Big data w procesie zarządzania transportem kolejowym cz. 2

Technologia big data, rozumiana jako proces zbierania i analizy dużych zbiorów danych w celu optymalizacji procesów, jest z sukcesem wykorzystywana w wielu branżach, m.in. finansowej, ubezpieczeniowej i telekomunikacyjnej. Big data znajduje również zastosowanie w obszarze zarządzania transportem kolejowym: poprawia poziom bezpieczeństwa ruchu kolejowego i umożliwia firmom działającym w tej branży osiąganie wymiernych korzyści biznesowych.

Metody konserwacji predykcyjnej

Jednym z najważniejszych obszarów wykorzystania algorytmów sztucznej inteligencji w branży transportowej jest predictive maintenance (ang.), czyli zbieranie masowych danych o konkretnym urządzeniu lub innym zasobie. Celem tego działania jest określenie stanu technicznego oraz poziomu ryzyka wystąpienia awarii. Dzięki temu możliwe jest podejmowanie działań zapobiegawczych z odpowiednim wyprzedzeniem, a co za tym idzie – unikanie awarii i zakłóceń w ruchu. – „Predictive maintenance” umożliwia minimalizowanie kosztów związanych z nagłymi i niespodziewanymi naprawami. Dzięki wdrożeniu strategii utrzymania predykcyjnego można realnie zmniejszyć koszty serwisu i ograniczyć czas przestojów pojazdów kolejowych, wydłużając jednocześnie okres ich użytkowania, co również przekłada się na wyższy poziom bezpieczeństwa. W moim odczuciu oszczędne utrzymanie i gospodarowanie zasobami na kolei odgrywać będzie w przyszłości kluczową rolę w branży, dużo większą niż inwestycje – przewiduje Marcin Trzaska z SEiMTS.
Wykorzystanie modeli uczenia maszynowego w celu przewidywania awarii i optymalizacji ustawień dotyczy zarówno taboru kolejowego (nowe lokomotywy są wyposażane w czujniki już na etapie produkcji, zaś w starszych modelach budowane są w tym celu specjalistyczne systemy obsługiwane przez dedykowane serwery), jak i infrastruktury (PKP PLK planuje kompleksową realizację działań w tym zakresie)3. – W krajach Beneluksu stworzono i wdrożono już urządzenia bazujące na technologii LIDAR (czyli teledetekcji), które wykorzystują lasery i kamery. Rozwiązanie to pozwala na kompilację danych dotyczących zarówno taboru, jak i infrastruktury. Przenośne urządzenie montowane jest do sprzęgów kolejowych danego przewoźnika i pozwala na zbieranie ogromnej ilości danych na temat infrastruktury, po której porusza się pociąg. Bardzo dokładne informacje, dotyczące m.in. geometrii torów czy najbliższego otoczenia (np. zieleni otaczającej szlaki kolejowe), umożliwiają optymalne zarządzanie infrastrukturą. Oznacza to np. spore oszczędności w zakresie kosztów związanych z fizyczną weryfikacją/inspekcją stanu infrastruktury, zużyciem paliwa czy dostępnością taboru4 – zauważa Marcin Trzaska z SEiMTS. Ten przykład pokazuje, że wdrożenie innowacyjnych rozwiązań wspieranych przez rozwiązania big data może być dla kolei przedsięwzięciem opłacalnym.

Przyszłość kolei z big data

Postępy w zakresie wdrożania technologii big data w obszarze kolejnictwa zależą w dużej mierze od segmentu rynku. W Polsce w praktyce działa już na przykład system tzw. eco-drivingu dla kolejarzy, rozwijany w ramach jednej z głównych inicjatyw Centrum Efektywności Energetycznej Kolei przez PKP Energetyka5. Systemy eco-drivingu, czyli inteligentnego zarządzania jazdą pociągu w celu generowania oszczędności energii, bazują na analizach big data. – Wdrożenie modułów eco-drivingu w lokomotywach poprzedza zbieranie dużej ilości danych o zużyciu energii na poszczególnych trasach i ich dogłębna analiza. Algorytmy pozwalają na wypracowanie najbardziej ekonomicznego systemu jazdy i wskazywanie maszynistom odpowiednich parametrów mocy czy prędkości na danych odcinkach – wyjaśnia Marcin Trzaska z SEiMTS.
Najbardziej rozpowszechnioną formą wykorzystania rozwiązań z zakresu sztucznej inteligencji jest podejście typu predictive maintenance, które dotyczy wszystkich procesów występujących na kolei. Wiele rozwiązań bazujących na big data jest wciąż niedojrzałych biznesowo i potrzeba czasu na wypracowanie realistycznych modeli pracy. – Przykładem może być ATO (ang. automatic train operation, automatyczne prowadzenie pociągu) – system, który występuje dziś na świecie w bardzo ograniczonym zakresie. W teorii jest on ważnym rozwiązaniem, które pozwoli uczynić kolej bardziej wydajną i dostępną. Wyzwaniem jest jednak w tym przypadku uzyskanie efektywności kosztowej tego przedsięwzięcia i zapewnienie bezpieczeństwa pasażerów i towarów – komentuje Marcin Trzaska.
W opinii dra Tadeusza Syryjczyka kluczowym problemem, na który odpowiedzią może być technologia big data, jest poprawa funkcjonalności systemów informowania pracowników i podróżnych. – Wymaga to śledzenia danych o faktycznej lokalizacji pociągu, symulowania na bieżąco spodziewanej realizacji rozkładu jazdy na całej sieci oraz śledzenia danych o drogach przebiegu ułożonych przez dyżurnych ruchu w celu określenia z wyprzedzeniem przedziału opóźnienia oraz korekty przydziału torów i peronów. Obecnie duże nakłady na wyświetlacze, zegary oraz informację wizualną i głosową pozostają w zdecydowanym kontraście do jakości przekazywanej j informacji – zwłaszcza w razie powikłań w zakresie ruchu – zauważa ekspert.
Dotychczasowe doświadczenia jasno pokazują, że statystyczna analiza dużych wolumenów danych, wspierana przez nowoczesne technologie informacyjno-komunikacyjne, pozwala na usprawnienie zarówno ruchu kolejowego, jak i obsługi pasażerów na dworcach (szczególnie w momentach, w których występuje jego największe natężenie). Wszystko to przekłada się na poprawę bezpieczeństwa oraz zredukowanie kosztów związanych z ewentualnymi wypadkami czy niespodziewanymi sytuacjami. – Podejście „predictive maintenance”, rozumiane jako ciągła optymalizacja taboru, procesów i infrastruktury kolejowej, to jeden z najważniejszych elementów strategii Przemysłu 4.0. Jest ono kluczem do budowy inteligentnych, ekologicznych i jeszcze bardziej opłacalnych systemów kolejowych w przyszłości – podsumowuje Marcin Trzaska z SEiMTS.