Bottom to top approach for railway KPI generation

• Autorzy: Villarejo R. , Johansson C. A. , Leturiondo U. , Simon V. , Seneviratne D. , Galar D.

Identyfikatory

DOI

10.1515/mspe-2017-0028

Warianty tytułu

PL

Podejście „bottom to top” w tworzeniu KPI dla kolei

• Języki publikacji: EN

Abstrakty

EN

Railway maintenance especially on infrastructure produces a vast amount of data. However, having data is not synonymous with having information; rather, data must be processed to extract information. In railway maintenance, the development of key performance indicators (KPIs) linked to punctuality or capacity can help planned and scheduled maintenance, thus aligning the maintenance department with corporate objectives. There is a need for an improved method to analyse railway data to find the relevant KPIs. The system should support maintainers, answering such questions as what maintenance should be done, where and when. The system should equip the user with the knowledge of the infrastructure's condition and configuration, and the traffic situation so maintenance resources can be targeted to only those areas needing work. The amount of information is vast, so it must be hierarchized and aggregated; users must filter out the useless indicators. Data are fused by compiling several individual indicators into a single index; the resulting composite indicators measure multidimensional concepts which cannot be captured by a single index. The paper describes a method of monitoring a complex entity. In this scenario, a plurality of use indices and weighting values are used to create a composite and aggregated use index from a combination of lower level use indices and weighting values. The resulting composite and aggregated indicators can be a decisionmaking tool for asset managers at different hierarchical levels.

PL

Utrzymanie kolei, zwłaszcza infrastruktury kolejowej, wytwarza ogromne ilości danych. Jednakże posiadanie danych nie jest równoznaczne z posiadaniem informacji; dane muszą być przetwarzane w celu pozyskania informacji. W utrzymaniu kolei opracowanie kluczowych wskaźników efektywności (KPI) powiązanych z punktualnością lub przepustowością może pomóc zaplanować konserwacje, tym samym dostosowując/wyrównując serwis techniczny do/z celów/celami przedsiębiorstwa. Istnieje zapotrzebowanie na ulepszoną metodę analizy danych kolejowych w celu znalezienia właściwych wskaźników KPI. System powinien wspierać serwisantów, odpowiadając na takie pytania jak: jakie należy przeprowadzić konserwacje, gdzie i kiedy. System powinien wyposażyć użytkownika w wiedzę o kondycji i konfiguracji infrastruktury, a także sytuacji na drogach, dzięki czemu zasoby obsługi technicznej mogą być kierowane jedynie na te obszary, które wymagają pracy. Ilość informacji jest ogromna, więc muszą być one hierarchizowane i zagregowane; użytkownicy muszą przefiltrować bezużyteczne wskaźniki. Dane są łączone przez zestawianie kilku indywidualnych wskaźników w jeden indeks; wynikowe wskaźniki zespolone mierzą wielowymiarowe pojęcia, których nie można przechwycić przez pojedynczy indeks. W artykule opisano metodę monitorowania złożonej jednostki. W tym przypadku stosuje się mnogość indeksów użycia i wartości ważonych, aby utworzyć złożony i zagregowany indeks użycia z kombinacji wskaźników użycia niższego poziomu i wartości ważonych. Uzyskane złożone i zagregowane wskaźniki mogą stanowić narzędzie decyzyjne dla menedżerów zarządzających zasobami na różnych poziomach hierarchi.

Słowa kluczowe

EN

railway assets; fusion; hierarchy; aggregation; KPI; performance; condition monitoring; CMMS

PL

zasoby kolejowe; synteza/połączenie; hierarchia; agregacja; KPI; wydajność; monitoring stanu; CMMS

• Wydawca: STE GROUP
• Czasopismo: Management Systems in Production Engineering
• Rocznik: 2017
• Tom: nr 3 (25)
• Strony: 191--198
• Opis fizyczny: Bibliogr. 21 poz., rys.

Twórcy

autor

Villarejo R.

• Luleå University of Technology 971 87 Luleå, SWEDEN

autor

Johansson C. A.

• Luleå University of Technology 971 87 Luleå, SWEDEN

autor

Leturiondo U.

• Luleå University of Technology 971 87 Luleå, SWEDEN
• 2 IK4-Ikerlan, Arrasate-Mondragón, P°. J. Mª. Arizmendiarrieta, 2 20500 Arrasate-Mondragón, SPAIN

autor

Simon V.

• Luleå University of Technology 971 87 Luleå, SWEDEN

autor

Seneviratne D.

• Luleå University of Technology 971 87 Luleå, SWEDEN

autor

Galar D.

• Luleå University of Technology 971 87 Luleå, SWEDEN

Bibliografia

• [1] U. Kumar, D. Galar, A. Parida, C. Stenstron and L. Berges, “Maintenance performance metrics: a state of the art review”, Journal of Quality in Maintenance Engineering, vol. 19, no. 3, pp. 233-277, 2013.
• [2] UNE-EN 15341:2008 Mantenimiento. Indicadores clave de rendimiento del mantenimiento, UNE AENOR, 2008.
• [3] V. Boisevert, N. Holec et al., “Economic and Environmental Information for Sustainability. Valuation for sustainable development: methods and policy indicators”, in Valuation for Sustainable Development: Methods and Policy Indicators, S. Faucheux and M. O'Connor, Eds. Cheltenham: Edward Elgar Publishing, 1998, pp. 99-119.
• [4] T.J. Wilmering, A.V. Ramesh, Mar. “Assessing the Impact of Health Management Approaches on System Total Cost of Ownership”, in IEEE Aerospace Conference, Big Sky, MT, USA, 2005, pp. 1-11.
• [5] A. Parida and U. Kumar, “Maintenance Productivity and Performance Measurement”, in Handbook of Maintenance Management and Engineering, part I, M. Ben-Daya, S.O. Duffuaa, A. Raouf, J. Knezevic and D. Ait-Kadi, Eds., 2009, pp. 17-41.
• [6] A. Parida and G. Chattopadhyay, “Development of a multi-criteria hierarchical framework for maintenance performance measurement (MPM)”, Journal of Quality in Maintenance Engineering, vol. 13, no. 3, pp. 241- 258, 2007.
• [7] A. Parida and U. Kumar, “Maintenance performance measurement (MPM): issues and challenges”, Journal of Quality in Maintenance Engineering, vol. 12, no. 3, pp. 239-225, 2006.
• [8] T. Wireman, Developing performance indicators for managing maintenance. New York: Industrial Press, 1998.
• [9] D. Mata, J.M. Aller and A. Bueno, “Análisis Probabilístico del Mantenimiento Predictivo y Correctivo de Máquinas Eléctricas Rotativas en una Planta Siderúrgica”, Universidad, Ciencia y Tecnología, vol. 12, no. 49, 2008.
• [10] J. Woodhouse. (2004). Asset Management – An Introduction. Institute of Asset Management [Online]. Available: http://www.iamuk.org/ iam_publications.htm
• [11] J.D. Campbell, Uptime: Strategies for Excellence in Maintenance Management, 1st ed., Portland: Productivity Press, 1995.
• [12] R.S. Kaplan and D.P. Norton, “The Balanced Scorecard – Measures that Drive Performance”, Harvard Business Review, vol. 70, no. 1, pp. 71-79, 1992.
• [13] R.S. Kaplan and D.P. Norton, The Balanced Scorecard: Translating Strategy into Action, 1st ed, Boston: Harvard Business Press, 1996.
• [14] A. Parida, “Managing Information is the key to Maintenance Effectiveness”, in e-Proc. of Intelligent Maintenance System, Arles, France, 2004, pp. 15-17.
• [15] D. Galar et al., “Maintenance decision making based on different types of data fusion”, Eksploatacja i niezawodność – Maintenance and Reliability, vol. 14, no. 2, pp. 135-144, 2012.
• [16] D. Galar et al., “Integration of disparate data sources to perform maintenance prognosis and optimal decision making”, Insight: Non-Destructive Testing and Condition Monitoring, vol. 54, no. 8, pp. 440-445, 2012.
• [17] L. Soibelman and H. Kim, “Data preparation process for construction knowledge generation through knowledge discovery in databases”, Journal of Computing in Civil Engineering, vol. 16, no. 1, pp. 39-48, 2002.
• [18] W. Tianhao, F.M. Khan, T.A. Fisher, L.A. Shuler and W.M. Pottenger, “Posting Act Tagging Using Transformation-Based Learning”, in Proc. of the Workshop on Foundations of Data Mining and Discovery, 1992.
• [19] C. Stenström, A. Parida, J. Lundberg and U. Kumar, ”Development of an integrity index for benchmarking and monitoring rail infrastructure: application of composite indicators”, International Journal of Rail Transportation, vol. 3, no. 2, pp. 61-80, 2015.
• [20] C. Stenström and A. Parida, Link and Effect Model for Maintenance of Railway Infrastructure, Research report, Luleå University of Technology, Luleå, 2013.
• [21] C. Stenström, “Maintenance performance measurement of railway infrastructure with focus on the Swedish network”, Technical report, Luleå University of Technology, Luleå, 2012.

Uwagi

PL

Opracowanie ze środków MNiSW w ramach umowy 812/P-DUN/2016 na działalność upowszechniającą naukę (zadania 2017)