Optimering togvedlikehold for VR Group i Finland

Les om hvordan optimering har blitt brukt for å effektivisere tid og kostander brukt på vedlikehold av tog. 

VR Group LTD. er den største operatøren på finske jernbanelinjer. I løpet av de siste ti årene har selskapet fornyet virksomheten med en mer aggressiv prissetting og betydelige investeringer i materiell. De er kjent som et av de topp rangerende jernbaneselskapene i Europa. 

Behovet

For å effektivisere driften så mye som mulig har selskapet utforsket og distribuert forskjellige optimeringsløsninger, slik som optimalisering av førerens plassering i toget. Nylig hyret VR Group inn flere forskere som hadde akademisk bakgrunn fra optimering av togvedlikehold. De fikk i oppdrag å tilby toppmoderne løsninger for matematiske, statistiske modellerings- og optimaliseringsutfordringer for “supply chain management”. 

Forskerne har hatt et samarbeid med optimeringsekserter fra Weoptit, som er Vismas avdeling for optimering i Finland. De har sin ekspertise innenfor optimering og kunstig intelligens (AI), og har tidligere hjulpet VR Group med optimalisering av arbeidslister for togførere. Nå skulle de optimere de langsiktige planene for vedlikeholdsarbeid av tog.


Optimering

Modellering av togvedlikeholdet

VR Group har tre typer elektriske tog; Sr1, Sr2 og Sr3. De eldste togene er typen Sr1 og de ble bygget på 70- og 80-tallet. Derfor er de på et stadie der det forventes at de trenger en del vedlikehold. På grunn av økt trafikk og høyere personalkostnader om natten og i helgene, er det behov for å identifisere tidsrom der de kan ha lavere kostnader knyttet til vedlikeholdet av togene. 

Togene har naturligvis noe tomgangstid når de står parkert ved vedlikeholdsdepoer mellom kjøreoppgavene deres. Når to eller flere tog er inaktive samtidig på samme depot, kan disse tidene med inaktivitet kobles sammen for å skape et vindu for vedlikehold av varierende lengde (se figur 1). I tillegg er det noen tog som ikke er i rutetrafikk (ekstratog), og de kan brukes til vedlikehold. VR Group trenger også ekstra tog til ekstra trafikk og mer tidkrevende oppgraderinger, og det er derfor viktig å minimere bruken av dem til vedlikehold.

Figur 1: Skape lengre vedlikeholdsvinduer ved kobling av ledige tider

Modellering av togvedlikeholdet.jpeg

Optimaliseringsmålet var å minimere vedlikeholdskostnadene. Dette ble oppnådd ved å koble sammen inaktive tidspunkter, for å skape passende vedlikeholdsvinduer i tider når vedlikehold er billigst. Å opprettholde vedlikeholdet om natten og i helgene er opptil 160% dyrere enn i vanlig arbeidstid. De fire vedlikeholdsdepotene hadde et varierende antall spor der vedlikehold kan utføres. Bare ett tog kan oppta et vedlikeholdsspor til enhver tid. Det var tre forskjellige typer vedlikeholdsoperasjoner og lengdene på disse ble forhåndsbestemt.

Løse forskjellige business cases

VR Group ønsket å vurdere vedlikeholdskostnadene og arbeidsbelastningen i en rekke forskjellige scenarier. Scenariene var:

  • Basisscenario med eksisterende depoter og alle tilgjengelige ekstra tog (106 tog totalt)
  • Økt trafikkscenario, noe som betyr at alle ekstratog er knyttet til trafikkoppgaver
  • Utvide et eksisterende depot for å vedlikeholde Sr1-er
  • Utvide et eksisterende depot og økt trafikk
  • Økt trafikk og økt vedlikeholdskrav (20% mer vedlikehold)
  • Økt trafikk og en annen vedlikeholdsdistribusjon

 

Weoptit modellerte problemet som et blandet heltallsprogram. Variablene som ble vurdert var starttidspunkt for vedlikehold, sluttid for vedlikehold, om en operasjon ble tildelt et tidsvindu eller ikke, og om et vedlikeholdsspor er i bruk i et tidsvindu eller ikke. De ekstra togene ble modellert slik at de bare hadde inaktiv tid og var bundet til et enkelt depot, som ble bestemt under optimaliseringen. 

Alle operasjoner var pålagt å fullføres i planleggingsperioden. Ved å bruke en 3-ukers standard planleggingsperiode, 15-minutters diskretisering og alle tilgjengelige vedlikeholdsspor, besto problemet av flere millioner variabler og et lignende antall begrensninger. Weoptit løste optimaliseringsproblematikken i alle scenarier ved bruk av Gurobi-løseren.

Å unngå kostbar arbeidstid (natt og helger) hadde en stor innvirkning på de totale kostnadene.

Resultater

Resultatene viste at alt vedlikeholdsarbeid kunne gjøres i det som ellers er en inaktiv tid, noe som frigjør togkapasiteten til andre oppgaver. Spesielt det å unngå kostbar arbeidstid (natt og helger) hadde stor innvirkning på de totale kostnadene. Den foreslåtte ressursfordelingen er sterkt konsentrert på dagtid og hverdager (se figur 2). 

Det å finne passende vedlikeholdsvinduer ved å koble inn inaktiv tid ville ikke vært mulig uten optimeringsteknologi. De optimerte kostnadene kan ikke sammenlignes med de faktiske kostnadene som sådan, siden 3-ukersplanen ikke tar hensyn til forsinkelser i trafikken eller forsinket vedlikehold. Noe buffertid ble imidlertid inkludert i modellen før og etter hver vedlikeholdsoppgave for å gjøre resultatene mer realistiske.

Figur 2: Arbeidsdistribusjonen i et optimalisert scenario

Workload distribution.jpeg

Et interessant funn var at inkludering av et nytt vedlikeholdsdepot påvirket de eksisterende depoters arbeidsbelastning veldig forskjellig. 67% av arbeidet som ble utført på det nye depotet reduserte arbeidsbelastningen til et enkelt eksisterende depot med samme mengde (se figur 3).

Figur 3: Distribusjon av total reduksjon i arbeid når et nytt depot er inkludert

DISTRIBUTION OF TOTAL WORKLOAD DECREASE WHEN A NEW DEPOT WAS INCLUDED.jpeg

VR Group driver fortsatt med optimalisering vedlikeholdsprosedyrene og forskningen i forskjellige optimeringsmodeller for å forbedre driften.

I optimeringen er den langsiktige vedlikeholdsplanen anonym, i den forstand at oppgaver ikke er tilordnet et bestemt individuelt tog. På kort sikt utveksles kjøreoppgavene mellom tog når det er nødvendig, på grunn av de enkelte togs vedlikeholdsvinduer som er avhengig av avstand kjørt. Derfor er en dynamisk optimaliseringsmodell nødvendig, som kan tilordne operasjoner når de forfaller. For det formålet fortsetter VR Group å optimalisere vedlikeholdsprosedyrer og forskning i forskjellige optimeringsmodeller for å forbedre driften. Den konstruerte optimaliseringsmodellen gir et godt rammeverk for å vurdere effekten av forskjellige trafikkscenarier. Videre gir resultatene analytisk støtte for å målrette investeringer i vedlikeholdsnettverket.

Hvorfor investere i optimering?

Lær hvorfor Fortune 500 selskaper investerer i optimering og hvordan optimering kan skape verdi for din virksomhet.

E-boken beskriver hva optimering er og hvordan du skal lykkes med dine optimeringsprosjekter.

 

Last ned gratis e-bok

Vi trenger ditt samtykke.