Strömställare och punkter

Punkter och punkter är viktiga i det täta nederländska järnvägsnätet, men samtidigt ett av de mest känsliga områdena i tåginfrastrukturen. Tipset är i synnerhet att ha det svårt, varför vi håller ett öga. Lär känna förutsägbart spårunderhåll. Utmaningen Ännu ett omkopplingsfel... Växlar är känsliga delar i järnvägsnätet. Förutom generatorn är spetsen också mycket mottaglig för skador och slitage, eftersom järnvägen är avbruten här. Varje tåghjul löper över ett slags ”hål”, vilket orsakar påverkan på spetsen. Lyckligtvis är en spets utformad för att absorbera detta tills slitage uppstår och påverkan ökar. Med hjälp av våra data kommer du att vara den första som känner till järnvägens tillstånd. Strömställare slits ut snabbare på grund av försenat underhåll, men utan data är det komplicerat att planera underhåll i tid. Välskötta switchar sparar inte bara kostnader utan främjar också säkerhet och kontinuitet i infrastrukturen. Ändringar varar mycket längre och onödigt underhåll hör till det förflutna. Men hur håller du poäng och poäng på punkt utan att vara på rätt spår för varje misstag? Och vad behöver du mäta för att veta när en förändring behöver underhållas?

Med datadrivet underhåll vet du exakt när omkopplarna är slitna, du kan omedelbart se effekten av underhåll och upptäcka problem långt innan de är fel. Detta är också fallet med detta exempel på en omställning i Rotterdam. Med våra sensorer gör vi vertikal upphängning, slag och tåghastighet mätbar. På så sätt kan du bara anställa tekniker vid rätt tidpunkt och med rätt verktyg. När ett tåg rusar förbi har poängen svårt. Detta ”kedeng kedeng” -ljud kan fungera bra på puben, men är mindre gynnsamt för spåret. Hög påverkan innebär mer skada på spetsen. Så dags för underhåll. I exemplet ovan kan du se att vi upptäckte underhåll vid två tillfällen. Tillsammans med kunden bestämde vi sedan vilket underhåll som var mest effektivt och hållbart. Och det kan bli ännu smartare! Genom maskininlärning och smarta algoritmer kan vi i allt högre grad berätta när och vilket underhåll som är nödvändigt. Med hjälp av AI känner vi igen underhållsmönster i data. På så sätt håller vi inte bara reda på realtidsdata, utan vi kan också se fram emot underhåll på kort och lång sikt.