MY RAILTin tức đường sắt

Ứng dụng IIoT và AI để nâng cao hiệu quả bảo trì hạ tầng đường sắt

Trung tâm nghiên cứu Palo Alto (PARC) sử dụng internet vạn vật trong công nghiệp (IIoT) và trí tuệ nhân tạo (AI) để phát triển các công nghệ nhằm nâng cao hiệu suất quản lý và bảo trì đường sắt. Giám đốc thực hiện chiến lược Ajay Raghavan giải thích thêm về dự án của mình đang thực hiện cùng JR East.

Từ việc mở tuyến đầu tiên từ Tokyo đến Yokohama vào năm 1872 cho đến tàu cao tốc Shinkansen ngày nay, sự phát triển của đường sắt Nhật Bản là một thắng lợi của tham vọng và thành tựu tiên phong trong lĩnh vực công nghệ và kỹ thuật.

Dịch vụ đường sắt chở khách ở Nhật Bản là lời giải thích rõ ràng cho hiệu quả và mạng lưới trải rộng hơn 27.000km vẫn là một trong những dịch vụ được sử dụng nhiều nhất, đúng giờ và ít được trợ cấp nhất trên thế giới.

Đảm bảo rằng quá trình vận hành và bảo trì (O&M) được thực hiện một cách kịp thời là cốt lõi của thành công này. Tuy nhiên, trong những năm gần đây, các nhà khai thác như Công ty đường sắt Đông Nhật Bản (JR East), đã phải đối mặt với nhiều thách thức bao gồm cơ sở hạ tầng xuống cấp, sự thiếu sót của các chuyên gia bảo trì tàu do Nhật Bản giảm dân số và chi phí tăng vọt cùng với ngân sách bị thu hẹp.

Để giúp cải thiện hiệu quả và an toàn chạy tàu cho sáu tỷ hành khách sử dụng dịch vụ của JR East mỗi năm, công ty đã hợp tác với Trung tâm nghiên cứu Palo Alto (PARC), một công ty hàng đầu về cách mạng công nghệ có trụ sở tại Thung lũng Silicon tập trung vào phân tích dự đoán sử dụng internet vạn vật trong công nghiệp (IIoT).

Cơ sở hạ tầng nhiều tuyến đường sắt của Nhật Bản đã được triển khai đưa vào hoạt động từ nhiều thập kỷ trước và rõ ràng JR East muốn khai thác tối đa chúng mà không ảnh hưởng đến an toàn” theo ông Ajay Raghavan, giám đốc điều hành chiến lược của PARC “Dân số giảm có nghĩa là doanh thu từ đường sắt đang giảm và do đó cũng có áp lực đối với các đội vận hành và bảo trì phải giảm bớt, cộng với đó rất nhiều kỹ thuật viên giàu kinh nghiệm hơn đang bắt đầu nghỉ hưu”.

Trước những yếu tố này, JR East nhận ra rằng các biện pháp bảo trì dựa trên thời gian (Time-Based Maintenance TBM) hiện tại có thể sẽ không phải là giải pháp tốt nhất trong tương lai và đã xúc tiến với PARC sáu năm trước để tìm kiếm một giải pháp lâu dài, hiệu quả và bền vững hơn”.

Cửa sổ cơ hội: thời gian so với bảo trì dựa trên điều kiện

Bảo trì dựa trên thời gian truyền thống (TBM) và giải quyết ‘trở ngại và sửa chữa” hoặc các hoạt động bảo trì theo kế hoạch, có thể tốn kém, dễ bị lỗi của con người hoặc dẫn đến tăng thời gian trở ngại hoặc tai nạn. Các công ty đường sắt có thể sẽ thay đổi phương thức bảo trì theo thời gian TBM sang hướng bảo trì theo điều kiện (Condition-Based Maintenance), khi đó các máy móc thiết bị sẽ được bảo trì khi có nhu cầu.

Raghavan sử dụng toa xe để minh họa cho khái niệm về CBM. Một toa xe cần thay dầu 6-12/lần tháng hoặc 5-10.000 dặm. Các mẫu mới hơn có các cảm biến cho đơn vị quản lý biết khi nào máy móc thiết bị đến hạn dựa trên thời gian sử dụng trung bình, nhưng điều này có thể không chính xác do chưa tính đến các yếu tố như tải nặng hoặc sử dụng thường xuyên. Lịch duy tu bảo trì có thể quá cứng nhắc.

Tất nhiên, điều tồi tệ nhất có thể xảy ra là toa xe ngừng hoạt động, nhưng ngoại suy điều đó ra một máy móc thiết bị phức tạp như cả đoàn tàu hỏa. Lúc này vấn đề ngay lập tức trở nên quan trọng hơn rất nhiều.

Giao thông của hệ thống tàu điện ngầm ở Tokyo rất “điên rồ”, đặc biệt là vào giờ cao điểm và nếu một chuyến tàu ngừng hoạt động, toàn bộ hệ thống bị tắc nghẽn, hoặc trong những trường hợp cực đoan nhất, tai nạn có thể ảnh hưởng đến tính mạng con người“, Raghavan cho biết, “Phương thức TBM có thể đã làm tốt việc này cho các tài sản có mô hình sử dụng tương tự, nhưng không nhất thiết phải cho những hệ thống khác về địa lý hoặc khí hậu, hoặc những hệ thống thay đổi so với thiết kế ban đầu, trong những trường hợp này, các thực hành TBM không còn hiệu quả nữa”.

Do đó, các công ty đường sắt đang chuyển từ TBM sang mô hình dự đoán hơn này, nơi các nhóm O&M có thể nhận được thông báo một tuần hoặc thậm chí một tháng trước khi tài sản thất bại, cho phép họ chuẩn bị lịch trình và tài nguyên để tránh việc đào tạo ra khỏi dịch vụ quan trọng và phá vỡ hệ thống .

Phân tích dự đoán cũng rất có giá trị về mặt lập kế hoạch dài hạn. Cung cấp cho các nhà khai thác dữ liệu về thời gian hữu dụng còn lại của một tài sản một hoặc thậm chí sáu tháng trước khi nó phải nghỉ hưu cho phép họ lên kế hoạch trước cho một khoản đầu tư lớn, chẳng hạn”.

Phân tích công nghệ MOXI™:

JR East đã thu thập một lượng đáng kể dữ liệu từ phòng thí nghiệm và thực địa, nhưng đang “vật lộn” để hiểu nó.

“Họ đã thành công từ 70% – 80%, nhưng không đủ để các đội vận hành và bảo trì có thể tự tin với khả năng của mình“, Raghavan nói “Họ cũng hoài nghi về CBM“.

PARC đã triển khai công nghệ MOXI™, sử dụng các thuật toán dựa trên mô hình cho phép độ chính xác từ 90% trở lên và tỷ lệ cảnh báo sai thấp và trong một số trường hợp chỉ cần các bộ dữ liệu tối thiểu.

Hệ thống đầu tiên mà chúng tôi triển khai là cửa xe lửa, ở Anh, có thể gây ra tới 30% lỗi chậm tàu“, Raghavan giải thích “Có rất nhiều người trong số họ và họ được sử dụng mỗi khi ai đó sử dụng tàu điện ngầm hoặc các chuyến tàu quá cảnh lớn khác. Cửa được cho là hoạt động tự động 100% và họ làm một công việc hợp lý hầu hết thời gian, mặc dù phải chịu tải trọng khá lớn, nhưng chỉ mất một lần để không thể đưa toàn bộ tàu ngừng hoạt động”.

Vì vậy, điều này có tầm quan trọng rất lớn đối với JR East vì công ty luôn tự hào về thời gian, mọi lúc. Trong vòng 5 tháng, nhóm PARC của chúng tôi đã có thể chứng minh bằng chứng đầu tiên về khái niệm CBM dự đoán của chúng tôi làm việc cho hệ thống cửa tàu với độ chính xác 95% hoặc cao hơn trong việc phân loại các loại lỗi khác nhau và, nhờ vào thuật toán của chúng tôi, rất thấp tỷ lệ báo động sai tối thiểu”.

Bảng điều khiển cũng được phát triển để cho phép các kỹ sư của JR East trực quan hóa và hiểu rõ hơn các dữ liệu thu được. PARC và đối tác tư vấn châu Á NRI hiện đang làm việc với các nhóm của Trung tâm kỹ thuật JR East để thử nghiệm và triển khai các giải pháp này trên tuyến đường sắt Yamaman được sử dụng nhiều.

“Chúng tôi cũng đã xây dựng một giải pháp phân tích trên máy vi tính, tự động phân tích các hình ảnh được chụp bởi các đoàn tàu Solus hoạt động trên đường ray qua đêm, Raghavan cho biết thêm. Thuật toán của chúng tôi hiểu ý nghĩa của chúng và xác định các loại lỗi khác nhau”.

Cầu nối đến tương lai: radar quang học và phân tích

Bộ công nghệ PARC MOXI™ cũng đã được triển khai trong các nhà máy thông minh, cũng như các hệ thống quan trọng như năng lượng và hàng không vũ trụ. Theo Raghavan, thành công của nó phần lớn nhờ vào khả năng thu được các phân tích có độ chính xác cực cao.

Chúng tôi không dựa vào các phương pháp học máy hộp đen, mà thay vào đó áp dụng một nguyên tắc đầu tiên, phương pháp dựa trên vật lý để hiểu cách hệ thống vận hành, hoạt động và thất bại”, anh giải thích “Chúng tôi không nhất thiết phải dựa vào số lượng lớn các tập dữ liệu được dán nhãn, đó là điều mà hầu hết các thuật toán học máy hiện đại cần để thành công. Trong CBM, việc có được các bộ dữ liệu được gắn nhãn là một thách thức đáng kể vì thất bại tài sản có xu hướng không thường xuyên – có được số tiền thậm chí khiêm tốn có thể mất vài tháng”.

Tuy nhiên, khi có nhiều tài sản trực tuyến, chúng tôi đang nhận được nhiều dữ liệu hơn và công nghệ phân tích dự đoán của chúng tôi được định vị rất tốt để tận dụng lợi thế đó.

Sự bao phủ Toàn cầu của PARC mở rộng đến Úc, nơi hiện đang sử dụng các cảm biến quang học vào các cây cầu đường sắt thuộc sở hữu của Tập đoàn Đường sắt Victoria (VicTrack),sử dụng radar quang học và phân tích để hiểu dữ liệu thu được”.

“Một số cây cầu xây dựng vào những năm 1950-1960, được thiết kế với tuổi thọ 100 năm, nhưng chúng bắt đầu cho thấy dấu hiệu lão hóa”, Raghavan nói “Cho đến nay Victoria đã cố gắng tránh các loại hỏng hóc cầu mà chúng ta đã thấy ở những nơi khác trên thế giới, bao gồm cả ở Mỹ.

Bang Victoria đang chủ động và, giống như JR East, đã áp dụng phương thức bảo trì dự đoán để quản lý các tài sản này”.

Tags
Show More

Related Articles

Leave a Reply

Your email address will not be published. Required fields are marked *

Back to top button
Close