fbpx

Maskinlæring på store sensordata for å redusere forsinkelser i norsk jernbane

Lyst til å lære om hvordan Bane NOR utnytter maskinlæring og stream analytics på virkelig store sensordata, for å redusere feil og forsinkelser i den norske jernbanen?

Bane NOR har som mål at norsk jernbane skal bli Europa sikreste og mest punktlige. Et mer effektivt vedlikehold av jernbaneinfrastrukturen står helt sentralt i å nå dette målet, slik at feil kan rettes før det oppstår forsinkelser og andre driftsforstyrrelser. Historisk har vedlikeholdet i stor grad vært periodisk eller reaktivt, men nå beveger vi oss mot mer tilstandsbasert og prediktivt vedlikehold.

Vi har derfor jobbet med datadrevet forbedring av vedlikeholdet over en lengre periode. De siste par årene har vi i Digital Innovasjon i Bane NOR utstyrt betydelige deler av infrastrukturen med sensorer, der tusenvis av komponenter overvåkes løpende. Fra sommeren 2018 har vi tatt nye store skritt i å utnytte disse dataene mer effektivt, der vi reduserer feil i infrastrukturen med bruk av både maskinlæringsmodeller trent på store mengder historiske sensordata, og stream analytics som løpende overvåker endringer i strømmende sensordata.

Vi støter på masse utfordringer, fra hvordan man skaper innsikt i store sensordata uten gode feilmerker (hint: unsupervised learning), til hva man skal fokusere på for å innføre nye måter å jobbe på for en tradisjonell vedlikeholdsorganisasjon. Kom og hør hva vi får til og hvordan vi går fram!

Teknisk: 50%.  Ledelse: 50%