togskinner

Bane NOR

Ved hjelp av en kreativ konsulent og et hjemmekontor omgjort til lab, gikk Bane NOR fra manuell overvåkning av strømmen til smart og prediktivt vedlikehold.

Sammen med Bane NOR har vi bygget et system som sender og behandler data automatisk i skyen, slik at vedlikehold skal kunne gjørs smart og prediktivt. Og mest oppsiktsvekkende: Alt av maskinvare som strømtilførsel, mikrokrontollerkort og sensorer er laget fra bunn på hjemmekontoret til en av våre konsulenter

Bakgrunn

Dette prosjektet kan på mange måter spores tilbake til et annet prosjekt fra 2018, da én av våre konsulenter, Jesper Andersson, ble leid inn som dataovervåker hos Bane NOR. Her satt han og fulgte med på strømkurver som gikk inn til forskjellige maskiner i systemene til Bane NOR. Hans oppgave var å bruke denne dataen til å finne maskinene som trengte litt ekstra kjærlighet og vedlikehold.

Arbeidet var en del av et større prosjekt kalt Smart vedlikehold, som var satt i gang for at Bane NOR i størst mulig grad skulle kunne gjøre preventivt vedlikehold før feil skjer istedenfor reaktivt ved faktiske feil. Som en del av dette arbeidet ble det blant annet montert sensorer på store deler av jernbanen for å måle strømmen.

Etter noen måneder med dataovervåkning ble Bane NOR klar over Jesper sin store forkjærlighet for Raspberry Pi, en billig datamaskin på størrelse med et lite kredittkort. En Raspberry Pi byr på utallige muligheter for spennende utvikling, og Bane NOR hadde allerede flere industrielle enheter som Jesper fikk å se nærmere på.

Kunne disse brukes til å automatisere eller optimalisere noen av de eksisterende prosessene, blant annet den Jesper var leid inn til å gjøre? Var det mulig at den lille datamaskinen kunne være en nøkkel for å ikke bare jobbe prediktivt med vedlikehold, men også automatisere det?

Etter mye testing ble det dessverre klart at enhetene Bane NOR hadde ikke var raske nok, og at de ikke ville klare å løse de oppgavene som måtte til for å automatisere den jobben som Jesper gjorde manuelt. Det Bane NOR trengte var en smart, kraftig og fleksibel datalogger som blant annet ville gjøre det mulig å måle strømtrekk til jernbanens ulike og komplekse systemer, slik at denne dataen kunne bli brukt til prediktivt vedlikehold.

Dette ble starten på et nytt prosjekt:
Hvordan samle inn strømmålinger tusen ganger i sekundet, og med det gjøre frekvensanalyser og finne ut av hvor problemene kommer fra?

Et halvt år senere ble arbeidet med å lage en POC (proof of concept) satt i gang.

hjemmelabb

«Bane NOR tør å drømme, og har guts til å satse på kule løsninger. Det gjør at de lykkes med å være innovative»

Jesper Andersson, konsulent i Bouvet

Et modulbasert system som forenkler og effektiviserer prosessene

Vår POC har tatt utgangspunkt i Azure IOT Edge – et system som er perfekt hvis du trenger å flytte noe av datakraften og beregningene ut fra skyen og «closer to the action». Det fine med Azure IOT Edge er at det er et modulbasert system – teknisk betyr det enkelt forklart at du ikke trenger å skrive kode som kun er kompatibelt med Raspberry Pi. Vi pakker heller inn koden i moduler som gjør det enkelt og fleksibelt å jobbe med. Du kan for eksempel uten problemer simulere et helt system på hvilken som helst maskin.

Å løse det på denne måten gjør det også enklere å modifisere eller oppdatere systemet, fordi koden ikke trenger å skrives manuelt for hver enkelt enhet, men enkelt oppdateres ved at det sendes inn en ny modul til enhetene som trenger det. Å jobbe med ting som konfigurering blir derfor veldig «hands off» og vesentlig enklere.

En annen fordel med å putte koden i moduler er at disse modulene kommuniserer med hverandre. I dette prosjektet har vi en modul som har ansvaret for kommunikasjon med sensorene, som samler inn dataen, sorterer den og sender den videre til korrekt modul. Vi har laget to moduler som kan ta imot denne dataen. Én modul tar seg av signalanalyse av strømmålingene fra skinnene og en annen modul tar seg av måling av sporvekselmotorene.

Det som kanskje er det mest interessante med Azure IOT Edge er likevel at det implementer det som kalles «Digital tvilling». Dette innebærer at de fysiske enhetene vi har, også har en simulert «tvilling» oppe i skyen som Azure IOT Edge hele tiden prøver å få til å samsvare med originalen. Det betyr at om vi endrer noe på den ene tvillingen i skyen så blir denne informasjonen synkronisert slik at enheten ute i felt blir oppdatert automatisk. Tvillingen kan dermed benyttes til både konfigurering og statusrapportering.

Raspberry Pi var nøkkelen – men hvordan skulle vi koble den på systemet?

For å koble på Raspberry Pi-ene startet vi med å prøve å få de til å lese rett av sensorene. Dessverre er de ikke egnet til dette fordi de jobber relativt likt som et vanlig operativsystem, som for eksempel Linux eller Windows. Du gir den et forslag til hva den skal gjøre, og så gjør den det når den får tid. Til denne oppgaven var vi derimot avhengige av umiddelbar respons fra systemet. Løsningen på dette ble å bruke Rapsberry Pi-ene sammen med en mikrokontroller som leser av dataene fra sensoren og lagrer dataene i sin buffer. Derfra kan Raspberry Pi-en hente ut dataen når den har tid og mulighet til dette.

«Det har vært kjempespennende å jobbe sammen med Bouvet på dette prosjektet. Ikke bare har det vært nybrottsarbeid med utvikling av egne komponenter og et nytt teknisk system, det har også tatt oss ett steg videre til prediktivt vedlikehold»

Kenneth Andersen, Produkteier software sporfelt / Faglig ansvarlig målemetodikk

Vi trodde i hvert fall at vi hadde funnet løsningen, men hva gjør du når puslespillet mangler biter?

For at dataloggeren skulle nå opp til kravspesifikasjonen var vi nødt til å tenke nytt rundt strømforsyningen. Hovedårsaken til dette var at vi trengte et referansepunkt for frekvensene vi skulle måle, og siden det ikke er veldig vanlig med strømforsyninger som sender ut referansespenninger, ble det bestemt at vi skulle prøve å designe noe selv.

Dette viste seg relativt vanskelig, fordi vi skulle ha forskjellige transformatorer og var nødt til å skalere ned strømmen som kommer ut fra pluggen i veggen fra 240 volt til 3 volt (men fortsatt med vekselstrøm) slik at vi kunne bruke det som referansespenning. I tillegg til dette trengte vi 24 volt til sensorene og 5 volt til Raspberry Pi-ene.

Den siste utfordringen var å gå til innkjøp av sensorene vi mente kunne løse de oppgavene det nye systemet krevde. Vi skrev derfor en kravspesifikasjon, og begynte å lete. Typisk nok fantes det ikke en sensor på markedet som passet. Sensoren som kom tettest opp mot kravspesifikasjonene kostet 8.000kr per stykk, og var beregnet for store maskiner – ikke små sikkerhetsstrømmer fra togskinner.

Løsningen ble å lage sensorene selv. Dette var en ny oppgave for oss, men med godt mot og mye kreativitet tok Jesper fatt på utfordringen og laget en helt ny strømsensor fra sitt hjemmekontor, som nå var blitt til en lab. Og prisen, jo den er på snaue 128kr.

komponenter Bane NOR

Så hva sitter da Bane NOR igjen med?

Det vi har levert er et system som er koblet på sporfelt og drivmaskiner for å måle strøm. Strømmen som samles inn blir analysert på dataloggeren, slik at vi kun sender inn den interessante dataen til skyen. Her kan analyseteamet til Bane NOR behandle dataen om de ønsker, eller de kan benytte seg av maskinlæring og AI for å finne uregelmessigheter og mønster i dataen. Hvis disse analysene oppdager feil, blir det automatisk sendt ut alarmer og arbeidsordre. Hele systemet skal enkelt kunne vedlikeholdes fra en brukervennlig hjemmeside med funksjonalitet for å kontrollere systemet gjennom konfigurering og kalibrering rett til systemene. Dette vil erstatte jobben som Jesper opprinnelig var satt til å gjøre tilbake i 2018.

Bane NOR får et system som de selv eier, som er modulært og veldig konfigurerbart. Samtidig sparer de svært mye på å ha laget det selv. Systemet er mer stabilt enn foregående system, enklere å konfigurere, og kvaliteten på dataen de samler inn er blitt vesentlig bedre.

De har med dette arbeidet også tatt et stort steg for å oppnå automatisk varsling om vedlikehold, og med det har de også optimalisert arbeidet med prediktivt vedlikehold.

Prosjekt: Fra manuell overvåkning til smart og prediktivt vedlikehold - Bane NOR

Sektor: Transport

Ansvarlig kontor: Oslo

Kontakt oss

jesper

Jesper Andersson

Konsulent

Hans-Peter Olsen

Hans-Peter Olsen

Salgsdirektør