部署预测性维护以提升铁路效率

在一个案例中，PARC正在与东日本铁路公司(也称为JR-East)进行试点项目。由于基础设施老化以及定期维护预算缩减，东日本铁路公司一直面临成本上涨问题。

PARC与野村研究所(NRI)合作，采访了JR East的工程师、研发团队和维护技术人员，以充分了解问题所在，并确定应如何使用预测性维护技术。然后，PARC创建了仪表板模型，收集了来自JR-East的反馈，并开始了算法和软件开发的快速迭代。

该团队通过应用高级机器学习和基于模型的系统分析方法，开发了定制的故障检测和诊断试点软件。还为JR-East工程师开发了仪表板，以可视化并更好地理解所获得的数据。(来源物联之家网)最初的试点工作集中在列车门和铁轨的维护上，目标是随着时间推移逐步扩展该计划，使其包括铁路、车站、桥梁和隧道等其他资产。

铁轨和列车门故障检测的初步测试表明，真阳性率非常高，误报/漏检率非常低。仪表板使JR-East技术人员能够在即将到来的问题升级为资产故障/停机之前发现并修复这些问题。目前正在进行进一步的测试，以验证调查结果并进行全面的部署实施。

JR East试点项目只是预测性维护的众多例子之一。通过应用基于人工智能的预测模型，工业公司可以对其设备的状况、安全和性能产生可操作的见解，以保持设备平稳、优化地运行，同时最大限度地减少停机时间。

（编辑：通化站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!