Om de beschikbaarheid van het spoornet te verhogen en de onderhoudskosten te verlagen startte Strukton in 2014 een onderzoeksproject met de Universiteit Twente voor pro-actief spooronderhoud. Dit onderzoek rondden beide partijen eind december 2019 succesvol af. Het onderzoek besteedde aandacht aan: a) monitoring en dataverzameling; b) data analytics voor diagnose en prognose en c) onderhoudsplanning en āoptimalisatie.
Gedurende vijf jaar is door een viertal UT-onderzoekers (1 PhD, 1 postdoc, 2 PDEngs) en diverse afstudeerders volop gewerkt aan deze onderwerpen. Ze werden begeleid door drie UT-hoogleraren: Tiedo Tinga, Leo van Dongen en Paul Havinga.
Strukton Rail sprak eind 2014 de ambitie uit om van reactief onderhoud over te gaan op (proactief) predictief onderhoud aan de spoorinfrastructuur. David Vermeij, manager innovatie van Strukton Nederland: āDit had te maken met de overgang in de spoorsector naar Prestatie Gericht Onderhoud in die tijd. Hierbij werden de onderhoudsaannemers uitgedaagd het onderhoud efficiĆ«nter te doen. Dit moest leiden tot lagere (onderhouds)kosten en minder storingen. Dat laatste leidt tot minder hinder voor de reizigers.ā
Door automatisering, inzet van nieuwe technologieƫn (bijvoorbeeld Internet of Things), combinatie van data gekoppeld aan data science, kan Strukton veel meer informatie halen uit beschikbare data en kan degeneratie veel beter gemodelleerd en voorspeld worden. Hierdoor kan tijdig het juiste onderhoud kan worden gedaan.
Met de traditionele aanpak (op ervaring en inspecties gebaseerd onderhoud) konden onverwachte storingen niet voldoende worden voorkomen.
Slijpen of vervangen
De UT ontwikkelde modellen waarmee spoorschade door slijtage en vermoeiing voor een specifiek gebruik van het spoor (type trein, aantal treinen, tonnage) kunnen worden voorspeld. Deze modellen helpen Strukton op termijn om te bepalen welke onderhoudsactiviteiten (slijpen of vervangen) op welk moment nodig zijn. Dit was de focus van Annemieke Meghoe die als een van de wetenschappers op 19 december 2019 hierop promoveerde bij de Universiteit Twente.
Verder onderzocht men hoe met mobiele telefoons (bijvoorbeeld van machinisten of reizigers) data kan worden verzameld over de kwaliteit van het spoor, als aanvulling op de traditionele meettrein. Vervolgens ontwikkelden de wetenschappers een methodiek om in de verzamelde data met behulp van artificial intelligence automatisch defecten te herkennen. Zij brachten het asset management proces bij Strukton in kaart. En tenslotte is onderzocht hoe innovaties moeten worden gemanaged om ze maximaal te laten bijdragen aan de afgesloten (en af te sluiten) contracten.
Momenteel bekijkt men hoe de samenwerking in de komende jaren kan worden gecontinueerd.
