Survival regression model for rolling stock failure prediction
Loading...
URL
Journal Title
Journal ISSN
Volume Title
Perustieteiden korkeakoulu |
Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
Department
Major/Subject
Mcode
SCI3055
Degree programme
Language
en
Pages
104
Series
Abstract
In railway operations where functioning machinery is a key to success, maintenance is an important part of the business. At the Finnish rolling stock maintenance company VR Maintenance Ltd, maintenance consists of repair due to failures and preventive maintenance actions. Failures happen unexpectedly, whereas the preventive maintenance actions follow a predetermined programme. Currently, over 50% of the maintenance at VR consists of repair. To improve the maintenance operations at VR, this thesis develops a prediction model for rolling stock failure prediction. The model serves as a tool for short-term maintenance scheduling, for budgeting, and for analysing the current failure process to help develop the maintenance programme. The prediction model consists of accelerated failure time models (AFTM) developed for each failure category for each rolling stock fleet. AFTM is a survival regression model, where a number of factors found to affect the time to failure are linked to a failure distribution. In this thesis we use a Weibull AFTM, where the baseline failure distribution is a Weibull distribution. We found five factors affecting the failure process significantly: the month, the average speed, the kilometres since previous preventive maintenance action, the age of the rolling stock, as well as the split between ”good” and ”bad” rolling stock individuals. The model is based on failure and maintenance records from a two-year period. Using Monte Carlo simulation, the model outputs the predicted number of failures during the specified prediction period with confidence intervals. The model also predicts the total repair time for these failures as well as the number of critical failures. The prediction accuracy of the model was found lacking. Some failure categories were accurately predicted, whereas others need to be improved further. Further model development and a pilot study to test its usefulness are encouraged, as utilising a prediction model in the maintenance operations is expected to boost fleet reliability and availability, and reduce maintenance costs. It can also be utilised to further develop the operations, e.g. as a building block in an opportunistic maintenance optimisation model or in enhancing condition based maintenance.Underhållsarbete är en viktig del av tågverksamheten, eftersom verksamhetens lönsamhet bygger på fungerande utrustning. Hos den finska underhållsoperatören för tågutrustning VR Underhåll Ab består underhållsarbetet av reparationer av fel samt av förebyggande underhåll. Fel uppstår oväntat medan det förebyggande underhållet följer ett program. I nuläget består över 50\% av underhållsarbetet på VR av reparationer. För att förbättra VR:s underhållsverksamhet utvecklar det här arbetet en prediktionsmodell för att förutsäga fel som uppstår i tågutrustningen. Modellen fungerar som ett verktyg för kortsiktig underhållsplanering, för budgetering samt för att analysera hur och när fel uppstår, vilken stöder utvecklandet av underhållsprogrammet. Prediktionsmodellen består av modeller för accelererad tid till fel (engelska: accelerated failure time model) (AFTM) som utvecklats skilt för varje felkategori och varje tågflotta. AFTM är en regressionsmodell för överlevnadsmodellering, där ett antal variabler som konstaterats ha ett samband till överlevnadstiden kopplas till en fördelning som beskriver tiden tills ett fel uppstår. I det här arbetet använder vi en Weibull AFTM, där basfördelningen är en Weibullfördelning. Vi identifierade fem relevanta variabler: månaden, medelhastigheten, den körda sträckan sedan senaste förebyggande underhållsarbete, tågets ålder samt en indelning av "bra" och "dåliga" tåg. Modellen baserar sig på fel- och underhållsdata från en tvåårsperiod. Genom att använda Monte Carlo simulering producerar modellen en prognos med konfidensintervall över antalet fel som uppstår under en given period. Modellen förutsäger också den totala reparationstiden för felen, samt antalet kritiska fel. Modellens prediktionsnoggrannheten är dock inte tillräckligt bra. En del felkategoriers modeller behöver vidareutvecklas för att garantera noggranna förutsägelser. Vidareutveckling av modellen och testning av dess nytta genom ett pilotprojekt uppmuntras eftersom användandet av en prediktionsmodell i underhållsverksamheten förväntas förbättra tågens pålitlighet och tillgänglighet samtidigt som underhållskostnaderna sjunker. Modellen kan också användas för att vidareutveckla verksamheten, till exempel som en del av en optimeringsmodell för opportunistiskt underhåll eller för att förbättra riskbaserat underhåll.Description
Supervisor
Punkka, AnttiThesis advisor
Mattila, VilleSormunen, Otto