Sequoia: Smart maintenance optimization via big data & fault tree analysis

Kan men de betrouwbaarheid van de (Nederlandse) spoorwegen verbeteren en het aantal verstoringen verminderen? Wij denken dat we dat kunnen, door gebruik te maken van geavanceerde data-analysetechnieken.

De kerngedachte is om nieuwe technieken te ontwikkelen om het faalgedrag van spoorwegelementen te leren met behulp van machine learning technieken, en meer informatie te krijgen over de veroorzakende factoren.

Met behulp van deze informatie kunnen we een spoorelement repareren of vervangen vlak voordat het faalt, waardoor de geplande en ongeplande stilstand van de spoorlijn wordt verminderd. Aangezien het succes van big data analytics in belangrijke mate afhankelijk is van een effectieve combinatie met domeinkennis, integreren we machine learning met bestaande en nieuwe algoritmes voor foutenboomanalyse, een prominente techniek in reliability engineering om de verspreiding van fouten door een systeem weer te geven.

We zullen nauw samenwerken met ProRail, de Nederlandse spoorbeheerder, en NS/NedTrain, het onderhoudsbedrijf van het rollend materieel, en we zullen vier urgente systemen analyseren: het slijpen van het spoor, de SprinterLightTrain, het contact tussen trein en wiel en trein en trein-infra systemen.

Meer informatie
Titel project: Sequoia: Smart maintenance optimization via big data & fault tree analysis

Programma: Commit2Data-Programma

Organisatie: NWO

Looptijd: t/m 2012

Partners: Universiteit Twente Faculteit der Elektrotechniek, Wiskunde en Informatica (EWI) Formal Methods and Tools

Contactpersoon
Dr. M.I.A. Stoelinga

Nieuwsbrief

Schrijf u in voor onze nieuwsbrief en blijf op de hoogte van het laatste nieuws over Commit2data