将资产数据中的见解与舰队维护流程中的资产数据集成

Lineas - 一个专门用于货运的私有欧洲铁路 - 源自前国有B货的严格重组。Lineas在五个欧洲国家拥有铁路许可证，每天运营200（互别）国家货运火车。对于其运营，Linex使用200个机车，其中150个是所有权，并运营6,700辆轨道车的拥有队列。LineAt'的使命是实现模态移位。为实现这一目标，LineT开发了自己独特而创新的铁路解决方案：绿色Xpress网络（GXN），在欧洲的工业中心之间提供直接，快捷可靠的铁路连接。

为了支持其GXN的发展，LineT，建立了一个专注于最大化其资产返回的资产管理组织，以及对其GXN客户的价值主张。

数据作为优化资产管理的杠杆

2017年1月，LineS推出了一个试点项目，其中包括两个比利时初创企业的数据科学家，以使用数据为导向，以优化其机车维护管理。该项目探讨了将数据科学与数据分析和数据可视化相结合的好处。研究对象：110起旋转机车（平均年龄为16岁），在他们的中期修订之前。使用四种不同的数据源，从旧学校的大量和多个Excel文件，ERP SAP导出到最先进的实时传感器数据。

每辆机车每10秒发出一个信号，对大量数据进行编码，如:机车的身份证号码;时间戳;地理位置;一个操作状态;行驶距离;rpm;燃料消耗量指示;以及许多其他组件传感器。维修供应商的ERP系统会捕获与故障及其诊断、干预措施、维修类型和其他维修相关参数相关的数据，同时在excel中进行操作跟踪，详细记录拉动的列车、运行的轨迹和其他使用信息。

提供模态Shift：LineAt'独特的绿色Xpress网络（GXN）

机车的使用模式是否有助于优化维护？

在查看此数据时提出了以下核心问题：机器人的使用模式分析有助于优化其维护周期吗？这一使用问题被推动了两个原因。首先，即使当前的维护计划确实考虑了某些使用模式，它就会在舰队级别的基础上做到这一点，没有任何区别在单位水平上。其次，LineThey在相当异质的条件下操作分流机车。机车用于港口地区，沿海地区和比利时阿登的长途轨迹，加上双人或三重牵引，短程一英里活动和分流码。

假设是在单位级别转移到一组不同的使用指标应该允许舰队将车队分成亚组，允许它们在子组之间调整其维护制度或枢轴单元，从而根据单位的需求来定制维护。

该项目针对减少每年摊销的机车成本以及增加机车可用性的关键余额，而可能增加失败率。为此，定义了一种特定的方法，分析了机车的使用和维护模式，了解这些模式对失败风险的影响，并使用这些见解来优化修改规划和对故障频率的识别以及失败原因的识别。

LineT开始将使用与“机器学习”联系起来。这种方法允许每天和机车层次收集所有历史数据。基于此数据，阐述了“知道您的机车”（Kyl）模型。通过在每个机车的寿命中每周提供信息，并通过标记发生故障（目标）的时间来标记，模型预测失败的一周。在查看模型选择的变量之后及其重要性之后，LineT可以从变量和故障之间的关系中获取见解。

'了解你的机车'（kyl）仪表板

ky模型被翻译成视觉仪表板。仪表板使用智能360°可视化集成使用，故障和维护。详细介绍使用，不同的操作状态以及这些状态的性能。

'知道你的机车'模型

对于维护，检查、干预、修订、故障的数量和它们各自的计数器都是可视化的。在区域级别上，跟踪各个区域的总天数，以及区域之间切换的频率。这，结合机车的年龄，总公里运行，和发动机小时，允许真正的360°视角对机车。书中总共使用了500个特征，描述了每台机车在历史上任何时刻的使用和维护情况。这导致了对单个单元的最完整的观点，以及对解释故障情况的共同模式或行为的理解。

'知道你的机车'智能360°视觉

结论和如何行动

使用最先进的机器学习算法创建预测模型。导致最佳结果的方法基于分布式随机林实现。例如，所使用的模型的有趣优势是其解析力，例如，它为特征分配了重要性度量。这产生了哪些特征与故障情况最相关的特征。

分析提供了明确的证据，即湿度，而不是温度，显着提高了失败的风险。我们还发现了在去年遇到了很多问题并且已经修复的机车将更有可能在未来面临其他问题。我们发现，如果单位仅使用单位，则失效的风险会增加。

当将模型限制为维护功能以突出显示维护干预和后续故障之间的链接时，最好的模型主要选择长期度量作为预测度量。在六到12个月的Windows上计算了长期指标（例如，自上次修订以来一年）。这表明该舰队的维护仅在明确延长维护周期时影响失败的可能性。

将模型限制在使用特性上，最佳模型选择在一到两周的窗口上计算的短期指标。这表明，在给定的时间点，使用对故障的可能性有短期影响，并且可以根据使用情况预测故障。

在资产所有者的角度来看，这两个结论都是相关的，但在垂直集成的铁路运营商这样的情况下也是如此。维护结论是与维护提供商的讨论，重点是改善维护计划，而使用情况是与LineT的运营部门定制使用条件的讨论。

数据和IOT：前进的方式

Lineas为其机车车队配备了传感器设备，从机车上读出最重要的信息，并通过无线电发送这些数据。Lineas的货车也遵循类似的路线，并为货车配备来自不同供应商的远程通信设备。然而，对我们来说，物联网(IoT)并没有止步于此。至于机车,甚至装备与传感器设备的马车前,Lineas利用数据分析来计算和预测公里车运行和创建一个使用模式的钢铁马车(包括(联合国)加载的循环次数、频率暴露于潜在的冲击等等)。

将来自不同来源的数据组合，创建培训和测试集，在关键过程中嵌入数据分析已经增加了关于货车和机车的知识，以重大程度。这些传感器设备的投资回报可以轻松地仅计算对维护成本的影响。然而，当该数据完全集成在铁路运营商的运营值链中时，还要考虑未来效应的关键。对维护进行处理和存储的相同数据捕获，将是申请供应链透明度的GXN客户的有价值信息来源。寻找进一步的前方，相同的工具可用于在没有复杂的契约或传递协议的情况下快速交换铁路运营商之间的资产，以便在使用货车或机车等操作者和客户之间的微量付款。未来将是关于数据的，我们需要舰队 - 即使平均年龄远远超过10年 - 准备好。

板载数据和传感器提供优化的资产管理解决方案

承认

谢谢转到LineAs资产管理组织的团队成员，以促进这篇文章。该组织于2013年设立，旨在重点致力于降低其拥有资产的生命周期成本（LCC），保证灵活的访问，增加多价和定义未来的舰队。该组织未被成立，作为以租赁公司风格运营的独立业务部门，也没有作为典型的集成舰队管理组织，但侧重于整体优化作为资产所有者，维护（ECM），舰队经理，铁路经理，铁路运营商以及具体情况，维护提供商。通过这样做，LineT最大化其资产的返回，以及对其GXN客户的价值主张。该团队由Jeroen Spruyt领导。