Demiryolunun geleceği: İzlemek, tahmin etmek ve öğrenmek
Özet
İngiltere demiryolu ağının 2030'ların ortalarına kadar bir milyar ek yolcu taşıma potansiyeli olduğu tahmin edilmektedir. Rapora göre, gelecekteki demiryolu operasyonları için yapay zeka, merkezi bir model yerine altyapı ve varlıklara entegre edilmiş bir işletim sistemi katmanı haline gelecektir. Bu dönüşüm, özellikle bakımda büyük bir değişim getirecek; geleneksel reaktif ve manuel yaklaşımdan, sensör verilerine dayalı olarak arızaları önceden tahmin eden öngörücü bakıma geçiş sağlanacaktır. Bu veri odaklı yaklaşım, acil durum çağrılarını azaltarak ve "bul ve düzelt" yerine "tahmin et ve önle" mantığını benimseyerek operasyonel verimliliği artıracaktır.
Son bir sektör raporu [PDF], İngiltere'nin demiryolu ağının, Mart 2024 sonunda kaydedilen 1,6 milyar yolcu demiryolu yolculuğuna ek olarak, 2030'ların ortalarına kadar bir milyar ek yolculuk taşıyabileceğini öne sürüyor. Önümüzdeki on yıl, daha fazla dijital sistem, veri ve birbirine bağlı tedarikçilerin daha fazla arıza noktası potansiyeli yaratmasıyla karmaşıklık ve kontrolün bir kombinasyonunu içerecektir.
Raporun ana teması, yapay zekanın modern demiryolu için, tek, merkezileştirilmiş bir model ve algoritma koleksiyonu olarak değil, altyapıda, yuvarlanan stokta, bakım sahalarında ve istasyonlarda bulunan tahmin, optimizasyon ve otomatik izleme katmanları olarak işletim sistemi haline geleceğidir (s.18-23). Bu teknoloji, insan faaliyetini tamamen ikame etmek yerine, günlük iş programları içindeki insan odağını yönlendirecektir.
Bakım tahmin edici ve veri odaklı hale geliyor
Geleneksel demiryolu bakımı, sabit programlara ve manuel incelemelere dayanır; bu da reaktif ve emek yoğun bir uygulamadır. Beyaz kitap, Network Rail'in kusurları tespit etmek için mühendislerin raylarda yürümesine olan bağımlılığını belirtmektedir (s.18). Yapay zeka, sensörlerden gelen verileri analiz ederek önemli kesintilere neden olmadan önce arızaları tahmin ederek sektörü tahmin edici bakıma kaydıracaktır.
Bu, yüksek çözünürlüklü kameralar, LiDAR tarayıcıları ve titreşim monitörleri dahil olmak üzere sensörler ve görüntülemenin bir kombinasyonunu içerir. Bunlar, makine öğrenimi sistemlerine, raylarda, sinyalizasyonda ve elektrikli varlıklarda arızadan önce bozulmaları işaretleyebilecek veriler sağlar (s.18-19).
Bu izleme programları, acil durum çağrılarını azaltarak aylar öncesinden uyarılar üretebilir. Varlık arızasını tahmin etme süresi, varlık türüne göre değişir. Network Rail'in akıllı altyapı çabaları, "bul ve düzelt"ten "tahmin et ve önle"ye geçmelidir.
Network Rail, varlık bilgilerini birleştirmek için tasarlanmış veri odaklı bakımı ve araçları vurgularken, Avrupa Ar-Ge programları (öncülü Shift2Rail olan Europe’s Rail gibi), benzer şekilde reçeteli varlık yönetimini hedefleyen DAYDREAMS gibi projelere fon sağlamaktadır. Ölçekte tahmin, dönüşümü başarmak için ortak bir yaklaşım gerektirir.
Trafik kontrolü ve enerji verimliliği
Tahmin edici bakımın ötesinde operasyonel optimizasyon önemli getiriler sunar. Yapay zeka sistemleri, aksaklıkları öngörmek ve trafik akışını ayarlamak için canlı ve geçmiş işletim verilerini (tren konumları, hızlar, hava durumu tahminleri) kullanır. Avrupa'daki dijital ikiz ve yapay zeka tabanlı trafik yönetimi denemeleri, yapay zeka destekli sürüş ve konumlandırmanın araştırılması ve test edilmesiyle birlikte, daha fazla ray döşenmeden genel ağ kapasitesini artırabilir (s.20).
Algoritmalar ayrıca sürücülere optimal hızlanma ve frenleme konusunda tavsiyelerde bulunarak potansiyel olarak %10-15 enerji tasarrufu sağlar. Rota varyasyonları, çekiş ve zaman çizelgesi kısıtlamaları göz önüne alındığında, enerji tasarrufu büyük bir ağ boyunca hızla birikir.
Güvenlik izleme ve CCTV
Görünür yapay zeka uygulamaları güvenlik ve emniyete odaklanır. Engel tespiti, insan görüşünün ötesindeki tehlikeleri belirlemek için termal kameralar ve makine öğrenimi kullanır.