ProRail Laurens Koppenol & Paul van der Voort
-
Upload
bigdataexpo -
Category
Data & Analytics
-
view
257 -
download
3
Transcript of ProRail Laurens Koppenol & Paul van der Voort
Sector uitdagingen
Big data & het spoor
2
ProRail DataLab
Focus:
• Storingen voorspellen
• Tracking & tracing
• IoT sensoring
Spoorsector
Mogelijkheden
Tracking & tracing
4
Testcontainer Kijfhoek
GPS data vervoerdersRFID tags & readers
Smart camera’s
Combineren diverse locatiebronnen
(treinen, wagens, containers)
Infrastoringen voorspellenInfra storingenDerdenWisselsTreindetectieSpoor: ligging + defectenOverwegEnergievoorziening
Infra
storingen
Derden storingen Wisselstoringen Spoorligging
Spoorstaafdefecten
PR
OJE
CT
EN
5
Treindetectie
DataLab = samenwerkingsverband
6
Stuurgroep
Innovatie ICT AM VL AMAM
Sensoring
Big data
Track&trace
Deta-vast 1 jr.
Dascience bureaus Wetenschap Spoorsector
DataLab werkwijze
Systeembegrijpen
Data achterhalen
Data bewerken
Analyseren
Modelmaken
7
Predictive modelling cyclus:
Scrum principes:
• Scrum team
• Sprints
• Standups en
scrumboard
• Sprint demo’s
September 2017 Paul van der Voort – programma manager
Laurens Koppenol – lead datascientist
Projecten
• Mensen of dieren langs het spoor
• Niet alleen gevaarlijk;
Zeer groot aantal treinvertragingen
• Diverse maatregelen, waaronder;
– Surveillance
– Hekken
– Cameratoezicht
Kan dit voorkomen worden doorvoorspellen van derdenstoringen?
10Bron: RTL Nieuws
Derdenstoringen - Probleem
11
Derdenstoringen – Aanpak
Risico bepaling per locatie per dag
1. In kaart brengen invloedsfactoren
2. Invloedsfactoren gebruiken voor voorspelling
3. Acteren adhv voorspelling
Derdenstoringen – Aanpak
12
Mensen:• Omwonenden
• Scholen, sportvelden• GGZ instellingen• Evenementen
Moment:• Weer
• Weekdag, tijdstip• Vakanties
Dieren:• Aanwezige dieren
• Type gebied
Inrichting spoor:• Stations
• Overwegen• Kunstwerken• Afscherming
Mensen/ dieren op het spoor
Bjisturingsproces
Infra gegevens met objectnaam A440BT
SAP equipments gegevens met objectnaam A440BT
WGM$A440B/CT SGRA$A440A/BT ?
Wat is juiste sectieID (PPLG$Elementnaam)
One switch or section has different naming in different systems.
Uitdaging - Koppelen diverse systemen
19
Uitdaging - pattern recognition
Het wissel loopt
door zijn frictie
Motor current
• Recognising patterns in normal and abnormal conditions
• Clustering of switches with similar patterns.
Oplopende omlooptijd
20
Uitdaging - correction of shifted data
Track
• Detection of measurement deviation
• Automatic correction by shifting curves tot the opimal fit (blocks of 50m track)
21
Uitdaging - detection of maintenance
Sudden deterioration (negative trend breach) Maintenance
Sudden improvement
+ maintenance window
= maintenance
24
• Omlooptijd (TROTS, Astris)
• Mislukte omlopen (TROTS, A.)
• Motorstroom (POSS, Flex)
• …
• Weer
• Onderhoud
• Wisseltype / hoekverhouding
• …
Wisselstoringen – ingrediënten
• Storingsmeldingen (SAP)
• Foutmeldingen (PRL)
• …
Conditie
Storing
Invloeden
>5000 wissels
enkele storingen per dag
25
Wisselstoringen - tussenresultaten
Random Sprint 3 Sprint 6 Sprint 8
Groepwissels
> 5000 wissels
2000 wissels
1 Wissel Enkeleclusters van 5-10 wissels
Precision <1% 20 % 90% 50%
Recall 20 % 60% 20%
Prototype
Dashboard:
Voorspellende waarde
(voorspelperiode 1-14 dagen):