Bepalen van gladheid met Real Time Monitoring.
Twee maanden geleden was Nederland veranderd in een winterwonderland. We hadden eindelijk weer de kans om heerlijk te schaatsen, sneeuwballen te gooien of een sneeuwpop te maken. Helaas komen ook gevaren mee met dit weer. Voorzichtig met je fiets een bocht maken op een spekgladde gracht of je zonder kleerscheuren naar de supermarkt begeven. Maar niet alleen jij of ik hebben last van deze gladde omstandigheden, zoals gladde wegen door ijs en sneeuw voor de mens verraderlijk zijn, zijn gladde sporen door bladval een probleem voor treinen in de herfst.
Bij gladde omstandigheden kunnen treinwielen namelijk gaan slippen. Deze omstandigheden hoeven zich niet alleen voor te doen bij extreme bladval. Ook door dauw bij zonsopkomst of –ondergang, industriële of zeelucht neerslag kan glad spoor veroorzaken. De wielslip dat ontstaat tijdens het optrekken van een trein leidt tot schade aan de infrastructuur. Het zogenaamde ‘glijden’ bij afremmen geeft schade aan de wielen en draaistellen. Machinisten moeten daarom bij gladheid rustiger accelereren en remmen.
Gladmelden van spoor
Maar hoe weet een machinist voorshands of het op een plek glad is of niet? Als een machinist merkt dat het glad is op een specifieke plek kan hij dit melden en komt het via de treinverkeersleiding en het medewerker contactcentrum in de TimTim terecht. De TimTim is een applicatie waarbij de machinisten alle relevante, real-time routeinformatie op één scherm hebben. Hier worden dus ook tijdelijke snelheidsbeperkingen en zelfs de plekken waar het glad is op het spoor getoond. Twee uur nadat er een gladmelding is geweest belt de treinverkeerleiding naar een machinist die rond het stuk glad spoor rijdt, om te vragen of het nog steeds glad is. Gedurende de herfst kunnen niet alle meldingen worden aangemeld. Hierdoor blijft meer dan de helft van de gladheidsmeldingen te lang open staan. Het kan dus zijn dat hierdoor onnodig geanticipeerd wordt waardoor rijtijdverlies optreedt of – door het niet meer actueel zijn van de melding – het vertrouwen in de correctheid van de meldingen en de meldingsbereidheid afneemt.
Data gedreven gladmelden: de oplossing?
Een objectieve glad spoor detectie zou kunnen helpen om betrouwbaarder en meer real-time glad spoor te kunnen bepalen en effectiviteit van herfstmaatregelen objectief te beoordelen. Het doel van ons project was om binnen 4 weken te onderzoeken of met de informatie uit Real Time Monitoring (RTM) data dit bereikt kon worden. Deze Proof of Concept werd gedaan met een team van data scientists vanuit ProRail, NS en Data Science Lab.
Een trein, die aangesloten is op het RTM-systeem, stuurt continu automatisch een live updates. Bijvoorbeeld over de status van de airco en de tempratuur in de treinen, maar ook of een of een trein accelereert, remt en slipt. Met deze informatie zou dus potentieel op een objectieve manier gladheid bepaald kunnen worden.
Aanpak
Wij hebben specifiek naar de data van drie verschillende treintypes gekeken: de SLT, FLIRT en VIRM. Niet iedere type registreert dezelfde RTM-informatie. De SLT en FLIRT slaan discrete informatie op, bijvoorbeeld alleen een slipmelding wanneer er wielslip voorkomt. De VIRM geeft discrete én continue meldingen: naast de slipmeldingen worden er elke 5 seconde condities in de trein geregistreerd (bijvoorbeeld de tractie). De uitdaging is om deze verschillende treintypes en metingen te combineren tot één algoritme die objectief de gladheid van het spoor kan bepalen.
Vóór we tot dit ‘RTM’ algoritme komen, wordt er voor ieder treintype een apart algoritme ontwikkeld en geoptimaliseerd. Deze optimalisatie wordt gedaan met data uit de TimTim proef. De TimTim was een test uit de periode Q4 2019 waar 154 machinisten aan meededen. Hierbij werd machinisten bij elke halteringen gevraagd (op de TimTim) of het glad of was. De machinist werd ook gevraagd om niet-glad aan te melden, wanneer er al glad gemeld was.
Algoritmes
Het optimaliseren van deze algoritmes werd gedaan aan de hand van TimTim meldingen. De kostfunctie berekende hoe vaak de uitkomst van een algoritme het eens was met de TimTim. Doordat in de SLT, FLIRT en VIRM verschillende data wordt geregisterd, bepalen de aparte algoritmes ook met andere verschillende regels gladheid.
Het SLT/FLIRT algoritme probeert de gladheid te bepalen aan de hand van het aantal slipmeldingen. Er waren verschillende parameters gedefinieerd:
- Totaal aantal slipmeldingen per treinstel per passage
- Aantal treinstellen met slip in afgelopen 30 min
- Percentage treinstellen met slip in afgelopen 30 min
- Combinaties van bovenstaand
Om tot een optimale parameter settings te komen moet er een afweging gemaakt worden tussen de zekerheid van je voorspelling en het verlies van het aantal voorspellingen. In onderstaande figuur zien we een plot met de FLIRT (links) en SLT (rechts) uitkomsten in relatie tot de TimTim meldingen voor de eerste genoemde parameter (totaal aantal slipmeldingen per treinstel per passage). De blauwe lijn geeft het percentage correcte voorspellingen aan en de rode lijn het aantal correcte voorspellingen. Uiteindelijk hebben we de afweging tussen zoveel mogelijk voorspellingen, tegen redelijke zekerheid gemaakt. Dit kwam uit op een percentage van 75-80%.
Het VIRM-algoritme heeft een iets andere insteek. Er is hier zowel data van het aantal slipmeldingen als over de andere condities van de trein. Dit algoritme gebruikt zowel de continue en discrete RTM-sensorwaardes, zoals gevraagd motorkracht, detectie wielslip en snelheid. Het oude algoritme is geoptimaliseerd met de TimTim meldingen. Het kijkt naar de RTM-metingen 3 minuten vóór aankomst van de trein en 3 minuten ná vertrek van trein bij ieder station. In dit tijdsbestek checkt het algoritme verschillende regels, bijvoorbeeld of er slip heeft plaatsgevonden bij een hoge optrekkracht.
Uiteindelijk zijn de resultaten van de algoritmes vergeleken. De VIRM is goed in het bepalen wanneer het spoor niet glad is (91.1%). De SLT behaalt een gelijke score hiervoor (91.5%), maar doet het beter in vergelijking met VIRM op het bepalen van gladheid (73%). De FLIRT bleek te onbetrouwbaar te zijn bij bepalen wanneer het spoor niet glad is, maar voor gladheid heeft hij een uitstekende score (91.5%). Helaas kan de FLIRT in 95% van de gevallen geen gladheid bepalen. Conclusie: FLIRT weet het vaak niet, maar áls hij het weet dan kan je van hem op aan. Ieder algoritme heeft zijn sterkte kant, en juist het combineren van al deze algoritmes zou kunnen leiden tot een objectieve bepaling van de gladheid van het spoor.
Het RTM-algoritme
Hier komt het RTM-algoritme om te hoek kijken. Dit algoritme is ontwikkeld met RTM-data van de VIRM, SLT en FLIRT treinen om per station over de tijd aan te geven of er glad spoor is. De output van het algoritme geeft aan of het (waarschijnlijk) glad of (waarschijnlijk) niet glad is, tenzij er ontbrekende data wordt gemeten, dan geeft het algoritme ‘onbekend’ als aanduiding. Het RTM-algoritme combineert voorspellingen van alle treinstellen.
Onderstaand figuur laat een voorbeeld zien van de uitkomsten van de aparte treintypes, de TimTim proef, de gladspoor applicatie en het RTM-algoritme. De bovenste as laat zien dat het RTM-algoritme tot ±06:00 uur de uitkomst onbekend heeft, om vervolgens een korte periode van waarschijnlijk gladheid te vinden. Dit komt doordat de VIRM gladheid ervaart. Ook tussen ±16:00-17:00 berekent het algoritme glad spoor, doordat de opzichzelfstaande algoritmes van VIRM, SLT en FLIRT het spoor glad bepalen. Tegelijkertijd zien we dat in de gladspoor applicatie er meerdere gladmeldingen zijn gedaan, wat dus overeenkomt meet het VIRM-algoritme. Een van deze gladmeldingen wordt niet afgemeld en staat dus tot diep in de nacht op glad, iets wat het RTM-algoritme tegenspreekt.
Maar kunnen we ervan uitgaan dat het RTM-algoritme gelijk heeft? Uit een van onze analyses bleek bijvoorbeeld dat SLT lijkt minder last te hebben van gladheid dan VIRM, dus de objectiviteit is relatief. Er moet nog beter onderzoek gedaan worden om de verschillende series tot één algoritme samen te smelten omdat ze ieder hun sterke en zwakke punten hebben. Maar het RTM-algoritme kan zeker helpen om eindeloos openstaande meldingen af te melden.
RTM-algoritme performance
Er is ook onderzoek gedaan hoe het RTM-algoritme zou presteren in vergelijking met het huidige proces (de gladspoor applicatie). We hebben hierbij de focus gelegd op TimTim-meldingen met hoge zekerheid: minimaal 4 meldingen binnen een half uur die elkaar bevestigen. Door in deze analyse ervanuit te gaan dat TimTim meldingen het meest betrouwbaar zijn kunnen we de betrouwbaarheid van GSA en het RTM-algoritme bepalen en vergelijken.
Voor dagen en dienstregelpunten die in beide datasets voorkomen is het totaal aantal glad-gemelde uren in gladspoorapplicatie 12.625 en voor het RTM-algoritme 4.176. Dit zijn dus 8.449 bespaarde glad-gemelde uren (vermindering van 2/3). Het algoritme is niet perfect, maar wel beter dan de subjectieve GSA-meldingen. De losse serie-algoritmes vullen elkaars zwakheden goed aan in het resulterende algoritme. Echter, op trajecten waar niet alle drie de materieelseries rijden zal het RTM-algoritme dus minder goed presteren.
Vervolg?
NS en ProRail willen het RTM-algoritme in de praktijk testen en eventueel in de toekomst gebruiken als objectieve vervanger voor het huidige subjectieve proces. Hiermee maken ze ook cruciale tijd vrij voor treinverkeersleiders (genoemd in de introductie), die eventueel geen rol meer hoeven te spelen in een objectief glad-meld-proces.
Meer weten over dit specifieke project of benieuwd wat data science voor jou kan betekenen? Neem gerust contact met ons op voor meer informatie.
