AI-baserat förebyggande underhåll inom järnvägssektorn: Mot säkrare och mer tillförlitliga nätverk

Järnvägsnäten världen över ställs inför kravet att transportera fler passagerare och mer gods – med högre hastigheter och tätare avgångar – samtidigt som toleransen för driftstörningar är lägre än någonsin tidigare. Samtidigt åldras en stor del av den underliggande infrastrukturen, och den specialiserade arbetskraften som traditionellt har patrullerat spåren och inspekterat vagnparken minskar. 

Detta är ett återkommande tema i mina samtal med ledande befattningshavare inom järnvägsbranschen: ”Man kan inte driva en järnväg från 2000-talet med en underhållsfilosofi från 1900-talet.” Och branschen är medveten om detta.

Det är därför som AI-baserat förebyggande underhåll inom järnvägssektorn håller på att utvecklas från ett lovande pilotprojekt till en prioriterad fråga på styrelsenivå. Frågan är inte längre om man ska införa det, utan hur snabbt operatörerna kan klättra uppför mognadskurvan – från att reparera utrustning efter att den har gått sönder, till att förutsäga fel innan de inträffar, och slutligen till system som på egen hand rekommenderar rätt åtgärd. 

AI-baserat förebyggande underhåll inom järnvägssektorn

Prediktivt underhåll inom järnvägssektorn är disciplinen att använda sensordata och maskininlärning för att förutsäga när en specifik anläggning sannolikt kommer att gå sönder, så att den kan underhållas vid exakt rätt tidpunkt. Det kan bäst förstås som en punkt på en mognadskurva som varje operatör rör sig längs:

• Reaktivt: repareranär det går sönder.
• Förebyggande: underhållden med fasta intervall så att den inte går sönder.
• Prediktivt: använddata för att förutsäga när det kommer att gå sönder och åtgärda det därefter.
• Preskriptivt: gåett steg längre – låt systemet rekommendera hur man helt kan undvika det förutsagda felet.

En fungerande förutsägande underhållsfunktion vilar på tre lager. Det första är datainsamling: ett tätt nät av sensorer längs spåret och ombord, högupplösta kameror och värmekameror, laserprofilering, LiDAR, akustiska sensorer och vibrationssensorer, drönare samt data som hämtas direkt från OEM-system. Det andra är analysverktyg som finns både i edge-miljön och i molnet – edge-bearbetning så att en kritisk avvikelse kan utlösa en varning i realtid, nära anläggningen, utan att behöva vänta på uppkoppling; och molnbaserad analys för att korrelera mönster över hela flottan och nätverket över tid. Den tredje delen är själva AI:n: modeller som upptäcker och klassificerar fel, skiljer normalt slitage från verkliga risker och prognostiserar återstående livslängd.

På LTTS anser vi att det är användbart att betrakta dessa modeller som tre komplementära grupper. 

Fysisk AI grundar sina förutsägelser på den deterministiska tekniska fysiken hos järnvägssystem, så att en prognos stämmer överens med hur anläggningen faktiskt beter sig. Generativ AI hjälper ingenjörer och operatörer att utforska denna information med naturligt språk, med stöd av manualer, datablad och historiska uppgifter. Och agentisk AI börjar automatisera arbetsflödena kring en prognos – skapa arbetsorder, schemalägga ingrepp och slutföra processen. När dessa används tillsammans, i kombination med ett verkligt tekniskt resultat snarare än en nyhet, är det detta som gör prognosen tillräckligt tillförlitlig för att man ska kunna agera utifrån den.

AI-baserat förebyggande underhåll för rullande materiel

Det är inom rullande materiel som det prediktiva underhållet ofta ger de mest synliga säkerhets- och kostnadsfördelarna, eftersom ett fel på ett fordon i rörelse får omedelbara konsekvenser. Hjul, lager, bromsar, bogier, dörrar och framdrivningssystem slits alla på sätt som lämnar mätbara spår.

System för mätning av hjulprofiler skannar nu hjulen på ett tåg i rörelse, kontaktfritt, med en noggrannhet på några hundra mikrometer – och markerar slitning på löpbanan och defekter på flänsen som ökar både risken för urspårning och skador på spåret. Detektorer för överhettade lager identifierar överhettade lager och bromsar som släpar i ett tidigt skede och upptäcker exakt de tillstånd som annars kan leda till axelbrott eller bränder. Inspektionssystem med maskinvision avläser automatiskt vagns- och loknummer och upptäcker mekaniska defekter i realtid när ett tågset kör in på en bangård, vilket ersätter långsamma och subjektiva manuella kontroller. 

Och tillståndsbaserad övervakning av bromsbelägg, framdrivning och motortillstånd gör att teamen kan ingripa utifrån fakta snarare än antaganden – i ett fall minskade detta bytet av bromsbelägg med cirka 15 procent samtidigt som säkerheten förbättrades. Den röda tråden är enkel: fordonet talar om vad det behöver, och du agerar innan ett fel blir ett haveri.

AI-baserad övervakning av spår och infrastruktur

Spår och infrastruktur längs spårsträckan utgör en helt annan utmaning än rullande materiel – inte en enda rörlig tillgång, utan tusentals kilometer fast infrastruktur som måste inspekteras kontinuerligt. Det är här datorseende och edge-analys har revolutionerat vad som är möjligt.

Vår egenutvecklade, patenterade spårinspektionsplattform, TrackEi™, är ett bra exempel. Högupplösta kameror med flera vinklar och 2D-laserprofilmätare, i kombination med GPS-RTK-positionering med en noggrannhet på ungefär en meter, upptäcker och klassificerar ett brett spektrum av defekter – ytslitage och korrugering, hårfina sprickor, spårviddsvariationer, geometriska avvikelser, trasiga räls och fel i skarvar – i realtid, med prediktiv analys som förutsäger var nästa fel sannolikt kommer att uppstå. I praktiken har denna typ av kapacitet halverat inspektionstiderna och uppnått en noggrannhet i felupptäckten på ungefär 90 procent, samtidigt som inspektionen har förvandlats från en periodisk händelse till en kontinuerlig, datarik bild av nätverkets tillstånd.

För det allvarligaste felet av alla – en trasig räls – används nu flera kompletterande tekniker i områden med liten eller ingen signaleringstäckning. Spårkretsbaserad detektering av trasiga räls ger extremt låga andelar falska positiva resultat och lokaliserar ett brott till en specifik spårsträcka. Akustisk emissionsavkänning lyssnar efter högfrekventa signaler från mikrofrakturer och kan utlösa ett larm innan ett fullständigt rälsbrott inträffar, samtidigt som händelsen lokaliseras med en noggrannhet på några tiotal meter. I allt högre grad kan samma AI-bearbetningspipeline ta emot bilder som tagits med drönare, vilket utvidgar den autonoma inspektionen till konstruktioner och sträckor som är svåra eller osäkra att nå till fots.

Affärsnyttan: säkerhet, tillförlitlighet och tillgångarnas tillgänglighet

Trots teknikens sofistikerade natur vilar argumenten för AI-baserat förebyggande underhåll på ett fåtal resultat som alla ledande aktörer inom järnvägsbranschen känner igen:

Säkerhet först – attupptäcka trasiga räls, överhettade lager och strukturella skador innan de förvärras minskar direkt risken för urspårningar och incidenter längs järnvägslinjen. Förutsägelser förvandlar säkerhetsarbetet från en reaktiv till en förebyggande strategi.

Tillförlitlighet och tillgänglighet: genom attingripa endast när en anläggning verkligen behöver det – och alltid innan ett fel uppstår – minskar operatörerna oplanerade driftstopp kraftigt; plattformar för prediktivt underhåll har minskat anläggningarnas driftstopp med upp till 40 procent under drift. Färre oväntade fel innebär färre förseningar och en mer pålitlig tidtabell.

Kostnad och produktivitet: närtillståndsbaserade ingrepp sätter stopp för slöseriet med överunderhåll av fungerande anläggningar och de betydligt högre kostnaderna för katastrofala fel. Automatiserad, AI-stödd inspektion halverar ungefär inspektionsarbetet och frigör knappa resurser i form av kvalificerade ingenjörer som då kan fokusera på bedömning istället för datainsamling.

Hållbarhet och arbetskraft: attförlänga tillgångarnas livslängd, optimera energianvändningen och minska slöseriet med underhåll stöder alla hållbarhetsmålen – samtidigt som AI kompletterar en åldrande och krympande specialiststyrka istället för att försöka ersätta den, och därmed bevarar den hårt förvärvade expertisen i själva systemet.

Vad händer efter prognosen

Den mest intressanta fronten är inte längre själva prognosen, utan vad som händer när ett fel väl har förutsetts. Preskriptivt underhåll överbryggar klyftan mellan insikt och handling – systemet varnar inte bara för att ett lager kommer att gå sönder, utan rekommenderar den optimala åtgärden och kan, med agentbaserad AI, i allt högre grad samordna det efterföljande arbetsflödet. 

Det är här som autonoma arbetsflöden inom järnvägsteknik och drift börjar ta form: intelligens som planerar, schemalägger och samordnar de insatser från människor och maskiner som krävs för att hålla ett nätverk igång.

Min egen övertygelse, efter att ha arbetat inom mobilitetsområdet i många år, är att denna teknik endast förtjänar sin plats när den är ändamålsenlig – byggd för tekniska resultat, inte för syns skull. AI-baserat förebyggande underhåll är ett av de tydligaste exemplen på den principen i praktiken – och det är redan idag klart för operatörerna att agera på.