Data ja raidekaluston kunnossapito – näin yhdistelmästä saadaan kaikki irti

Suomalainen raidekaluston kunnossapitoyhtiö VR FleetCare on panostanut jo useamman vuoden ajan data-analytiikan hyödyntämiseen. Yhtiöllä on oma data-analyysitiimi ja alusta tiedon käsittelyyn.

– Käytännössä keräämme dataa erilaisilla mittauslaitteilla, analysoimme tiedon ja kehitämme sitä kautta raidekalustoon liittyviä kunnossapitotoimia, VR FleetCaren data scientistit Curtis Wood ja Otto Sormunen kertovat.

Datan avulla voidaan saada aikaan operatiivisia vaikutuksia, kuten huoltovälien optimointi, sekä itse prosessiin liittyviä muutoksia. Wood mainitsee esimerkkinä Helsingin varikon sisääntuloväylällä sijaitsevan mittauslaitteen, jota VR FleetCare alkoi hyödyntää muun datankeruun ohella ohi ajavien InterCity-junien pyöräprofiilien mittaukseen.

– Pyöräkerran elinkaari on noin 10 vuotta ja se sorvataan vuosittain tiettyyn muotoon. Sorvausten välissä pyörän profiili kuluu, mikä vaikuttaa muun muassa kaluston turvallisuuteen ja käytettävyyteen. Erityisesti jos kuluminen on epätasaista.                               

– Keräsimme kahden vuoden pilotin aikana miljoonia rivejä dataa analysoitavaksi. Tiedon pohjalta kehitimme Suomen rataverkostossa liikkuville InterCity-junille parhaiten sopivan pyöräprofiilin. Pystyimme tarkentamaan myös optimaalisimman välin sorvauksille, Wood avaa tuloksia.

Uuden pyöräprofiilin avulla voitiin konkreettisesti parantaa kaluston turvallisuutta sekä luotettavuutta, mikä tuo osaltaan merkittäviä kustannussäästöjä kaluston omistajille ja liikennöitsijöille.

– Päätöksiä muutoksista on helpompi tehdä, kun on dataa tukena, Wood painottaa.

Reagoinnista kohti ennakointia

VR FleetCare otti vuonna 2020 raidekaluston kunnossapitoon liittyen ison harppauksen, kun se toi yhdessä EKE-Elektroniikan kanssa markkinoille telien huoltotarvetta ennustavan palvelun. Tekninen ratkaisu on ollut maailmankin mittakaavassa moderni.

Ennustaminen perustuu kerättyyn dataan ja sen analysointiin. Esimerkiksi teliin liittyvät viat voidaan parhaimmillaan tunnistaa kuukausia etukäteen. On helppo ymmärtää, millainen vaikutus sillä on kustannuksiin ja liikenteen sujuvuuteen.

Dataa voidaan hyödyntää hyvinkin erilaisissa kunnossapitotoimissa. VR FleetCaren SmartCare-palveluvalikoimasta löytyy esimerkiksi isojen kalustomassojen tarkastukseen kehitetty junaskanneri sekä vaihteiden ja raidevirtapiirien kunnonvalvonnan digitaaliset palvelut.

– IoT-laitteiden lisäksi datan keruuta voidaan tehdä myös kevyemmin. Toteutimme esimerkiksi projektin, jossa asentajat mittasivat jarrupalojen kulumista. Datan pohjalta pystyimme määrittelemään simulaatiomallit kulumisesta ja auttamaan asiantuntijoita tekemään päätöksiä oikeista huoltoväleistä, Sormunen kertoo.

VR FleetCarella on käytössä modernit alustat ja järjestelmät – koko paketti tiedonkeruusta ja integroinnista laskemiseen, analysointiin sekä visualisointiin.  

– Meillä on kyvykkyys integroida eri tietolähteitä pilveen AWS-tietokantaan, jolloin kaikki kalustoon liittyvä tieto voidaan koota yhteen järjestelmään. Näin pääsemme yhdistelemään ja rikastamaan dataa, mikä mahdollistaa laajemmat analyysit, Sormunen toteaa.

– Lisäksi saamme ajettua järjestelmästä ulos automaattisia raportteja ja hälytyksiä havaituista poikkeamista, Wood lisää.

Data ja toimialatuntemus luovat kilpailuedun

Usein data-analytiikka on ulkoistettu konsulttitalolle, jossa ymmärretään kyllä numeroiden päälle, mutta ammattitaidosta puuttuu asiakkaan toimialaosaaminen. Oma datatiimi on VR FleetCarelle ehdoton kilpailuvaltti, sillä data scientistit tuntevat raidealan ja pystyvät sitä kautta tuottamaan laadukkaammat ja monipuolisemmat analyysit erityisesti kehitystyön tueksi.

– Kun kalustoinsinööri ja data scientist istuvat käytännössä saman pöydän äärellä, tiedonsiirto ja yhteistyö on saumatonta. Pidän tärkeänä, että pääsen näkemään myös varikon toimintaa. Se auttaa ymmärtämään niin kokonaisuutta kuin tärkeitä yksityiskohtia, Wood painottaa.

Molemmat data scientistit korostavat datan roolin tärkeyttä raideliikenteen kunnossapidon tulevaisuudessa. Kaikkea datan mahdollistamaa hyötyä ei vielä ole mitattu irti.

– Alussa caset olivat suhteellisen helppoja, mutta nyt pääsemme koko ajan syvemmälle ja laajempiin kokonaisuuksiin. Sellaisiin, joita ei enää ole edes mahdollista tehdä ilman koneoppimista. Se tulee luomaan vielä ihan uusia ulottuvuuksia raideliikenteen kunnossapitoon, Wood sanoo.

– IoT-teknologian kehittyminen on tehnyt datan hyödyntämisestä entistä kannattavampaa myös kustannusmielessä, toteaa Sormunen.

Suurin oppi data-analytiikkaan panostamisesta on ollut se, että dataa voi ja kannattaa hyödyntää raidekaluston kunnossapidossa. Digitalisaatio ei kuitenkaan ole syrjäyttämässä ihmisen ammattitaitoa – päinvastoin. Datan avulla VR FleetCaren ammattilaiset ovat kehittäneet kaluston huolto-ohjelmia sekä parantaneet huoltotarpeen ennustettavuutta ja työn optimointia.

Data scientistien tuomat hyödyt kunnossapidossa:

1. Entistä turvallisempi raideliikenne:
Auttaa havaitsemaan äkilliset ja ei-toivotut viat ennakkoon

2. Pienemmät elinkaarihallinnan kustannukset:
Todelliseen kuntoon perustuva huoltoväli, jopa kymmeniä prosentteja pidemmät huoltovälit

3. Kaluston käytettävyyden ja luotettavuuden parantuminen:
Poikkeamat havaitaan ajoissa ja niihin ehditään reagoida ennen kuin ne aiheuttavat isompaa harmia

4.  Suunnittelun ja huollon tehostaminen:
Kysynnän parempi ennustaminen sekä eri resurssien algoritmipohjainen allokointi ja optimointi