# 36 ble oppdatert: 27-08-2021
____________________________________________________________________________________________
____________________________________________________________________________________________
____________________________________________________________________________________________
____________________________________________________________________________________________
____________________________________________________________________________________________
, ,
____________________________________________________________________________________________
[divider height=”30″ style=”default” line=”default” themecolor=”1″] Hovedutfordringen som skal belyses eller løses: Redusere feil som fører til utsettelser og kanselleringer på den norske jernbanen
Beskrivelse av brukerhistorien:
I korte trekk, bransjen er full av informasjon, som kommer fra alt fra sensorer til offentlig værdata. Hvordan kan man bruke denne informasjonen til å forutse og planlegge vedlikehold, i stedet for å ta konsekvensene først når noe bryter sammen. Tematikken er høyrelevant for de fleste typer eiendeler og systemer som periodevis krever vedlikehold (anleggsmaskiner, klimaanlegg og strømanlegg er eksempler). Vårt viktigste kundeeksempel er fra Bane NOR, som eier, bygger og drifter den norske jernbaneinfrastrukturen.
Utfordringer:
Bane Nor har hatt utfordringer med infrastrukturstabilitet som har ledet til signifikante forsinkelser og kanselleringer de siste årene. Siden 2016 har Bane Nor installert tusenvis av sensorer på ulike jernbanekomponenter for å oppnå automatisert overvåkning og feildeteksjon. De hadde starte med enkle hyllevåreverktøy for å visualisere sensor data og enkel avviksdeteksjon. Potensialet for bedre utnyttelse av disse sensorene var klart, og Bane NOR ønsket å leie inn eksperter til å utvikle feildetektorer og prediktorer som kunne etablerer et grunnlag for automatisert monitorering av infrastrukturens tilstand og prediktivt vedlikehold. Målet er å finne og fjerne feil før de lager trafikkforstyrrelser med et endelig mål om å signifikant øke punktligheten på jernbaner i Norge.
Stikkord eller tags for teknologi, målgrupper, tema etc. Datadrevet Vedlikehold, Kunstig Intelligens, Maskinlæring, Sensorikk, Internet of Things
Hovedmålgrupper for brukerhistorien: Bestillere og byggherrer
Tallfestede økonomiske eller miljømessig gevinster eller effekter kan brukeren fremskaffe? Kostnadsreduksjon, Økt effektivisering
Digital løsning (produkt, tjeneste) som er sentral i brukerhistorien: IoT, prediktivt vedlikehold, digital tvilling, maskinlæring, kunstig intelligens, Microsoft Azure
Link til produsent, leverandør eller teknisk løsning: https://www.banenor.no/
Link til informasjon/presse om brukerhistorien:
Overordnet effektberegning – med tall:
Effekter på salg (hvis tilgjengelig):
Effekter på kostnader (hvis tilgjengelig):
på produktivitet (hvis tilgjengelig):
Vårt arbeid:
BearingPoint har arbeidet ende til ende med prosjektet. Helt fra målbilde- og strategiutforming, til utvikling av maskinlæring- og statistiske modeller som oppdager og predikerer feil i tett samarbeid med domeneeksperter på jernbane og andre interessenter.
Resultater:
Basert på vårt arbeid leverer Smart vedlikeholdsprogrammet leverer ny innsikt til organisasjonen på løpende basis. Vi har maskinlæring og statistiske modeller i produksjon mot flere ulike infrastrukturkomponenter, som f.eks. sporveksler, drivmaskiner og sporfelt. Disse bidrar til å oppdage feil før de oppstår, og som reduserer både risikoen og konsekvensene av oppståtte feil.
Effekter på HMS (hvis tilgjengelig):
Miljø-effekter, eks. CO2-utslipp (hvis tilgjengelig):
