Schienen-infrastruktur-Management

Die Rail-Asset-Datenanalyseplattform kombiniert Datenintegration, Datenanalyse und Decision Management in einem System zur Verkürzung Ihrer Markteinführungszeit.

In den letzten Jahren wurden im Eisenbahnbereich zahlreiche weitere Sensoren und Überwachungssysteme installiert. Die Nutzung aller gegenwärtig verfügbaren Daten und deren Kombination mit neuen Auswertungsansätzen und Technologien haben die Instandhaltung der Infrastruktur revolutioniert: Heute werden Probleme bereits erkannt, bevor sie auftreten.

Predictive-Maintenance-Modelle und -Ansätze tragen dazu bei, «zu frühe» (vorbeugende) und «zu späte» (behebende) Instandhaltungsarbeiten zu vermeiden. Ziel dieses Ansatzes ist es, anhand aller verfügbaren Daten zum idealen Zeitpunkt die beste Massnahme für die Instandhaltungsarbeiten vorzuschlagen. Auf diese Weise werden die Diagnosedaten nicht nur zur Kontrolle genutzt, sondern sie dienen auch als Treiber für die Instandhaltungsarbeiten. Ganz klar ein Paradigmenwechsel, der mehrere Vorteile hat:

  • Wechsel von der reaktiven zur proaktiven Instandhaltung
  • Verbesserte Visibilität des Anlagenzustands
  • Unterstützung der Instandhaltungsteams, damit die Mitarbeiter die richtigen Entscheidungen treffen können (z. B. schleifen, füllen, Schienenstränge verlegen oder auswechseln)
  • Reduktion der hohen Kosten durch Optimierung der Instandhaltungsarbeiten (keine ungeplanten Instandhaltungsarbeiten, lang-, mittel- oder kurzfristige Instandhaltungsplanung, Kombination unterschiedlicher Instandhaltungsarbeiten, …)
  • Ermittlung der Ausfallursachen
  • Bessere Nutzung der Rückläufe aus Gewährleistungen
  • Finanzplanung

ELCA bietet einen Rail-Asset-Datenanalyseservice, der Datenintegration, Analyse und Decision Management in einem System kombiniert, um so Ihren Zeitbedarf bei der Markteinführung zu verkürzen. Der Rail-Asset-Analyseservice umfasst dabei nicht nur IT-Aufgaben; die eigentliche Herausforderung ist die Integration kundenspezifischer Daten – in den meisten Fällen sehr komplexer Daten, die schwer zu verstehen und zu interpretieren sind – und folglich die Anwendung der richtigen Konzepte:

  • eine grosse Anzahl von Einflussparametern wie Topologie, Auslastung, Unterbau, Wetter, Ausdehnung etc.
  • eine breite Menge (komplexer) Daten sowie verschiedene Modelle und Formate, die grosse Speicherkapazität und Clustering erfordern