AI for jernbane-infrastruktur prediktivt vedlikehold av skinner og kontaktledning

AI for jernbane-infrastruktur — prediktivt vedlikehold av skinner og kontaktledning

Jernbaneforsinkelser skyldes i mange tilfeller feil eller slitasje som ikke ble oppdaget i tide. AI-baserte systemer for kontinuerlig tilstandsovervåkning av skinner, sviller, sporveksler og kontaktledning er i utvikling og delvis i drift hos norske og europeiske jernbaneaktører. Målet er å gå fra reaktiv reparasjon til planlagt vedlikehold.

Hva AI gjør i jernbane-infrastruktur

Jernbanenettet har to vedlikeholdsutfordringer som er særlig ressurskrevende: skinneslitasje og feil på elektrisk infrastruktur (kontaktledning og strømforsyning).

Tradisjonelt inspiseres skinner og sviller med jevne mellomrom etter faste sykluser — uavhengig av faktisk tilstand. Det gir enten over-vedlikehold på strekk som tåler mer, eller under-vedlikehold der slitasjen skjer raskere enn syklusen tilsier.

Tilstandsbasert vedlikehold med AI bruker i stedet data fra instrumenterte målekjøretøy, trackside-sensorer og akselerometre i ordinære tog til å overvåke sporets tilstand løpende. Maskinlæringsmodeller identifiserer mønstre som indikerer begynnende slitasje, geometriavvik eller komponentsvikt — og gir vedlikeholdsplanleggere varsler med estimert restlevetid.

Teknologi i bruk

Akselerometer-data fra tog er et lavterskel-inngangspunkt: sensorer montert på ordinære driftstog måler løpsk vibrasjoner og rapporterer avvik. Jernbaneverket i Sverige (Trafikverket) har vært tidlig ute med dette, og erfaringene er relevante for norsk jernbane.

Dronebasert og kamerautstyrt inspeksjon brukes til å inspisere kontaktledning og master langs strekninger der manuell inspeksjon er tidkrevende. Bildene analyseres med bildegjenkjenning for å identifisere korrosjon, skader eller geometriavvik.

Sporveksel-overvåkning er et prioritert område fordi sporveksler er en hyppig feilkilde. Strøm- og bevegelsesdata fra vekselmotorer mates inn i modeller som oppdager unormal atferd — kraftkurve-avvik som signaliserer mekanisk problem — før vekselen feiler.

I en rapport fra ERA (European Union Agency for Railways) fra 2024 ble prediktivt vedlikehold identifisert som ett av fire strategiske digitaliseringsområder for europeisk jernbane, med estimert potensial for å redusere infrastrukturrelaterte forsinkelsesminutter med 20–30 prosent over tid ved fullskala implementering.

Bane NOR og norsk kontekst

Bane NOR forvalter om lag 4 200 kilometer jernbanenett i Norge. Nettverket er geografisk spredt, med lange strekninger i krevende terreng og klimaforhold som setter høye krav til infrastrukturstandard.

Bane NOR har arbeidet med digitalisering av infrastrukturforvaltning gjennom sitt digitaliseringsprogram, og er koblet til europeiske samarbeid innen jernbaneteknologi. Konkrete detaljer om hvilke AI-løsninger som er i produksjonsdrift er ikke offentlig kommunisert i detalj, men organisasjonen bruker leverandørers plattformer for sensorbasert sporanalyse.

Norske utfordringer inkluderer spredt nett med relativt lav trafikkintensitet på mange strekninger, noe som gjør det vanskeligere å bygge store datasett raskere. Internasjonalt samarbeid og datatilgang fra europeiske jernbaner er derfor verdifullt for modelltrening.

Leverandørmarkedet

Leverandører som Siemens Mobility, Alstom, Wabtec og spesialiserte selskaper som Vossloh Cogifer tilbyr løsninger for infrastrukturovervåkning. Noen startup-selskaper i Skandinavia arbeider med lavkost-sensorkit for eksisterende rullende materiell.

Cloudbaserte plattformer for jernbane-infrastrukturdata finnes fra blant annet IBM og SAP, men integrasjon mot eksisterende jernbanestyringssystemer (EAM-systemer) er tidkrevende.

Hva det betyr for norske bedrifter

For leverandører til jernbanesektoren er det verdt å kjenne til at Bane NOR og europeiske jernbaneaktører er aktive kjøpere av teknologi innen tilstandsovervåkning og prediktivt vedlikehold. Kompetanse innen sensorintegrasjon, maskinlæring på tidsseriedata og forståelse av jernbaners sikkerhetskrav er etterspurt.

For næringslivet generelt viser jernbane-eksempelet at infrastruktur med høy sensortetthet og klare kostnader ved feilstopp er blant de beste brukstilfellene for AI-vedlikehold — et mønster som er overførbart til havner, energinett og vann-infrastruktur.

Ofte stilte spørsmål