Abstract

Das Referat skizziert eine Vision, wie die Instandhaltung von Bahninfrastrukturen in Zukunft gestaltet werden könnte. Diese Vision basiert vorwiegend auf Branchenentwicklungen wie SmartRail4.0 oder BIM (Building Information Modeling) sowie der Art und Weise, wie die BLS Infrastruktur ihre Instandhaltungsprozesse an die Anforderungen der Zukunft anpasst.

Abstract

A plan on how to realize predictive maintenance by the approach of a Digital Twin concept. What are the goals of predictive maintenance for different business cases and what is the technical concept of a Digital Twin. The proposed solution addresses specific needs for medical devices with long lifecycles and current architecture. Finally, the Digital Twin will be embedded in a continuous product improvement process.

Abstract

Das Betreiben von Eisenbahninfrastrukturen erfordert die Bindung von grossen Kapitalmengen. Ein wesentlicher Bestandteil der Aufgaben eines Eisenbahninfrastrukturbetreibers ist die Entwicklung einer ausbalancierten Instandhaltungs- und Reinvestitionsstrategie sowie der damit verbundenen effizienten Nutzung dieses gebundenen Kapitals.
Die Grundlage eines funktionierenden Anlagenmanagements die verknüpfte und intelligente Verwaltung der zugrundeliegenden Daten. Aus diesem Grund wurde am Institut für Eisenbahnwesen und Verkehrswirtschaft in Kooperation mit den Österreichischen Bundesbahnen (ÖBB) seit 2003 eine Datenbank entwickelt, welchen diesen Anforderungen entspricht. Hierbei werden auf einem Streckennetz von 4,000 km sämtliche Anlageinformationen und Messdaten verknüpft und verwaltet.
Die Herausforderung besteht darin, diese Datenmengen zu einer sinnvollen Information für das Anlagenmanagement der Eisenbahn zu verarbeiten. Aus diesem Grund wurde eine Methodik erarbeitet, welche zwei Herangehensweisen vereint. Einerseits können dadurch langfristige Abschätzungen der Investitions- und Instandhaltungsmengen auf Basis der Anlageninformation gewonnen werden (Top-Down); andererseits ermöglichen innovative Verfahren der Messdatenanalyse die Zustandsevaluierung und –prognose spezifischer Streckenabschnitte (Bottom-up).
Diese beiden Herangehensweisen werden danach im Rahmen einer wirtschaftlichen Betrachtung vereint, welche es ermöglicht auf Basis von Lebenszykluskosten (LCC), Strategien zu entwickeln und Instandhaltungs- und Erneuerungsmengen zu monetarisieren. Darüber hinaus können neben den Kosten auch die Umweltwirkungen der unterschiedlichen Anlagen berücksichtigt werden.
Der etablierte Ansatz verknüpft dementsprechend auf Basis von Lebenszykluskostenanalysen eine strategische Mengenabschätzung mit einer technischen Zustandsprognose. Dies ermöglicht die notwendige Massnahmenplanung für ein nachhaltiges Anlagenmanagement.

Abstract

Im Datenlabor Fahrweg der SBB arbeiten wir daran, Verschlechterungen in der Gleislage und das Auftreten von Rollkontaktermüdungen zu prognostizieren. Dazu müssen erhebliche Datenmengen verarbeitet werden, so z.B. 2 Milliarden Records für die Head-Check-Prognose eines Tages.
Der Vortrag gibt Einblick in die IT-Architektur und die Algorithmen in der Datenaufbereitung und Prognose.

Abstract

Instandhaltung zur Behebung von oberflächlichen Schädigungen und Verschleisserscheinungen im Strecken- und Weichenbereich führen nicht nur zu betrieblichen Behinderungen und finanziellen Aufwendungen, sie reduzieren auch die Gesamtliegedauer. Verbesserungen in der Geometrie von Weiche und Schiene lassen Reduktionen der Bauteilbeanspruchung realisieren, der gezielte Einsatz von innovativen Werkstoffkonzepten stellt neben einer erhöhten Beständigkeit der Bauteile zudem sicher, dass diese guten Bedingungen über einen längeren Zeitraum aufrechterhalten werden. Dies schont Fahrzeuge und Infrastruktur gleichermaßen.
Die besten Ergebnisse werden erzielt, werden die Potentiale aus Werkstoff und Geometrie miteinander kombiniert. Voestalpine Railway Systems nutzt für die Erarbeitung dieser gesamtheitlichen Lösungen moderne Methoden der Simulation und Modellierung, um die parallel laufenden Feldversuche zu planen, organisieren und zu begleiten, und um den Erfolg nachzuweisen. So kann aus Innovation und System Engineering jener Vorteil erzielt werden, der den Bahnen den eigentlichen Nutzen bringt: eine Verlängerung der Nutzungsdauer bei gleichzeitig optimierter Instandhaltung.

Abstract

In this presentation Andrew intends to provide the respective audience with an insight into why some specific monitoring on landing gears is necessary. The specific monitoring points and surrounding system methodology currently deployed today are:

• Tyre Pressure Indicating System
• Brake Temperature Indicating System
• Brake Cooling
• Oleo Pressure Monitoring System

Andrew will then discuss some of the sensing methods currently used today along with the problems encountered due to the complexities of equipment integration in combination with the harsh environment associated with aircraft landing gears.

Abstract

Industrial systems monitoring has, as for many other fields, recently benefited from an easier and increased access to measurement data. This new context offers an unprecedented amount of details on systems. Yet, it is often difficult to take advantage of this information: it becomes too massive for diagnostics engineers, which used to manually design features sensitive to given characteristics of the system. Machine learning tools have already become necessary for mining hidden relevant information but are traditionally limited to low-level data processing.
Very recent development in neural networks, especially in deep architectures, brought new opportunities for supervised and unsupervised machine learning. Their increased capacity to handle large dataset, deal with nonlinear relationships, extract information, and learn classes or functional target made them a choice tool in many field. Yet, so far, they have not been applied much in the Prognostics and Health Management field (PHM). In this presentation, we will explore some example on how the deep learning framework can fit to the PHM world: industrial systems bring very specific challenges and requirements, quite different from other fields where deep learning is already state-of-the-art.
Some applications to single systems and fleets will illustrates these challenges and highlight the benefits of using such tools.

Abstract

A lot of useful research in both academia and industry has been focused on monitoring the health of an asset, i.e. detecting degradations that might lead to failures; diagnosing the type of degradation; and predicting the remaining time to failure, or “remaining useful life”, in the absence of maintenance.
The corresponding methodology is often referred to as PHM- Prognostics & Health Management. Asset condition may be summarized by health indicators that vary with time. Now if the rail maintainer’s and the operator’s points of view are adopted, it becomes clear that monitoring the health of a single asset does not address the entire scope of the situations they are confronted with on a daily basis.
Indeed, the maintainer’s predicament consists of deciding which preventive maintenance operations have to be performed at which time, on the various assets of a fleet (either rolling stock or wayside equipment), while at the same time taking into account the operational requirements, i.e. the missions that must be carried out. And the operator’s job is to guarantee the fulfilment of planned missions to the extent possible, to meet passenger or freight demand.
Thus the question may be formulated as a resource allocation problem for both maintainer and operator: assigning trains to missions, and assigning workshop capacity (facilities, spare parts and human resources) to maintenance operations.
In order to derive the greatest benefits from PHM, this resource allocation problem will have to be solved dynamically: scheduled preventive maintenance will be replaced with on-condition, predictive maintenance, continuously adapted to the time-varying condition of the assets and the evolving user demand.
Two approaches for addressing this complex question will be reported on: the first one is a classical linear-programming approach – which , as expected, is limited by the ‘curse of dimensionality’, and therefore imposes drastic, rather unrealistic assumptions.
The second one is based on a multi-agent-system, where operator and maintainer are two agents with different goals which have to be made compatible. Various maintenance policies will be compared, in the two modeling frameworks, and some remaining challenges, of both a technical and an organizational nature, will be discussed.

Abstract

We address the problem of simultaneously scheduling trains and maintenance time slots on a railway networks. Both actions compete for the available infrastructure capacity, and have different economic interests: one to deliver service to customers, and revenues to the operator; the other to be able to deliver it also in the future; and to reduce costs. We study two perspectives of integrating preventive maintenance tasks in normal operations, in a tactical horizon when amount of maintenance is fixed, but its precise scheduling in time and space is not; while operations can be adjusted slightly from the plan, to make room for the maintenance tasks and related possessions.
One challenge is the integration of trains and maintenance scheduling with the same level of detail, which is achieved by considering virtual trains. This allows integrated operations scheduling, which delivers better results than the sequential approach currently used. A further challenge focuses more on the uncertainty of duration, minimizing the deviation of actual plans from the planned timetable, and also maximizing the number of aggregated maintenance works under stochastic disturbances. The tradeoff between the two conflicting objectives is resolved by computing the Pareto optimal solutions.

Abstract

In this presentation we will demonstrate the benefits and challenges of applying early warning systems in the Dutch Railways. For three examples on rolling stock, we briefly discuss the beauty of the method. However, since these are real life examples, we also have to face the challenges associated with the real world. In sum: beautiful examples in an ugly world.

Abstract

Für Hexagon ist die Digitale Transformation in Bereichen der Mess-, Steuer- und Fernerkundungstechnologie von zentraler Bedeutung. Als Teil des Innovation Hub entwickelt das Hexagon Technology Center in Heerbrugg u.a. Maschinen-zu-Maschinen Kommunikation sowie «Edge, Cloud, Mobile und Big Data Analytics». Als modulare Plattform ermöglicht das Zusammenspiel dieser Technologien innovative Produkte und effiziente Lösungen etwa im Vermessungswesen, in der industriellen Messtechnik, im Bergbau und in der Landwirtschaft. Im Vortrag werden Beispiele vorgestellt, die sich von «Condition Monitoring» über «Anomaly Detection» hin zu «Predictive Maintenance» erstrecken.

Abstract

Die Möglichkeiten der Digitalisierung, namentlich Geofencing, Sensor Fusion und das „Internet of Things“, haben das Potenzial, Bahnbau und -betrieb organisatorisch optimal zu unterstützen und deutlich sicherer zu machen. Sie können Maschinen und Menschen punktgenau orten, anleiten und so Unfälle verhindern, sie bieten Schutz vor Verschleiß oder Gerätediebstahl, und sie können Arbeits- und Funktionsabläufe transparent machen, damit Optimierungspotenziale erkennbar und nutzbar zu machen. Daran arbeitet die Rhomberg Sersa Rail Group in einer Vielzahl von Projekten. Ein Beispiel: Unter dem Arbeitstitel „Smart Rail Safety“ forscht das Unternehmen an einem völlig neuen Organisations-, Ortungs- und Warnsystem. Ziel aller Bemühungen ist es, Maschinen, Arbeitsgeräte und auch die Menschen umfassend miteinander zu vernetzen und ihre Interaktionen perfekt zu koordinieren – in einem lückenlosen „Internet of Everything“.

Abstract

Die Digitalisierung erobert zunehmend auch die Bahninfrastruktur. Vor allem Gleisbrüche, Schienenfehler und Weichenstörungen haben einen großen Einfluss auf die Verfügbarkeit des Bahnsystems. Durch die Integration innovativer Technologien in infrastrukturbasierte und fahrzeugseitige Überwachungssysteme können zusätzliche Daten beispielsweise über Gleise und Weichen erzeugt werden.
Diese Daten intelligent auszuwerten, hat einen enormen Einfluss auf die Zuverlässigkeit, Wettbewerbsfähigkeit und Wirtschaftlichkeit der Instandhaltung der Infrastruktur. Anhand von Beispielen aus der Praxis wird das Potential einer Digitalen Infrastruktur im Rahmen des Vortrags aufgezeigt und belegt.

Abstract

Die Eisenbahn, ursprünglich Treiber der Industrialisierung im 19. Jahrhundert, steht heute wieder vor bedeutenden Herausforderungen: steigende Mobilitätsbedürfnisse stillen und CO2 reduzieren, Know-How-Verlust kompensieren und Transparenz gegenüber Stakeholdern bieten.
Die neuen Technologien der Digitalisierung ermöglichen diesen Herausforderungen auch im Bereich der Gleisbaumaschinen zu begegnen.
In der Entwicklung von Gleisbaumaschinen ergeben sich daraus drei Schwerpunkte:

• Umweltfreundliche Antriebe - um die CO2-Fußabdruck zur reduzieren
• Vernetzte Maschinen - um die effiziente zu steigern
• Autonome Systeme - um die Qualität

Die Maschine arbeitet als Teil einer Flotte für eine integrierte Fahrwegbewirtschaftung.

Abstract

In coming years, the number and complexity of electronics systems used in safety relevant applications will exponentially increase. These systems will autonomously and automatically control essential functions of vehicles, industrial robots, fundamental infrastructural features etc., without direct human supervision.
Hence, the requirements for functional safety and system availability will need to further be increased significantly - well beyond the level valid for current automotive electronics, which already is seen highest among mass products and goods sold to individuals of the broad public.
The present strategies for assuring highest functional safety resting on system redundancy concepts are affordable for applications like aircrafts, nuclear power stations, large chemical facilities etc. but not acceptable for mass products. They would lead to bulky, heavy, and expensive systems, which would cause ecologic problems due to high resource and energy consumptions.
Proactive condition monitoring is a promising new strategy for avoiding the need for system redundancy. It aims at detecting potential failures of the electronic systems well before its occurrence so that maintenance and repair actions can be triggered specifically as needed to prevent any loss in essential functionality.

Abstract

Done right, predictive maintenance can deliver significant benefits and cost savings. But not all such projects are successful and organizations struggle to pick winners from many potential projects. This is a pattern that is repeated in other industries.
To deliver effective, sustained data-driven solutions to messy real-world problems you need a strong engineering and design methodology with excellent control, forming the heart of a flexible, agile, and collaborative way of working.
In this talk we'll present the framework we use at the Altran World Class Center for Analytics (Tessella) and how it helps to bring real world benefits.

Abstract

The ubiquity of the Internet has led many companies to reconsider their internal models, from production to organization, including maintenance and operation: the pillars of Industry 4.0.
This evolution requires opening the company to a new ecosystem and new ways of thinking. This panel aims to question the generalization of this openness to research and development in the world of maintenance, which for many companies is not the core business. What barriers remain to be overcome and what opportunities would encourage companies to collaborate with each other and with the academic world? Does the traditional industrial secret still have its place in an ultra-connected world? How to open while protecting yourself?
Four panelists will present their point of view, and with the lessons learnt in the multiplicity of the talks during the conference day, a debate with the audience will be the opportunity to end this day dedicated to Smart Maintenance and get some new inspiration.