Referenscase

AI-baserad analys av effektsamband på Malmbanan

AI-baserad analys av effektsamband på Malmbanan.

Kan AI-metoder där nya externa datakällor som t ex väderdata i kombination med kända interna data ge bättre prediktioner och lägga grunden för ett mer dynamiskt och tillståndsbaserat underhållsprogram inom järnvägstrafiken?

Det var i korthet den fråga som ställdes i detta projekt, och svaret på frågan var i korthet ja.

Genom att samla in, integrera, tvätta och förädla information från sju olika datakällor skapades en uppsättning mått som fångar 286 faktorer med potentiell påverkan på fel i spårväxlarna längs Malmbanan. Datakällorna var alltifrån felrapporteringsdata, växeltemperatur och snöloggar till rena väderdata. Med utgångspunkt i datan utvärderades maskininlärningmodeller för att se vilken modell som hade bäst förmåga att fastställa varje faktors förklaringsvärde för rapporterade fel.

Resultatet av förstudien var dels en rik datakälla för vidare analys, dels en sammanställning av de identifierade effektsambanden. AI-modellen som utvecklades visade sig därtill ha potential för att identifiera sårbara spårväxlar, kunna tidiga varningar och därmed skapa underlag för riskplanering utifrån olika scenarier. Sammantaget innebär projektens resultat ett steg på vägen mot ett mer tillståndsbaserat och proaktivt underhållsprogram.

Ämnen: Teknik & Innovation

Några av våra bästa case