应用数据科学预测航迹退化

ProRail负责荷兰整个铁路网的建设、维护、管理和安全．作为一个独立的党派，ProRail在不同的运营商之间分配可用的铁路运力，管理所有的火车交通，建造和管理车站，铺设新轨道。此外，ProRail维护现有的轨道、开关、信号和水平道口。所有这些使荷兰每年运送152亿人次旅客和4200万吨货物成为可能。

ProRail通过铁路连接人们、城市和公司，未来还将继续这样做。我们使旅行愉快，我们使可持续交通．我们的铁路绵延7000多公里，每天有100万次旅行，超过10万吨货物通过我们的铁路到达目的地。

促进经济增长

在荷兰，我们预计(到2030年)这两个数字将增长约30%乘客而且货物通过我们的铁路网络运输。我们希望以可持续的方式促进这种增长。

预计铁路管理局将提前15至20年提供维护铁路网的财务要求和计划。我们是根据现时的铁路网结构，结合理论上的寿命，制订这些长远计划的。理论寿命在我们的连续性政策中定义。预期的更换年限是通过将理论寿命与安装年限相加来计算的。这种方法的一个缺点是资产可能比技术上需要的更早被替换。

作为铁路管理公司，ProRail一直在寻找改善其资产维护和流程的方法。为了实现这一点，必须能够在任何时候都知道资产位于何处以及它们的状况如何。为了实现这一目标，我们在网络中使用了最新的技术，如图像识别算法和智能传感器。

无论是过去还是现在，对铁路网络的位置和状况有了高质量的了解，就有可能更积极地展望未来。我们已经建立了一个计划，以便能够更好地预测资产替换，并更好地了解财务预测。这个项目被称为长期资产退化(ADLT)。ADLT根据现有的替换政策开发和提供基于数据的替换预测。除了对轨道进行评估外，我们还研究了AI在监控其他资产(如枕木、镇流器、开关和开关组件)方面的潜力。ADLT评估了不同因素之间的替换关系，如列车速度、负载和通道。这将有助于我们了解运输量增加对资产置换需求的影响。这也将增进对为此目的所需财政资源的了解。

图1:轨道的头部磨损。

监控和维护轨道

ProRail每年更换大约200公里的轨道。作为资产管理公司，轨道是关键的资本密集型资产，重要的是这些资产的最佳表现，并以可持续的方式使用。

在制定预测时，制定统一的替代政策是很重要的。如果磁头的水平或垂直磨损超过标准值(以毫米为单位)，我们的政策是更换履带。头部磨损参数的一个重要优点是，这个替换指标是一个客观的测量值。自2009年以来，我们一直在以结构化的方式测量和保存这个参数。每年两次，我们的大部分铁路网络的测量运动载入我们的系统。这就是为什么我们在研究使用人工智能进行替换预测的可能性时，看到了很多轨道的潜力。

在决定选择轨道和数据集来开发模型之后，我们开始尝试起草概念证明。

在这一阶段之后，我们进一步开发了使用飞行员替换轨道的模型。这个模型现在在结构上是可用的，目前正在使用它，除其他外，为我们的专家提供规划过程中的信息。

该模型预测轨道上水平和垂直的头部磨损。该算法基于多元线性回归。该公司根据超过9000万的数据点，对铁轨需要更换的年份进行了预测。这些预测最初是为我们的主要铁路网每三米作出的。

为了满足客户的最终需求，我们还开发了一种算法，模拟当前规划活动的第一步。这意味着我们将3米长的预测结合起来，并将其转化为至少50米长的更换的更好的单位。这就产生了在我们的计划过程中使用的可行长度的预测。

图2:分割算法的表示，以创建替换部分至少50米。

我们能够通过与我们组织中的主题专家的频繁互动来实现这一目标。我们和这些田径专家一起，整理了一份清单，列出了40多个或多或少影响头部磨损的因素。这些包括历史磨损测量，更换物体，轴负荷，负荷和轨道材料类型。由此，我们定义了13个重要因素，作为建模中的“特征”。与最终用户和专题专家之间的短通信线路对于预测的准确性和采纳非常重要。

利用数据分析趋势

为了能够预测未来的长期替代，有必要确定过去的趋势。其基础是历史数据的可用性，可以用于趋势分析。因此，重要的是要有尽可能长的一段时间的历史数据。

我们每年测量两次主要铁路网的轨道几何形状。这些数据保存在我们的监控系统BBMS中。因此，自2009年以来，我们有了主要铁路网每三米的轨道轮廓几何数据。拥有历史配置数据和状态数据是研究头部磨损预测可能性的最重要的推动因素之一。

数据与信息并不完全相同。使用的数据来自不同的数据源，每个数据源在组织内服务于不同的目的。因此，我们必须仔细查看收集这些数据的目的，以及为此目的所需的数据的准确性。为了将数据源分类为有用的，需要评估数据的质量。单个数据源的质量可能因其使用目的的不同而不同。测量的准确性就是一个例子。定义下限超限的准确性将不同于趋势分析。这产生了各种各样的数据集，需要连接在一起。

我们使用一个大数据分析平台(BDAP)，专门为我们设计，用于处理这些数据量。该平台用于算法的开发，大量数据的处理，以及复杂和重载的计算。这个云环境是与市场合作开发的，目的是加速概念证明的开发，从而可以扩展成一个成熟的产品。这允许我们快速访问计算资源和链接到数据源。

图3:资产降级团队(ADLT)的工作方式。

与理论寿命法相比，ADLT的头部磨损模型有几个优点。这个模型的优点在于它使用了尽可能多的信息来预测头部磨损。

与传统方法相比，该模型的主要优点是:

历史数据

该模型使用历史数据进行训练，每一次测量活动都对其进行补充。这使得模型能够识别磨损模式。此外，该模型将自动纳入任何因政策选择的变化而导致的磨损模式的变化(例如，更频繁的磨削，新型的轨道等)。

跟踪特性

轨道的具体特征包括，如轨道轮廓，最大速度，和曲率/超高点在轨道上。这允许根据特定类型和情况识别不同的磨损模式。

具体的使用数据

该模型使用历史使用数据和对未来负载的估计。这意味着还可以根据不同的负载情况估算寿命。

更新的预测

所有的预测都将在每次测量活动后重新训练和测试，并再次制定。这意味着所有的预测都将立即更新所有最新的测量活动的新信息。

过去期间的负载变化，可能导致更快、更慢或更大的磨损，将自动包含在模型中。一个例子就是周期COVID-19大流行在此期间，铁路网络的使用要少得多。这将导致对何时将达到替换值的预测进行调整。这使数据在任何时候都是最新的，避免了更换计划中的意外。

挑战

将如此复杂的算法转移到我们的内部管理团队是一个挑战。这是因为模型所需的相当具体的知识和技能并不存在。在这个项目中，我们选择在DevOps架构中工作。这是因为开发和运营是单个团队的责任，因此团队可以确保更快的持续集成和持续交付(CI-CD)。DevOps是一种相对较新的ProRail协作方式。ADLT开发预测模型(Dev)并提供结构解决方案(Ops)。

图1:DevOps的工作周期。

挑战在于，如何在创新发展与已实施解决方案的进一步专业化之间取得平衡。我们选择了这种方法，因为我们需要更少的转移时刻来实现一个成熟的解决方案。它还使组织进一步的开发更容易。我们发现，这使得复杂模型和数据结构的知识和背景的转移不容易恶化。

我们现在基于状态数据和信息创建了一个经过验证和采用的头部磨损和履带更换预测。这允许我们根据不同的特征来区分评估。这些评估也可用于不同的运输增长情景。为此，我们积极使用先进的分析技术和最新的技术。

图5:预测轨道更新

这改变了我们的工作方式，我们已经能够利用增长路径在我们的运营过程中有效地利用人工智能(AI)。人工智能在铁路部门的应用是必然的，它将帮助我们使更有效、更安全、更可持续的铁路运输成为可能。