ProRail DataLab: voorspellen is voorkomen
6 juni 2017 – Het DataLab van ProRail heeft een voorspellend model voor wisselstoringen ontwikkeld waarmee storingen kunnen voorkomen. Hierbij worden Big data technieken zoals machinelearning toegepast op alle beschikbare data. Het model is volgen ProRail inmiddels al in staat om van alle wissels 20 procent van de storingen aan te zien komen.
Het ProRail DataLab werd in februari geopend. Met big data technologie verkent het ProRail Datalab nieuwe technieken om oplossingen te ontwikkelen om op het gebied van storingen, sensoring en tracking & tracing. Hierin werken het Datalab samen met Universiteiten, kennisinstellingen zoals TNO, aannemers, ingenieursbureaus en diverse startups.
Als eerste is een prototype gemaakt van een voorspellend model voor het voorspellen van hot spots waar spoorlopers te verwachten zijn. Dit gaf volgens de ontwikkelaars veelbelovende inzichten en daarom wordt deze nu samen met de inspecteurs in het veld getest.
Zoals gezegd zou het model al in staat zijn om van alle wissels 20 procent van de storingen aan te zien komen. Dit is al veel beter dan wat de experts nu zelf kunnen, maar volgens ProRail toch nog onvoldoende nauwkeurig, omdat de monteur op dit moment vier van de vijf keer toch voor niets zou uitrukken. Daarom wordt nu gewerkt aan een nog preciezer model voor een groep wissels die vaker stoort dan gemiddeld. Daarmee is volgens ProRail het eerste succes al behaald: voor één specifieke wissel kan nu met meer dan 90 procent zekerheid worden voorspeld wanneer daar een storing zal optreden. Voor een groep van zeven wissels kan men inmiddels meer dan 50 procent van de storingen aan zien komen. Dit voorspellende model wordt nu in zogenoemde ‘sprints’ verder ontwikkeld en besproken met de onderhoudsaannemers en vanaf juni zal het eerste prototype in de praktijk worden getest, samen met de ProRail Meldkamer Spoor, het coördinatiepunt voor infrastructuur-storingen.