Description

Hoe kunnen we zorgen voor minder treinvertragingen? Onderhoud speelt hierbij een cruciale rol: door spoorlelementen, zoals seinen, wissels en spoorstaven, tijdig te repareren of vervangen, worden defecten voorkomen, en daarmee ook treinstoringen.

Om dit onderhoud te verbeteren, willen we kijken naar big data in combinatie met modellen. Idee is om met big data analytics de belangrijkste faaloorzaken en -mechanismen te achterhalen: wat zijn de grootste veroorzakers van defecten: zware goederentreinen? optrekken en remmen van treinen? weersomstandigheden? etc. Omdat big data technieken voroal effectief zijn wanneer ze gekoppeld worden aan domeinkennis, willen we deze kennis inbrengen via modellen, ihb foutenbomen.

Centraal in deze opdracht staat de kwantificatie en kostenoptimalisatie van spooronderhoud. Doel is om het assetmanagement zo efficiënt en effectief mogelijk in te richten en bewust/kwantitatief te sturen op de levenscyclus van de assets. Hierbij worden treinvertragingen voorkomen door bijv. slimmer te herkennen wanneer een onderdeel dreigt te falen, terwijl kosten worden bespaard door ineffectief onderhoud te vermijden

In overleg kiezen we een geschikte casus, bv een wissel, spoorstaaf, etc. Taken hierbij zijn:

• Maak een model van de mogelijke stroringen / faalmechanismen. Hierbij maak je gebruik van foutenbomen (inclusief fault maintenance trees) en neurale netwerken.
• Kies een geschikte methode / algorithme voor big data analyse, bv Bayesian networks
• Kijk wat deze big data analytics je kan vertellen over de faalmechanismen en correlaties/verbanden daartussen

ARCADIS. Het onderzoek wordt uitgevoerd bij Arcadis, een ingenieursbureau met driehonderd professionals werkzaam in de railinfrastructuur. Kwantificatie van spooronderhoud en het optimaliseren van aard en frequentie van onderhoud i.r.t. de prestatie van de assets zijn een belangrijk ontwikkeldomein.