AAPP | Noticias | 06 FEB 2018

Cómo usa el metro de Londres el análisis predictivo para mantener los trenes en funcionamiento

Los científicos de datos están analizando los fallos en los entrenamientos y la infraestructura para apoyar el mantenimiento predictivo.
uk londres inglaterra
Tom Mcaulay


Para ayudar a Transport London (TfL) en Londres con todos sus trenes, las estaciones, las señales, las vías y las escaleras mecánicas deben estar en funcionamiento todos los días. Un pequeño problema con cualquiera de ellos podría causar una gran interrupción.

Para mejorar su fiabilidad y reducir los costes de mantenimiento, un equipo de investigadores y un grupo de analistas han estado explorando cómo administrar y mitigar.

Están trabajando en cómo el mantenimiento predictivo puede reducir los costes y mejorar el servicio. Un proyecto actualmente en producción en la línea Central analiza eventos subterráneos para predecir cuándo un motor va a fallar pronto.

Mantener funcionando un viejo metro
El metro se convirtió en el primer subterráneo del mundo cuando comenzó a funcionar en 1863 entre Paddington y Farringdon Street, una sección que ahora forma parte de las líneas Circle, Metropolitan y Hammersmith & City.

Sigue siendo una de las redes de metro más concurridas del mundo. Cada mañana, 538 trenes circulan entre 270 estaciones, y se esperan un total de 1,4 mil millones de viajes en la red este año que cubren 86 millones de kilómetros, el equivalente a 110 viajes a la luna y viceversa.

La infraestructura victoriana y los viejos vagones que la atraviesan. Alrededor de la mitad de todas las demoras son causadas por problemas con los activos de TfL. El coste de mantenerlos ocupa el 59% del presupuesto del cuerpo.

Los factores externos también pueden causar interrupciones en el servicio. En un proyecto de ciencia de datos, TfL investigó cómo las condiciones climáticas afectan la confiabilidad de la flota al encontrar correlaciones entre fallos y temperatura, humedad y lluvia.

El equipo está utilizando un modelo de solución que es más probable que sea más complejo que otro. Este análisis resultó un mapa de calor que indica el impacto de cada factor en cada sistema y componente. Se encontraron altas temperaturas tras los fallos y las bajas temperaturas también tuvieron un impacto significativo.

Los investigadores dieron esta retroalimentación a sus grupos de interés para ayudarlos a tomar decisiones sobre el mantenimiento y las actualizaciones. Su objetivo final es identificar qué causa todas las fallas de los activos para realizar un mantenimiento preventivo.

Elegir el mejor modelo de análisis de datos
Para comprender las causas de los fallos, el equipo estudia conjuntos de datos sobre activos de TfL, fallos, mantenimiento, operaciones de servicio y problemas externos como el clima. Los factores detrás de las fallos incluyen la temperatura, el alquiler, el uso y la tasa de mantenimiento.

Analizan el impacto que tiene en la tasa de fallos, el nivel de impacto en función de la frecuencia de ocurrencia y el costo dela fall con el que se correlaciona.

Los desafíos incluyen silos de información, datos que faltan, límites de tiempo debido a la actualización continua de TFL y la renovación de sus activos y los datos son relativamente baratos.

TfL es una organización grande que se vincula con aplicaciones críticas para la seguridad, por lo que el equipo de ciencia de datos necesita colaborar con diferentes departamentos y hacer cumplir cronogramas efectivos.

Las decisiones de mantenimiento tomadas por el personal deben minimizar los fallas y los costes de mantenimiento. Podrían llevar a cabo el mantenimiento periódicamente, en función de su tiempo, pero sería posible terminar con sus activos, o incluso demasiados fracasos, manteniéndolos por debajo de su capacidad.

Los científicos de datos pensaron que una mejor opción era analizar los datos históricos de fallos y mantenimiento para establecer la probabilidad de fallos. No pudieron identificar las posibles causas. Podrían evaluar el coste de un fallo y decidir cómo comportarse y establecer una tasa de mantenimiento fija. Esta opción fue una mejora, pero aún no óptima y ​​algunos fallos no se evitarán. Esta es una cuestión de cómo predecir cuándo es posible un tipo particular de análisis.  Un algoritmo puede evaluar los patrones de eventos que tienen lugar en los últimos días u horas y predecir si va a suceder un fallo. El modelo de aprendizaje automático se aplica a los datos para predecir un fallo que se espera que falle en aparecer en el tablero de un ingeniero. El activo en cuestión puede retirarse del servicio y mantenerse antes de que surja el fallo.

Los proyectos de ciencia de datos de TfL están trabajando en una serie de experimentos de análisis de datos para mejorar el servicio, incluido el proyecto de la Línea Central antes mencionado. Esta información se está descargando desde el sistema de monitorización de condiciones del fabricante. Un algoritmo luego evalúa los patrones de eventos en mayor medida que el día anterior. otros proyectos que analizan las señales generadas por los sensores para medir continuamente el rendimiento. Otra empresa de ciencia de datos apoya el esfuerzo general de TfL para mejorar y monitorizar la calidad de sus datos.

Muchos de los conjuntos de datos de TfL tienen información incorrecta o faltante. El equipo de ciencia de datos está usando los campos de texto libre donde los ingenieros ingresan detalles sobre el fracaso del proceso y las acciones tomadas para abordarlos, para entrenar un clasificador de aprendizaje automático que analiza patrones en el texto para predecir qué componente falló. para ser 75% preciso al identificar el componente. Cualquier componente que esté marcado puede ser inspeccionado por un experto.

Contenidos recomendados...

Comentar
Para comentar, es necesario iniciar sesión
Se muestran 0 comentarios
X

Uso de cookies

Esta web utiliza cookies técnicas, de personalización y análisis, propias y de terceros, para facilitarle la navegación de forma anónima y analizar estadísticas del uso de la web. Consideramos que si continúa navegando, acepta su uso. Obtener más información