预见性维修:铁路行业的机会是什么?

铁路行业数字化转型中最有前途的一个方面是预见性维修——利用在运行过程中收集的设备数据实时识别维修问题。这意味着维修可以适当计划，好处是列车不需要因紧急情况或不必要的例行维护而意外停运。

关于这个话题有很多炒作和一些失败的案例。物联网传感器和平台的爆炸式增长——其中一些对它们的实现过度承诺——让人们相信，只需插入一些设备就能提供所需的所有数据。许多计划不周的投资已变得成本高昂，未能实现预期的业务转型。

这听起来应该是一个关于购买炒作的警告，但这并不意味着预测性维护是不可实现的。好处是有的，但需要适当的规划和管理。就像任何承诺的革命一样，没有灵丹妙药。

预测维修是一项好的铁路投资吗?

一队队的火车寿命很长。飞机和汽车更定期地更新，以利用新设计带来的效率提升。这对火车的驱动因素较小，战略重点往往是让它们尽可能长时间地运行，从可观的初始投资中获得价值。

这意味着，能够实现预见性维护、降低运营成本、延长舰队寿命的技术，有可能带来巨大的经济回报。然而，这也意味着，目前运行的老式列车需要投资才能做到这一点，因为它们不是为现代连接而建造的。

因此，在对预测性维护进行重大投资之前，必须考虑到一个重要的成本效益问题。

为预测性维护收集数据

我们在铁路和其他行业的经验是，成功的分析项目首先要明确需要解决的问题和前进所需的决策。只有这样，项目才应该考虑如何识别必要的数据以及捕获和处理数据的最佳技术。这有助于判断这样的投资是否值得。

两个拥有类似中年通勤车队的铁路运营商的例子说明了这一点。首先，一家安装黑匣子数据记录器以满足法律要求的公司。他们的车队正在经历可靠性和操作问题，因此在承诺进行强制改装后，该公司抓住机会询问他们还可以做些什么来收集数据，以提高车队的性能，并解决特定的问题。

第二家公司安装了黑匣子，并将其与一个平台连接起来，以便实时查看列车的状态。所有捕获的数据都被存储起来，但从未进行过分析，直到运营5年后，他们决定查看历史数据，看看是否有任何有用的商业见解可以获得。

第一家公司能够建立一个强大的预测性维修计划，降低了维修成本，并将其机队寿命延长了10年以上。第二项研究发现了一些有用的见解，但没有足够的正确数据来证明预测性维护解决方案的成本是合理的。

正确的数据意味着正确的见解

在我们的成功案例中，站台的设计征求了维修工程师和其他列车专家的广泛意见。这有助于准确地确定需要什么数据。

例如，虽然每秒捕获数据点已经满足了最低的法定要求，但该团队意识到，将每秒捕获数据点的速度提高到十分之一秒，对于发现机械或电气系统的问题来说，将获得更有用的时间分辨率。他们还发现了可以组合起来提供有用信息的其他传感器。因为这些都是在设计时完成的，所以对翻新成本的影响是最小的。

举个简单的例子:火车门。当车门出现故障时，列车必须停止运行进行维修。在没有数据的情况下，车站的技术人员必须依靠司机的报告，而由于驾驶室位于列车的前部，司机可能无法获得准确的信息。这通常意味着车门故障没有被发现，列车被送回，问题再次发生。

相比之下，设计良好的数据分析可以识别出有问题的门和问题所在。门打开时间的变化是门故障的前兆，因此有可能在它们成为客户注意到的问题之前就发现恶化模式。维修工程师将被告知哪扇门和寻找什么。

这种方法需要做几件事才能奏效:必须有更多的传感器来检测门的位置，这样才能测量门的时间，并且必须以足够高的时间分辨率记录数据。在一秒的时候，逐渐的减速很容易被忽略，在十分之一秒的时候，什么地方出了问题就会很快被发现。

在计划了正确的数据捕获之后，设计合适的算法来监控门就相对简单了。门可以单独校准，以衡量什么是正常的，一个设计良好的算法将考虑门之间的差异，并补偿异常值——例如，有人的包被关闭的门卡住了。可适当设置参数。

这个简单例子的原则适用于各种各样的挑战。收集表明正常操作的高质量数据，设计识别正常偏差的算法，并将变化与问题的概况相匹配。这使您能够在任何人注意到之前快速识别出什么时候出了问题以及可能是什么问题。

用你所拥有的做更多的事

在我们的第二个示例中，数据在范围和分辨率方面受到了更多的限制。此外，还缺乏与数据相关联的维护记录，以识别常见故障的特征。这排除了预测性维护的可能性，但这并不意味着数据是无用的。

的确，有一些有趣的发现。例如，该报告显示，某些列车在几个月的时间里表现不佳，加速速度比应有速度慢了至多50%。在一个案例中，我们可以看到，根本原因是两辆行驶车辆中的一辆激活了牵引力控制，可能是由于牵引力控制系统校准不良导致错误检测到车轮滑移。维修记录显示，司机向车辆段报告了故障装置，但六个月后故障没有得到纠正，大概是因为它只在列车运行时和最高牵引槽时才会出现。

尽管这些见解很有趣，但开发一个利用收集到的数据的系统是不合理的。数据的覆盖范围和时间分辨率不足以支持预测系统，虽然它对状态监测很有用——在发生问题时识别问题——但这不会在现有的基础上增加足够的价值。

预测维护下一步在哪里进行?

上面描述的第一个项目始于十多年前，并继续从预测性维护中获得价值。这支10年前被认为接近退役的舰队，如今仍在蓬勃发展。由于提高了列车的可靠性，降低了维护成本，减少了购买新列车的频率，节省了数百万英镑。

从那时起，技术一直在进步。当项目开始时，数据在记录后的一个小时内被批量传回，现在多个传感器可以连续传输数据。数据处理也更快更复杂。

也有机会更创造性地使用新的数据捕获设备。廉价的数据记录器结合了智能手机式的加速度计和GPS接收器，可以揭示很多关于火车运动的信息。最近的一个创新项目使用三轴加速度计来测量车轮振动。与车速相关的振动频率的变化可以用来发现车轮平直引起的振动，这种情况会损坏列车和轨道。

数据捕获和处理技术不断发展，这意味着我们有更多的数据可以处理。但是，将数据转化为洞察力的统计技术——这才是真正的价值所在——已经得到了很好的理解。为了获得价值，它们需要被理解数据和被调查问题的人应用到正确的数据上，并考虑到预期的结果。

制定预测性维护计划

要使预测性维护项目获得成功，不仅仅是购买开箱即用的技术或让数据科学家随意使用您拥有的任何数据。

你需要了解你想要达到的目标。然后，你需要与专家——工程师、维修人员、规划人员、司机和数据专业人士——合作，了解你需要什么数据来提供这些见解;只有这样，你才能弄清楚你需要什么技术来获取这些数据。

只有当你对自己的商业案例有信心时，你才应该继续前进。用新的硬件和软件改装一辆火车需要花钱。在许多情况下，一个执行良好的计划很容易证明投资的合理性。但你只有在知道自己想要达到什么目标以及实现目标需要什么条件的情况下，才能做出这样的评估。