analyse.

SMARTERE OG PREDIKTIVT VEDLIKEHOLD AV BALLASTEN HAR ET STORT SPARINGSPOTENSIALE.

Implementeringen av fraktalanalyse har gitt Bane NOR tilgang til en ny og smartere måte å predikere tilstanden til ballast og underbygg. Bane NOR har nå i tillegg tilgang til historiske data for perioden 2018 – 2022. Dette gjør det mulig å analysere utviklingen til infrastrukturen over tid. Smartere og prediktivt vedlikehold av ballasten har et stort sparingspotensiale.

Alv sin enhetlige tilnærming forenklet Bane NOR sin datastack ved å eliminere datasiloene som tradisjonelt skiller og kompliserer data engineering, avanserte analyser, datavitenskap og maskinlæring. Løsningen som er levert, er bygget på åpen kildekode og åpne standarder for å maksimere fleksibiliteten. Målingene fra Roger 1000, andre (sensor) datakilder, og resultatene fra ulike analyser, som blant annet fraktalanalysen, er nå tilgjengelig i en enkeltplattform som muliggjør raske iterasjoner og innovasjon.