Brug af big data sparer 160 mio. kr. i vedligehold

Ved i realtid at analysere 3,6 millioner datapunkter i sekundet fra forskellige sensorer, kan man nu forudsige togenes driftstop, før de indtræffer.

Forsinkelser pga. toge, der var gået i stå eller helt var taget ud af driften, er noget som næsten alle mennesker har prøvet at stå og bande over.

For i en travl hverdag er transport og rejsetid noget, der bare ikke må gå galt.

Big data sikrer togplanen

I England har man forbedret overholdelsen af tidsplanerne gennem intelligent brug af sensorer og big data.

Her er togdriften blevet mere stabil, efter man er begyndt at analysere mønstre i data og identificere, hvad der tidligere medførte fejl og problemer for togdriften.

”Togene har nu over 1.000 sensorer, der flere gange i sekundet sender data videre og i realtid giver besked om evt. uregelmæssigheder til de relevante afdelinger. På den måde får vedligeholdelsesfolkene direkte besked om evt. ting, der skal fikses, så man kan planlægge vedligeholdelsesopgaver, uden det går ud over driften,” udtaler Jørgen Svart, salgschef for Norden hos Hitachi Vantaras Data Analytics and IoT-afdeling.

Sensorerne sender data videre om alt fra lokationsdata og passagerinformationer til kørselsadfærd og overvågning af materialer og udstyr.

På den måde har man allerede sparet 160 mio. kr. i vedligehold på ganske få toge. Når man i 2020 kommer op på 242 toge med sensorer, der hver vil sende op til 25 GB data af sted til analyse hver dag, vil besparelserne og brugsmulighederne være endnu større.

Forudsigelig vedligehold og fremtidsperspektiver

Alle data fra togene kan også sendes videre til relevante leverandører og samarbejdspartnere.

F.eks. kan information om, hvor mange passagerer der sidder i hver togvogn, sendes videre til stationen, så man kan nå at optimere passagerlogistikken, når toget kommer ind på stationen og sikre, at der står taxaer klar til at hjælpe folk videre.

At bruge big data i forhold til at tage tog ud af driften, inden de reelt går i stykker og giver forsinkelser, kaldes predictive maintenance, og kan bruges på langt mere end blot toge og transport.

Også virksomheder indenfor produktion, energi, retail og sundhed ville ofte med fordel kunne bruge big data til at forudse og forbedre deres services og vedligehold af maskiner.

Du kan læse mere om predictive maintenance og big data på Hitachis hjemmeside.

Læs vores andre cases