Minder treinen nodig door slimmer onderhoud

Steeds meer organisaties realiseren zich hoeveel waarde er zit in data die ze al jaren genereren, maar nooit real-time en in samenhang hebben geanalyseerd. Een van de toepassingsgebieden ligt op het gebied van asset management en maintenance. DB Cargo experimenteert met ‘het internet of big rolling things’. En die experimenten smaken naar meer, veel meer.

 

Dat er een duidelijke businesscase ligt, wist DB Cargo al voordat ze met de gestructureerde analyse startten van ‘machine data’. De transporttak van Deutsche Bahn heeft maar liefst 90.000 wagons en 3.500 locomotieven in beheer, die samen jaarlijks 3 miljoen ton aan goederen vervoeren. Het is de grootste spoorweggoederenvervoersmaatschappij van Europa. Marcus Gössl, project manager bij DB Cargo, vertelt op Splunk Conf2016 over het project TechLOK, gericht op slimmer onderhoud van locomotieven. “Wij hebben 3.500 locomotieven en hun gemiddelde leeftijd is 25 jaar. Alle locomotieven zijn uitgerust met diagnostische systemen. Gemiddeld telt een locomotief 2.000 sensoren. Ons doel is om in eerste instantie de 300 sensoren die de grootste voorspellende waarde geven of een locomotief onderhoud nodig heeft real-time uit te lezen.”

Eenvoudig is dat niet, want de it-infrastructuur in een voertuig van gemiddeld 25 jaar oud is niet van dien aard dat het een kwestie is van simpelweg doorsturen van data. Daarom is het team begonnen met de zeven meest moderne locomotieftypen, die allemaal beschikken over zelf-diagnostische systemen. De data uit deze systemen worden via het HTTPS- en MQTTS-protocol doorgestuurd naar Splunk, het centrale machine data platform van DB Cargo. Dit platform heeft momenteel vier gebruikersgroepen: fleet control, maintenance, engineering en operations. “Iedereen gebruikt dezelfde data voor een ander doel”, zegt Gössl. “Maar door wel allemaal daarvoor hetzelfde platform te gebruiken, weten we dat we allemaal uitgaan van dezelfde gegevens.”

 

Onderhoud voorspellen

Het belangrijkste doel bij de start van het project was beter voorspellen wanneer onderhoud nodig is. Gössl: “De onderhoudsjongens willen de hoeveelheid correctief onderhoud verminderen en vervangen door preventief onderhoud. Bovendien willen ze hun onderhoud beter plannen. Door vooraf de data van een locomotief te bestuderen, kunnen ze ervoor zorgen dat de onderdelen die vervangen moeten worden op voorraad zijn, dat ze het juiste gereedschap klaar hebben liggen enzovoort. Daardoor is de onderhoudsbeurt sneller klaar en is de locomotief dus weer sneller inzetbaar.”

De data die DB Cargo hiervoor gebruikt is nu nog behoorlijk rechttoe-rechtaan van aard. Ze werken met een eenvoudig waarschuwingssysteem dat alarmen genereert als sensordata aangeven dat een onderdeel aan vervanging toe is. “In de toekomst willen we voorspellende algoritmen gaan inzetten, maar zo ver zijn we nu nog niet. Een locomotief zit erg complex in elkaar. We weten nog niet half welke onderdelen invloed op elkaar hebben. Dat zijn we nu aan het ontdekken. Pas als we die correlaties kennen, kunnen we ze in een voorspellend algoritme stoppen. En als we eenmaal een eerste versie van zo’n algoritme hebben, kunnen we daarna machine learning inzetten om het steeds slimmer te maken. De ideeën daarvoor zijn er allemaal wel, maar we moeten nog heel wat stappen zetten voordat we daar zijn.”

In de tussentijd bespaart DB Cargo al veel geld met het real-time uitlezen van sensordata. “We zien van de meeste vitale onderdelen vrij nauwkeurig hoe ernstig de slijtage is”, vertelt Gössl. “We werken nu met eenvoudige beslisregels zoals: als dit probleem optreedt boven 20 km per uur dan moet er direct onderhoud plaatsvinden, en anders kan het even wachten en kunnen we onderhoud efficiënter plannen.”

 

Gericht advies

Een tweede terrein waarvoor sensordata wordt ingezet is operations. Deze afdeling gebruikt de data met name voor hun 24×7 technische hotline voor machinisten. Gössl: “Als er iets met een locomotief aan de hand is dan zocht de machinist voorheen altijd in een 800 pagina’s tellend handboek op wat het kon zijn en belde naar de hotline voor advies. De combinatie van de kennis en ervaring van de machinist en de operator aan de hotline bepaalde de aanbeveling. Die kan zijn: op deze en deze manier kun je het defect zelf repareren. Maar het kan ook zijn dat hij het advies krijgt om de locomotief richting werkplaats te rijden.”

Aan dat papieren handboek is een paar jaar geleden een tablet app toegevoegd, die interactieve hulp geeft bij het identificeren van het type storing en het oplossen ervan. Dat verbeterde de beslissingen, maar het grootste euvel werd er niet mee opgelost. Bij de helft van de bezoeken aan de werkplaats bleek namelijk dat er niets stuk was, maar dat het bewuste onderdeel gewoon even moest worden schoongemaakt. “Dat percentage daalt nu de hotline het advies kan aanvullen met real-time data van sensoren”, zegt Gössl. “De operators aan de hotline kunnen nu zien of onderdelen versleten zijn en of er andere indicaties zijn of een locomotief echt kapot is of alleen moet worden schoongemaakt. Vroeger waren er veel situaties waarin we niet zeker wisten wat er aan de hand was. En dan nemen we het zekere voor het onzekere. Veiligheid is in onze branche immers heel belangrijk. Nu we meer inzicht hebben, halen we dus direct een hogere bezettingsgraad op onze locomotieven.”

 

Planning voertuigen

Een derde gebied waar DB Cargo het machine data platform voor gebruikt is fleet control. Daarvoor linken ze data over de conditie van het spoor aan weersinformatie en koppelen dat aan de conditie van een locomotief. Gössl legt uit dat ze aan de hand daarvan een Health Index per locomotief hebben die verandert als de omstandigheden veranderen. “Net zoals bepaalde groepen mensen in de winter gevoelig zijn voor griep, is het met locomotieven ook zo dat de ene gevoeliger is voor slechte weersomstandigheden en bladeren op het spoor dan de andere. Al die informatie tezamen bepaalt de inzetbaarheid van locomotieven.”

Een ander dashboard geeft de storingen per regio weer. Gössl wijst naar een kaartje van het Ruhrgebied. “Je ziet hier dat in dit gebied er vaker storingen zijn. Wij onderzoeken of dat te maken kan hebben met de kwaliteit van het spoor, zodat we de spoornetbeheerder kunnen waarschuwen.”

Fleet control regelt ook de planning van het preventieve onderhoud. Door analyse van de sensordata kunnen zij een realistische voorspelling maken welke locomotieven het eerst zullen uitvallen en welke dus voorrang krijgen in de werkplaats. Op basis daarvan kan ook de onderhoudscapaciteit beter worden gepland.

Een laatste groep die de sensordata gebruikt zijn de engineers. Zij houden zich vooral bezig met route cause analysis, vertelt Gössl. “Met failure code monitoring krijgen we inzicht in veelvoorkomende storingen. We proberen die storingen nu te linken aan informatie uit de sensoren: welke correlaties liggen er? Dus welke factoren veroorzaken storingen en kunnen wij wellicht iets ontwikkelen waarmee we een oorzaak kunnen wegnemen of de invloed ervan kunnen verkleinen?” Hij laat een voorbeeld zien van een dashboard dat het energiegebruik weergeeft. We zien het gemiddelde energieverbruik voor locomotieven van een bepaald type afgezet tegen het gebruik van één specifieke locomotief. “We zien in één oogopslag welke locs meer energie verbruiken. We zetten dat af in de tijd. Zijn er bijvoorbeeld omstandigheden waaronder deze locomotief slechter presteert? Onze engineers gaan daar vervolgens mee aan de slag om oplossingen te bedenken.”

 

Klein team

Eind 2016 verwerkt DB Cargo data van 90 locomotieven. Het gaat in totaal om 22.000 datapunten per locomotief per dag. Gössl: “Dat is best veel data. Daarom beginnen we klein. Nu kunnen we nog makkelijk veranderingen aanbrengen in de architectuur. Als we straks data van alle 3.500 locomotieven verwerken, is dat een stuk lastiger.”

DB Cargo plukt zelfs in deze kleine pilot al grote vruchten, en dat met een klein team. “Het ontwikkelteam is deels intern en deels extern en bestaat uit zeven it’ers en drie businessmensen”, aldus Gössl. “We hebben voor Splunk gekozen omdat je ook als niet-techneut heel goed met dit platform overweg kunt. Dat is belangrijk, want we willen de gebruikersgroepen in de toekomst uitbreiden. Het is voor ons dan ook een hele mooie ontwikkeling dat we straks onze vragen in gewone mensentaal kunnen invoeren en dat de software zelf bedenkt welke data daarvoor geanalyseerd moet worden. Dat betekent dat straks iedereen binnen DB Cargo vragen kan stellen aan het platform. Het is nu nog een klein project dat we met een beperkt aantal mensen draaien, maar het moet straks een van de leidende platformen worden binnen onze organisatie. Zeker als we ook een integratie maken met ons ERP-systeem en als we nog meer data van derden binnenhalen, zoals data van verladers. Ik heb er echt grote verwachtingen van.”

 

 

In ICT/Magazine 11 2016 schreven we over de enorme vlucht die analytics op basis van machine data gaat nemen. In drie vervolgartikelen gaan we dieper in op de toepassingsgebieden van asset management, het verbeteren van de customer experience en het beter inrichten van de openbare ruimte.