Mengubah lanskap rel melalui sistem pengawasan kesehatan aset tingkat lanjut – Metode baru untuk meningkatkan resiliensi infrastruktur jalur

Pemeliharaan yang memadai atas infrastruktur jalur kereta api bersifat vital bagi efisiensi, keandalan, dan keamanan operasional kereta api. Hal yang fundamental bagi pemeliharaan adalah kemampuan untuk menilai kondisi infrastruktur. Kesulitan dalam melakukan hal ini dipersulit dengan panjang dan aksesibilitas jalur kereta, khususnya di daerah terpencil atau lingkungan metropolitan yang ramai. Tanggapan dinamis dari sarana kereta api di atas bagian jalur kereta tertentu merupakan indikasi dari kondisi jalur dan karakteristik dari sarana kereta api. Dengan mengukur dan menganalisis tanggapan dinamis ini, maka informasi yang bermakna tentang infrastruktur jalur kereta akan dapat dihasilkan.

Metode

Proyek ini bertujuan untuk memberikan perangkat untuk pengawasan kesehatan aset tingkat lanjut dari infrastruktur jalur kereta. Perangkat ini mengembangkan prediksi gerakan sarana kereta pada saat dioperasikan, dengan pengukuran geometris jalur dan kecepatan sarana kereta sebagai input. Input tersebut diukur dengan menggunakan instrumented revenue vehicles (IRV) yang dikembangkan oleh Institute of Railway Technology, Monash University. Model terprediksi dikembangkan untuk tiga golongan gerbong, gerbong penumpang di Indonesia, gerbong pengangkut di Australia dan gerbong penumpang regional yang lebih cepat di Australia.

Proyek ini menjawab tantangan yang timbul dari kurangnya konsensus di antara operator kereta tentang standar yang ingin digunakan. Sebagai contoh, panjang bilah dari bermacam pengukuran geometris jalur yang berbeda-beda untuk menyesuaikan sarana kereta yang digunakan. Perselisihan pendapat ini membutuhkan ukuran geometris jalur untuk diukur berkali-kali dalam berbagai bentuk, khususnya pada saat bermacam golongan sarana kereta dioperasikan di atasnya. Hal ini menghabiskan banyak waktu dan mempengaruhi efisiensi kegiatan operasional dan biaya pemeliharaan. Prinsip pertama model matematika dikembangkan untuk mengubah ukuran geometris jalur dari satu panjang bilah ke panjang bilah lainnya. Keakuratan dan keandalan model matematika dipelajari untuk memahami batasan dari suatu metode.

Fokus utama proyek adalah untuk mengembangkan model terprediksi dinamika kendaraan. Gerbong dalam layanan yang diidentifikasikan sebagai pemodelan diatur untuk tahap awal. Parameter geometris jalur dan kecepatan operasional diukur menggunakan IRV, dan data dianalisis serta diproses untuk mengembangkan model terprediksi. Dua tipe model yang berbeda dikembangkan: prinsip pertama model matematika dan model yang didukung data melalui algoritma self-learning (machine learning).

Beberapa asumsi dan perkiraan ditentukan dalam mengembangkan prinsip pertama model matematika. Asumsi-asumsi ini dapat dibenarkan untuk gerbong penumpang, tetapi kinerja terprediksi dari model ini menurun dalam hal sistem persediaan sarana yang rumit, contoh gerbong pengangkut. Untuk sistem yang lebih rumit, machine learning (pembelajaran mesin) digunakan untuk menentukan hubungan antara input dan tanggapan dinamis dari gerbong, dari hal inilah model terprediksi dikembangkan. Peneliti menggunakan machine learning untuk mengembangkan dua tipe model terprediksi dalam menilai kondisi kestabilan jalur dan risiko operational, berdasarkan perilaku dinamis dari gerbong:

• Suatu model yang mengelompokan setiap 50 meter bagian dari jalur antara golongan satu dan empat, yang mana golongan satu menandakan suatu bagian dimana respon yang diukur merupakan yang tertinggi, dan golongan empat menunjukan bagian terendah.
• Model regresi yang memperkirakan rangkaian waktu respon dinamis dari gerbong.

Temuan

Kedua model sangat bermanfaat untuk mengkuantifikasi risiko kegiatan operasional dari kondisi jalur kereta. Strategi percontohan yang inovatif digunakan untuk mengembangkan model terprediksi yang dapat diandalkan dari dataset tanpa tingkat distribusi yang diinginkan. Skema optimisasi diterapkan dalam menentukan struktur perangkat terprediksi machine learning. Selain pengembangan model terprediksi yang mampu mengevaluasi kinerja dinamis, perangkat tersebut digunakan untuk menilai risiko terhadap penumpang. Perangkat terprediksi dilatih untuk memprediksi sentakan, yang merupakan ukuran hentakan yang dirasakan oleh penumpang dalam berbagai orientasi. Keadaan yang memiliki banyak sentakan dapat berakibat pada jatuhnya penumpang. Kemampuan untuk mendahului adanya sentakan memungkinkan operator kereta untuk menyesuaikan parameter operasional guna mengurangi risiko terjadinya kerusakan.

Outcome menunjukan bahwa data yang diukur dari IRV dapat digunakan untuk memperoleh nilai bisnis dan secara kuantitatif mengevaluasi kinerja dan risiko. Pemodelan terprediksi juga memfasilitasi migrasi dari pemeliharaan yang sifatnya perbaikan menjadi pemeliharaan terprediksi. Outcome proyek tidak hanya akan memperbaiki keselamatan dan kenyamanan penumpang, tetapi juga mempromosikan pemeliharaan yang efektif.

Kesimpulan

Dengan perangkat yang dikembangkan, strategi pemeliharaan dapat dialihkan dari bersyarat menjadi terprediksi. Peralihan ini dapat berpotensi memaksimalkan umur aset dan mengurangi biaya pemeliharaan, serta memungkinkan untuk optimalisasi kegiatan operasional dan pengambilan keputusan operasional dengan pertimbangan informasi yang lebih matang. Perangkat juga dapat digunakan untuk mengevaluasi efektivitas pembatasan kecepatan agar dapat meningkatkan keselamatan operasional. Penyempurnaan model dari instrumented revenue vehicles (IRV) permanen) akan meningkatkan kemampuan prediktif model.