Kunstig intelligens "spiller tetris" med t-banevogner

Bakgrunn og utfordringer

T-banen er Oslos nest største kollektivvirksomhet, kun forbigått av bussen. I 2018 hadde Sporveiens 115 T-banevogner over 120 millioner passasjerturer på rutenettet sitt og antallet øker hurtig.

Bak disse formidable tallene ligger en enorm mengde planlegging og investeringer i infrastruktur, materiell og personale.

Alle T-banevognene må med jevne mellomrom inn til såkalt planlagt vedlikehold. Disse forfaller primært på antall tilbakelagte kilometer.  Planlagt vedlikehold er den primære årsaken til at vogner ikke er i tjeneste. Det er derfor viktig at man har et vedlikeholdsregime som gjør at en så stor andel som mulig av vognparken er tilgjengelig til enhver tid, og det til en kostnadseffektiv pris.

Individstyring av Vognparken (IVO) er et prosjekt i regi Sporveien der Bouvet bidrar med å lage løsninger og systemer som skal bistå med flåtestyring av t-baneparken til Oslo Sporveier. Formålet er å effektivisere vedlikeholdsprosessen og bistå med å gjøre klargjøring og vedlikehold av vogner mer forutsigbart for Sporveiens personell.

Løsninger

Sporveien har egne fasiliteter for oppstilling, klargjøring og og vedlikehold av vognparken. Disse fasilitetene kalles depoter. Gjennom digital beslutningstøtte har IVO som ambisjon å generere optimale verkstedplaner, bistå inn- og utkjøring, forflytning og parkering på depot samt optimal rutetilordning. 

IVOs primærmål er å

1. Lette arbeidshverdagen på verkstedet ved å automatisere tilordning av verkstedtider for vogners vedlikehold 
2. Gi beslutningstøtte rundt rangeringen slik at vogner blir satt i ruter hvor rutelengdene akkumuleres slik at vognene treffer tilordnet dato for vedlikehold/ettersyn med "riktig" kilometerstand

Det første målet oppnås gjennom en såkalt planleggingsmodul og det andre gjennom en rangeringsmodul

Planleggingsmodulen

Bouvet har bidratt til å utvikle en planleggingsmodul som basert på data om verkstedkapasitet benytter genetiske algoritmer til å beregne en optimal verkstedsplan for hele vognparken helt fra to uker og opp til 5 år frem i tid.

Resultatet fra en kjøring med planleggingssystemet er en verkstedsplan der alle vognene har fått allokert

1. Verkstedstimer for kommende servicer   
2. Et ukentlig måltall for antall tilbakelagte kilometer.

Et eksempel på utskrift fra systemet kan sees i figuren under.

Optimal verkstedsplan: Utskrift fra genetisk algoritme

Rangeringsmodulen

Stillverket er en egen organisasjon innenfor Sporveien som har som jobb å flytte skinnegående materiell (Tog, trikk, t-bane) inne på depotene. Denne formen for forflytning kalles som tidligere nevnt for Rangering. 

Depotene kan ha svært kompleks sporstruktur og det stilles komplekse driftsmessige og forretningsmessige krav.  Å jobbe som Stillverksbetjent krever således en sofistikert mental modell og stor fokus.

Hovedmålet til Stillverkets arbeide er å ha det nødvendige antall vogner konfigurert i tog klare til hver utkjøring. I tillegg skal vogner sendes til klargjøring, vask, ettersyn og korrektivt vedlikehold.

Basert på anbefalingene fra Planleggingsmodulen er det i fremtiden også nødvendig å tilordne alle vognene til ruter som har en gunstig kjørelengde i forhold til måltallene fra planleggingsmodulen. Det er urealistisk at et menneske skal greie denne oppgaven uten ekstra beslutningsstøtte. 

Målet med rangeringsmodulen er derfor å gi beslutningsstøtte til Stillverket  slik at vognene blir forflyttet inne på depotene i tråd med drift- og vedlikeholdskrav. Til slutt skal de stå parkert og klare for utkjøring i en rute som er gunstig med tanke på måltallene fra planleggingsmodulen.

Rangeringsmodulen består av følgende komponenter

1. En digital tvilling av depotet som basert på en digital modell av den fysiske strukturen(skinnestruktur, verksted, vask, etc), et avansert radioposisjoneringssystem, samt data avlest fra vognene i det de kommer inn i depotet vet hvor alle vognene er lokalisert, deres måltall, samt status på vask, vedlikehold og klargjøring. 
2. En kunstig nevralt nettverk, trent med såkalt "reinforcement learning". Input'en til denne er den digitale tvillingen av depotet, innkjøringslisten til vognene samt fremtidig ruteinformasjon. Systemet genererer deretter en sekvens med forflytninger helt til driftssyklusen er over. Systemet er fleksibelt og tilpasser seg driftsavvik.

Radioposisjoneringssystemet er operasjonelt. Den digitale modellen av depotet og de nevrale nettverkene eksisterer som avanserte prototyper. For å operasjonalisere den digitale tvillingen gjenstår det å koble radioposisjoneringssystemet og vogndatabasen opp mot depotmodellen. 

Konseptuelt er systemet er tenkt å fungere som skissert i figuren under. Alle rådene postprosesseres og presenteres for Stillverket før endelig beslutning om forflytning tas.

Rangeringsmodul - dataflyt

For å trene "hjernen" i rangeringssystemet benyttet Bouvet avansert distribuert beregning i skyen samt "reinforcement learning" algoritmer fra forskningsfronten. Flere milliarder inn- og utkjøringssykluser ble simulert via digitale modeller av depot, vognpark, og utkjøringslister. 25% forbedret måltallsoppnåelse ble demonstrert samtidig som togene var klare til utkjøring og andre driftsmessige hensyn (for eksempel vask) ivaretatt.

Figuren under viser en animasjon fra utviklings og testbenken som ble utviklet i forbindelse med prosjektet.  Det er Ryen Depot som betraktes. T-banevognene (røde) kommer inn nederst i figuren, flyttes rundt på depotet etter behov, og blir vasket på spor 12. Når tiden er inne blir de oppkoblet/nedkoblet med andre vogner som har liknende kilometerstand , plassert i rekkefølge på utkjøringsspor og kjøres ut igjen. Det er to utkjøringer - stortingsutkjøringen som gjøres om natten for å få nok plass på depotet, og morgenutkjøringen som er de første regulære avgangene. 

Verdi for kunden

Systemet vil lette arbeidshverdagen på depotet ved å automatisere tilordning av verkstedtider for vogners ettersyn.  Det vil også kunne gi beslutningstøtte slik at vogner blir satt i ruter hvor rutelengdene akkumuleres slik at vogner treffer ettersynsdato med riktig kilometerstand. I sum vil dette kunne gi følgende gevinster:

1) Bedret kilometerutnyttelse av vognparken mellom hvert vedlikehold,

2) Større forutsigbarhet i arbeid for vask og klargjøring, og

3) Klargjøre for en fremtid med hyppigere driftspauser og inn- og utkjøringer på depoter, samt muliggjøre prediktivt og tilstandsbasert vedlikehold.