ProRail Laurens Koppenol & Paul van der Voort

September 2017 Paul van der Voort – programma manager

Laurens Koppenol – lead datascientist

Sector uitdagingen

Big data & het spoor

2

ProRail DataLab

Focus:

• Storingen voorspellen

• Tracking & tracing

• IoT sensoring

Spoorsector

Mogelijkheden

IoT Sensoring

3

EBI switch

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

9

Derdenstoringen

• 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

13

Derdenstoringen – Status

14

Derdenstoringen – Status

• Aanvulling dierenText mining & andere modellen

15

Derdenstoringen – Status

• Aanvulling dierenUpgrades dashboard

16

Derdenstoringen – Status

17

Uitdagingen bij overige projecten

!

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

22

Wisselstoringen

23

Wisselstoringen voorspellen

Telegraaf, 3 juni 2017

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):

[email protected]

Vragen?

Big data platform

27

PlatformHadoop

cloud

Open

source

Use

ModellingData-

preppingDashboardFeature

selection