Artificial intelligence (AI) is one of the fields in science and engineering and encompasses a wide variety of subfields, ranging from general areas (learning and perception) to specific topics, such as mathematical theorems. AI and, specifically, multi-objective genetic algorithms (MOGAs) for risk-based life cycle cost (LCC) analysis should be performed to estimate the optimal replacement time of tunnel fan systems, with a view towards reducing the ownership cost and the risk cost and increasing company profitability from an economic point of view. MOGA can create systems that are capable of solving problems that AI and LCC analyses cannot accomplish alone.

The purpose of this thesis is to develop a two-level MOGA method for optimizing the replacement time of reparable system. MOGA should be useful for machinery in general and specifically for reparable system. This objective will be achieved by developing a system that includes a smart combination of techniques by integrating MOGA to yield the optimized replacement time. Another measure to achieve this purpose is implementing MOGA in clustering and imputing missing data to obtain cost data, which could help to provide proper data to forecast cost data for optimization and to identify the optimal replacement time.

In the first stage, a two-level MOGA is proposed to optimize clustering to reduce and impute missing cost data. Level one uses a MOGA based on fuzzy c-means to cluster cost data objects based on three main indices. The first is cluster centre outliers; the second is the compactness and separation ( ) of the data points and cluster centres; the third is the intensity of data points belonging to the derived clusters. Level two uses MOGA to impute the missing cost data by using a valid data period from that are reduced data in size. In the second stage, a two-level MOGA is proposed to optimize time series forecasting. Level one implements MOGA based on either an autoregressive integrated moving average (ARIMA) model or a dynamic regression (DR) model. Level two utilizes a MOGA based on different forecasting error rates to identify proper forecasting. These models are applied to simulated data for evaluation since there is no control of the influenced parameters in all of the real cost data. In the final stage, a two-level MOGA is employed to optimize risk-based LCC analysis to find the optimal replacement time for reparable system. Level one uses a MOGA based on a risk model to provide a variation of risk percentages, while level two uses a MOGA based on an LCC model to estimate the optimal reparable system replacement time.

The results of the first stage show the best cluster centre optimization for data clustering with low  and high intensity. Three cluster centres were selected because these centres have a geometry that is suitable for the highest data reduction of 27%. The best optimized interval is used for imputing missing data. The results of the second stage show the drawbacks of time series forecasting using a MOGA based on the DR model. The MOGA based on the ARIMA model yields better forecasting results. The results of the final stage show the drawbacks of the MOGA based on a risk-based LCC model regarding its estimation. However, the risk-based LCC model offers the possibility of optimizing the replacement schedule.

However, MOGA is highly promising for allowing optimization compared with other methods that were investigated in the present thesis.

Data clustering captures natural structures in data consisting of a set of objects and groups similar data together. The derived clusters can be used for scale analysis and to posit missing data values in objects, as missing data have a negative effect on the computational validity of models. This study develops a new two-level multi-objective genetic algorithm (GA) to optimize clustering in order to redact and impute missing cost data for fans used in road tunnels by the Swedish Transport Administration (Trafikverket). The first level uses a multi-objective GA based on fuzzy c-means to cluster cost data objects based on three main indices. The first is cluster centre outliers; the second is the compactness and separation ( ) of the data points and cluster centres; the third is the intensity of data points belonging to the derived clusters. Our clustering model is validated using k-means clustering. The second level uses a multi-objective GA to impute the missing cost redacted data in size using a valid data period. The optimal population has a low , 0.1%, and a high intensity, 99%. It has three cluster centres, with the highest data reduction of 27%. These three cluster centres have a suitable geometry, so the cost data can be partitioned into relevant contents to be redacted for imputing. Our model show better clustering detection and evaluation compared with k-means. The amount of missing data for the two cost objects are: labour 57%, materials 81%. The second level shows highly correlated data (R-squared 0.99) after imputing the missing data objects. Therefore, multi-objective GA can cluster and impute data to derive complete data that can be used for better estimation of forecasting.

The Swedish Iron ore line is subjected to sub-arctic weather conditions, high axle loads and a large yearly tonnage. These operational conditions challenge the usefulness of existing deterministic deterioration models for railway infrastructure that are validated in other contexts. However, more frequent and higher precision of condition measurements, combined with statistically based prediction methods, may offer a viable solution. Here, we study remaining useful life predictions of railway track geometry properties based on recursively updated time series. We discuss how data-driven models are affected by measurement errors of track properties, such models’ ability to detect seasonal effects, and how they are affected by irregular sampling. The prediction abilities and uncertainty measures for different modelling approaches are also compared.

The degradation processes affecting railway track condition depends both on the resistance of the track and on the stresses subjected to it. Regarding the stresses, both their magnitudes and cycles are of importance when considering the degradation. Furthermore, the stresses have some regularity and variability in the time domain, while the degradation resistance of a track has some spatial regularity as well as variability. In addition, the condition measurements of track may be both irregular and contain measurement errors. Hence, it is challenging to model the condition of track to enable predictions and condition-based maintenance. However, wear prediction models could help to change large parts of the maintenance practice from predominantly corrective to preventive if both the deterministic and the stochastic components of the wear process can be estimated with sufficient accuracy. In this study, one-step-ahead predictions have been used for establishing prognostic models based on repeated measurements of railway track geometry to estimate track wear properties, degradation rates and stochastic behaviour including measurement errors. The prognostic models have then been used for condition assessment and state predictions. Repeated sampling allows for estimations of measurement errors, but the irregular sampling need to be accounted for by interpolation in the time series modelling approach

Data of sufficient quality, quantity and validity constitute a sometimes overlooked basis for eMaintenance. Missing data, heterogeneous data types, calibration problems, or non-standard distributions are common issues of operation and maintenance data. Railway track geometry data used for maintenance planning exhibit all the above issues. They also have unique features stemming from their collection by measurement cars running along the railway network. As the track is a linear asset, measured geometry data need to be precisely located to be useful. However, since the sensors on the measurement car are moving along the track, the observations’ geographical sampling positions come with uncertainty. Another issue is that different seasons and othertime restrictions (e.g. related to the timetable) prohibit regular sampling. Hence, prognostics related to remaining useful life (RUL) are challenging since most forecasting methods require a fixed sampling frequency.

This paper discusses methods for data cleaning, data condensation and data extraction from large datasets collected by measurement cars. We discuss missing data replacement, dealing with autocorrelation or cross-correlation, and consequences of not fulfilling methodological pre-conditions such as estimating probabilities of failures using data that do not follow the assumed distributions or data that are dependent. We also discuss outlier detection, dealing with data coming from multiple distributions, of unknown calibrations and other issues seen in railway track geometry data. We also discuss the consequences of not addressing or mishandling quality issues of such data. 

Today‟s society is dependent on an increasing volume of transportation services, which contributes to escalating requirements on economy, dependability, safety, and sustainability of applied transportation systems. When dealing with complex transportation systems with long life cycles, maintenance is fundamental to ensure these critical requirements. The increasing requirements and the technological development have also lead to the emerging approach of eMaintenance, which applies innovative Information & Communication Technology (ICT) to achieve effective information logistics for maintenance purposes. This paper describes the role and development of service-oriented eMaintenance solutions to enable intelligent transportation services and some related research efforts within railway and aviation.

Denna rapport är ett delresultat ifrån FUD-projektet ’Begreppsapparat och kvalitetssäkrad information för bättre effektsamband inom järnvägar’. Syftet är att med hjälp av grundläggande och viktiga begrepp baserat på standarder göra en terminologisk ordlista för att öka samsynen och kunskaperna inom områdena förvaltning av tillgångar, tillförlitlighet och underhållsteknik.

Effektsamband inom underhåll handlar om att kunna sätta upp modeller och räkna på kostnad-nytta av förebyggande underhåll. Sådana modeller kräver dock att underhåll och underhållsåtgärder är tydligt definierade, exempelvis inspektioner, inspektionsanmärkningaroch funktionsfel. Om inspektioner, inspektionsanmärkningar och åtgärder kan tilldelas kostnader, samt om degradering från inspektionsanmärkning till funktionsfel kan bedömas, är det möjligt att göra kostnad-nytta-analys. Nyttan kan då mätas i avstyrd merförsening per inspektion (min=inspektion) eller i sparade kronor i minskat avhjälpande underhåll per investerad krona i förebyggande underhåll (krsparade=krspenderade). Detta kräver en tydlig begreppsapparat och kvalitetssäkrad information. Syftet med projektet är att konstruera en begreppsapparat för tillförlitlighet och underhållsteknik, samt granska underhållsdata för att kvalitetssäkra information. Målet med projektet är att föreslå ett tillvägagångssätt för bättre effektsamband inom underhåll av järnvägar. Delmålen innefattar: terminologisk ordlista för tillförlitlighet och underhållsteknik, terminologisk ordlista för datakvalitet, anvisningar för kvalitetsrapport/ deklaration, fallstudier och modell för effektsamband. Motivering för att skapa ordlistorna är att öka samsynen och kunskaperna inom de givna områdena, samt ge en grund för det resterande arbetet med effektsamband i denna rapport. Ordlistorna är kompletterade med figurer för ytterligare förklaring. Metod Studien bygger på litteraturstudie, fallstudier och expertgranskning. Terminologisk ordlista för tillförlitlighet och underhåll bygger på litteraturstudie av SS-EN 50126 om järnväg RAMS, SS-EN 60300-3-14 om tillförlitlighet, SS-EN 13306 om underhållsterminologi, förordning (EU) nr 402/2013 om riskbedömning, SS-ISO 31000 om riskhantering, SS-ISO 55000 om tillgångsförvaltning, Trafikverket TDOK 2017:0353 om tillgångsförvaltning och UIC:s riktlinjer tillgångsförvaltning. Utgångspunkten for ordlistan har varit att använda termer och definitioner från standarder. Det innebär att vissa begrepp kan ha annan tolkning och användning än inom Trafikverket. Terminologisk ordlista för datakvalitet bygger på litteraturstudie av förordning (EG) nr 223/2009 om europeisk statistik, SCB-FS 2016:17 föreskrifter om kvalitet för den officiella statistiken, ISO 8000 om datakvalitet, Nationalencyklopedin–datakvalitet och SS-EN 13306 om underhållsterminologi. Processen för kvalitetsrapport bygger på ovan dokument för datakvalitet samt SCB uppförandekod, Eurostat code of practice, ESS quality assurance framework, ESS handbook 4 for quality reports och SCB:s kvalitetshandbok2. Processen för kvalitetsdeklaration i SCB:s kvalitetshandbok har i denna studie bearbetats från textformat till ett flödesschema för enklare användning. Flödesschemat motsvarar avsnitt 1–5 i bilagan Kvalitetsdeklaration i SCB:s kvalitetshandbok och kapitel 2–6, del 2, i ESS handbook for quality reports. Fallstudierna avser applicering av anvisningarna för kvalitetsrapport. Två fallstudier har genomförts på data från databasen 0felia för avhjälpande underhåll: den första är på reparationstider (reptid) för växelvärmesystem i järnvägsväxlar och den andra är på fritextfältet Beskrivning på arbetsordrar avseende Felet försvann och Inget fel. Modellen för effektsamband ska uppskatta underhållsnyttan av förebyggande underhåll mätt i avstyrd merförsening per inspektion. Modellen bygger på förstudien kompletterad med anvisningar för kvalitetsrapport. Slutsats SCB:s och Eurostats anvisningar för kvalitetsdeklaration lämpar sig väl som grund för intern kvalitetssäkring. Motiveringen är att anvisningarna används av EU:s medlemsstater, de överensstämmer med standarder och EU-förordning nr 223/2009, och de kan med enkelhet förenklas efter behov. Slutsatser per delmål följer här nedanför. Terminologisk ordlista för tillförlitlighet och underhåll: • Refererade standarder i ordlistan har vissa skrivfel, särskilt SS-EN 13306, se t.ex. Tillgångsförvaltnings planer. Vissa skrivfel är omnämnda i kommentarer tillhörande termerna (bilaga A). • SS-EN 13306 har felaktigt översatt asset till anläggningstillgång. Rätt översättning ges i SS-ISO 55000:2014. • Elva termer i denna ordlista finns även definierade i Trafikverkets verksamhetsstyrningsordlista. Dessa termer har i ordlistan kommentarer avseende om termerna är samma, dylika eller helt olika varandra mellan de två ordlistorna. • Vissa termer har olika betydelse beroende på fackområde och vissa termer är definitioner inom Trafikverket. I ordlistan diskuteras termerna tillgänglighet, krav, förbättring och modifiering. Terminologisk ordlista för datakvalitet: • Definitionerna av tillförlitlighet och punktlighet inom datakvalitet skiljer sig mot respektive definition inom ingenjörsvetenskap och järnvägstransport. I vissa sammanhang kan det därmed vara lämpligt att använda sig av statistisk tillförlitlighet och statistisk punktlighet. • Termen tillgänglighet är även ett begrepp inom datakvalitet. Därmed skiljer man mellan tre olika typer av tillgänglighet inom transportsystem; tekniskt tillgänglighet, statistisk tillgänglighet och transportpolitisk tillgänglighet. 2 SCB. 2016. Kvalitet för den officiella statistiken: En handbok. Statistiska centralbyrån (SCB). 5 Anvisningar för kvalitetsrapport: • För att särskilja mellan kvalitetsdeklaration av officiell statistik och andra statistiska produkter där alla faktorer som påverkar den statistiska tillförlitligheten har blivit uppskattade, kan det vara en god idé att använda termen kvalitetsrapport. Termen kvalitetsrapport indikerar också att det handlar om enklare anvisningar, även om en förekommande översättning av ‘ESS handbook for quality reports’ är ‘ESS handbok för kvalitetsrapporter’. • Terminologi inom datakvalitet kan uppfattas som “statistiktung”, vilket kan exemplifieras med de tre dylika termerna mål-, intresse- och rampopulation. Å andra sidan är klivet från grundläggande kunskap om lägesmått (medelvärden) och spridningsmått till datakvalitet inte stort. Fallstudie – Kvalitetsrapport på reptider: • Faktorer som påverkade statistiska tillförlitligheten positivt är tillämpning av gränsvärden för reptider och användning av median- och lådagram eftersom de är statistiskt robusta3. • Faktorer som påverkar statistiska tillförlitligheten negativt är (ej kvantifierade): – Fältet reptid i databasen 0Felia innefattar inte enbart den aktiva reptiden. Exempelvis inkluderar reptiden väntetid på att tåg ska passera. – Att endast inkludera merförsenande fel är ingen garanti på att reparationerna har utförts effektivt. – Reptider loggas manuellt av underhållspersonal och klarerare (inte datorer). – Specifikationen av komponent i 0Felia databas saknas i 28% av fallen. – Växelvärmesystemen och dess komponenter består nödvändigtvis inte av homogena enheter, dvs. av samma modeller. – Lokala underhållskontrakt och klimat varierar över Sverige. Fallstudie – Kvalitetsrapport på Beskrivning-fältet avseende Felet försvann och Inget fel: • Utifrån resultatet kan Felet försvann och Inget fel beskrivas med följande: Felet försvann och Inget fel karakteriseras av termerna ‘växel’/‘vxl’, ‘kontroll’ och ‘signal’. Felet försvann karakteriseras vidare med termerna ‘låsning’ och ‘ospa’ (otillåten stoppsignal-passage). Inget fel karakteriseras vidare med termerna ‘avsyning’, plankorsning’ och ‘balisfel’ (eller synonyma ord). • Hur stor fördelen med textanalys är gentemot enbart manuell analys med rullgardinslistor och pivottabell varierar med termen i fråga. • Faktorer som påverkar statistiska tillförlitligheten negativt är (ej kvantifierade): – Fältet beskrivning fylls i manuellt: Språkbruket varierar geografisk, mellan entreprenörer och mellan olika professioner, t.ex. elektriker och mekaniker. Olika uttryck kan därmed avse samma sak och samma uttryck kan avse olika saker. Även felstavning och felaktiga beskrivningar kan förekomma. – Bakomliggande orsak kan inte alltid generaliseras som vanligt förekommande över hela Sverige, t.ex. vildsvin och ren. – Fältet beskrivning ger inte en komplett bild av en arbetsorder i 0felia, utan måste 3 Ett icke robust medelvärde fås exempelvis av att man har 10 fel, varav två fel är nedriven kontaktledning, och 10 % av felen tas bort; medelvärdet som då räknas på nio fel är inte representativt. läsas tillsammans med övriga datafält för att komma närmare en helhetsbild (uppenbart). • För att kunna kvantifiera inverkan av ovan faktorer krävs betydande utveckling av språkanalysen, t.ex. avseende synonymer och stavfel. Förslag till fortsatt arbete • För vidare utveckling av effektsambandet inspektionsvolym–merförsening föreslås att antal besiktningspunkter och uppskattad tidsåtgång per anläggningsdel kartläggs. Inspektionsvolymen kan då kopplas till merförsening via inspektionsanmärkning, prioriteringsalternativ4 och merförsenande funktionsfel. Detta kräver även att fältet anläggningsdel i 0felia kvalitetsgranskas. Därefter kan möjligheten till uppföljning av avstyrd merförsening per inspektion kvalitetsgranskas. • Trafikverkets förenklade anvisningar för kvalitets-rapport/deklaration, eller de anvisningarna sammanställda i denna studie, torde övervägas att bli ett styrande och stödjande dokument för att anvisningarna ska bli mer tillgängliga och öka medvetenheten om vikten av kvalitetssäkrad information. (bilaga E och figur 3.1) • Register över vanligt förekommande mått/nyckel föreslås utvecklas med specificering av syfte, formel, datakälla, ägare, etc., eftersom det kan vara ett stöd i det strukturerade arbetet med kvalitetssäkrad information. För att definiera och utvärdera nyckeltal finns anvisningar i Stenström (2017). • Flödesschemat för tillgångsförvaltning i In2Smart leverabel D2.1 och flödesschemat för uppföljning av mål i In2Rail leverabel D6.2 föreslås jämföras med nuvarande processer för strategisk planering av järnväg och banarbetsplan. Motiveringen är att flera organisationer, inklusive infrastrukturförvaltare, ligger bakom dessa dokument och att Trafikverket är en del av Shift2Rail. • Trafikverkets underhållspolicy, eller eventuellt policy för tillgångsförvaltning, föreslås ges ett eget dokument på max två sidor för att kunna förmedla denna internt effektivare än att den återfinns i en underhållshandbok. • Semantisk textanalys föreslås utvecklas vidare för att komplettera manuell analys av arbetsordrar för avhjälpande underhåll. Motiveringen är att underhållstunga organisationer genererar datamängder med arbetsordrar som är kostsamma att analysera manuellt och att arbetsordrar måste alltid ha ett fritextfält för att komplettera de tvingande/valfria fälten. Moderna underhållssystem har ofta en inbyggd funktion för textanalys. Oavsett behöver textanalys-verktyget kompletteras med korpus (språkliga data) för svensk avstavning, underhållsteknik och järnvägsteknik.

Effektsamband inom underhåll handlar om att kunna sätta upp modeller och räkna på kostnad-nytta av förebyggande underhåll. Sådana modeller kräver dock att underhåll ch underhållsåtgärder är tydligt definierade, exempelvis inspektioner, inspektionsanmärkningar och funktionsfel. Om inspektioner, inspektionsanmärkningar och åtgärder kan tilldelas kostnader, samt om degradering från inspektionsanmärkning till funktionsfel kan bedömas, är det möjligt att göra kostnad-nytta-analys. Nyttan kan då mätas i avstyrd merförsening per inspektion (min=inspektion) eller i sparade kronor i minskat avhjälpande underhåll per investerad krona i förebyggande underhåll (krsparade=krspenderade). Detta kräver en tydlig begreppsapparat och kvalitetssäkrad information. Syftet med projektet är att konstruera en begreppsapparat för tillförlitlighet och underhållsteknik, samt granska underhållsdata för att kvalitetssäkra information. Målet med projektet är att föreslå ett tillvägagångssätt för bättre effektsamband inom underhåll av järnvägar. Delmålen innefattar: terminologisk ordlista för tillförlitlighet och underhållsteknik, terminologisk ordlista för datakvalitet, anvisningar för kvalitetsrapport/ deklaration, fallstudier och modell för effektsamband. Motivering för att skapa ordlistorna är att öka samsynen och kunskaperna inom de givna områdena, samt ge en grund för det resterande arbetet med effektsamband i denna rapport. Ordlistorna är kompletterade med figurer för ytterligare förklaring.