Teradata > 实例探究 > 火车互联网

火车互联网

Teradata Logo
 The Internet of Trains - IoT ONE Case Study
技术
  • 分析与建模 - 大数据分析
  • 基础设施即服务 (IaaS) - 其他
适用行业
  • 运输
适用功能
  • 产品研发
用例
  • 根因分析与诊断
客户
关于客户
挑战

全世界的火车运营商都有望创造奇迹,即永远不会迟到。因此,要满足严格的服务和可用性目标,高效的维护计划非常重要。支持数据的功能对西门子来说是必须的。反应性维护(事故发生后)和例行的预防性维护及其目视检查和定期更换组件已不再足够。我们已经转向更具成本效益、基于状态的预测性维护。通过诊断传感器数据的传输和远程监控来测量组件的实际状况;数据也用于分析模式和趋势。这有助于预测组件何时可能发生故障,因此可以在发生任何不良情况之前对其进行修复。为了确保这种方法的商业可持续性,西门子需要使用和再利用现有数据,创建一种“火车互联网”。为此,他们正在近乎实时地分析传感器数据,这意味着他们可以非常迅速地做出反应,确保客户运输服务不会中断。 “在影响运营之前,仅使用来自火车的数据很难定义每个问题”,克雷斯解释道。然而,最近的成功案例证明一切皆有可能。

解决方案

在英国,西门子与一家大型欧洲火车运营商在其区域路线之一上开展了试点项目。该项目分析了一个相对较小的数据集,该数据集包含一百万个传感器日志读数,在一年中以五分钟的间隔采集。分析师测量了来自 300 个不同传感器的组件温度和压力等变量。这些数据与数千个相应的故障和修复报告重叠。然后团队结合数据源,定义最相关的引擎问题,并将数据划分为适当的部分。他们使用 Teradata Aster Discovery Platform 卓越的一系列分析工具从不同角度评估组合数据。它突出了有助于预测发动机问题和识别引发其他组件故障的故障元素的变量。西门子随后应用 Aster nPath 函数对不同的传感器进行分类,归类为正常值、高值和低值,然后跟踪变化。这些变化揭示了哪种传感器模式可能导致发动机故障。例如,西门子曾多次发现,当发动机温度从中值降至低值,然后再次升至中值时,三天后发动机出现故障。在验证过程中,将测试数据与总数据集的结果进行比较显示出高度的准确性,证明传感器数据分析不仅可以预测发动机故障,而且可以及时做出反应以防止它们发生。

收集的数据
Condition Based Monitoring, Fault Detection, Maintenance Requirements, Per-Unit Maintenance Costs, Uptime
运营影响
  • [Efficiency Improvement - Production Uptime]
    Increased up-time through significant reduction of un-planned downtime. As such, more mileage / fewer cars, improved utilisation of assets
  • [Efficiency Improvement - Maintenance]
    Extension/flexibility of maintenance intervals because we understand the risk. Maintenance can be performed at the least-costly location.
  • [Cost Reduction - Labor]
    Quicker root-cause analysis, improved first-time-fix rate, etc

Case Study missing?

Start adding your own!

Register with your work email and create a new case study profile for your business.

Add New Record

相关案例.

联系我们

欢迎与我们交流!
* Required
* Required
* Required
* Invalid email address
提交此表单,即表示您同意 Asia Growth Partners 可以与您联系并分享洞察和营销信息。
不,谢谢,我不想收到来自 Asia Growth Partners 的任何营销电子邮件。
提交

感谢您的信息!
我们会很快与你取得联系。