ENERGIFORBRUK FAKTABASERT INNSPILL TIL PRODUKSJONSPLANLEGGING (Train energi use fact based input to future produktion planning)

Størrelse: px
Begynne med side:

Download "ENERGIFORBRUK FAKTABASERT INNSPILL TIL PRODUKSJONSPLANLEGGING (Train energi use fact based input to future produktion planning)"

Transkript

1 Masteroppgave ENERGIFORBRUK FAKTABASERT INNSPILL TIL PRODUKSJONSPLANLEGGING (Train energi use fact based input to future produktion planning) Vår 2007 Stud. Techn. Iver Wien Institutt for produksjons og kvalitetstekninkk, NTNU I

2 Institutt for produksjons og kvalitetstekninkk, NTNU II

3 Institutt for produksjons og kvalitetstekninkk, NTNU III

4 Institutt for produksjons og kvalitetstekninkk, NTNU IV

5 Institutt for produksjons og kvalitetstekninkk, NTNU V

6 Forord Denne rapporten er et resultat av arbeidet med masteroppgaven Energiforbruk Faktabasert innspill til produksjonsplanlegging som gjennomføres våren 2007 ved Norges Tekninske- og Naturvitenskapelige Universitet (NTNU) i Trondheim. Masteroppgaven er et samarbeid mellom NTNU og NSB med professor Bjørn Andersen som ansvarlig faglærer og forsker Nils Olsson som veileder. Kontaktpersoner ved NSB var Jan Vetle Moen og Hans Haugland. Jeg vil rette en stor takk til alle de ansatte i NSB som har bidratt til oppgaven. Jeg vil også takke Nils Olsson, Jan Vetle Moen, Hans Haugland og Bjørn Andersen for veldig god veiledning og hjelp underveis i oppgaven. Trondheim Institutt for produksjons og kvalitetstekninkk, NTNU VI

7 Sammendrag NSB har startet opp et energispareprosjekt som en følge av økte energipriser og økt fokus på energiforbruk i samfunnet generelt. De høye strømprisene har ført til at energikostnadene blir en stadig større del av de totale kostnadene. I tilegg profilerer NSB seg som et miljøvennlig selskap, og for å opprettholde denne imagen er det viktig å ha fokus på å redusere sitt forbruk av energi. NSB arbeider med tiltak for energisparing, læring om hva som er effektiv energibruk og hvordan fremtidens togdrift kan utvikles. NSB ønsker spesielt å forbedre sitt beslutningsgrunnlag rundt energiforbruk i forhold til fremtakelse av fremtidige produksjonsplaner. Det vil være behov for planlegging i alle organisasjoner og typer av virksomhet. Kravet til produksjonsplaner vil likevel variere mye i forhold til de oppgavene som skal utføres, og for hvilket tidsperspektiv planleggingen gjelder for. Planlegging kan grovt deles inn i Strategisk, taktisk og operativ planlegging etter planleggingshorisont og detaljeringsgrad. Jernbanetransport er veldig komplisert, og det vil være nødvendig med stor grad av planlegging for at trafikken skal gå tilfredsstillende. For å produsere gode planer, er det viktig at de er basert på god informasjon og kunnskap. Det er derfor viktig å samle på erfaringsdata som kan benyttes til å ta beslutninger under planleggingen. I dag er ikke problemet innsamling av nok erfaringsdata, men heller å utnytte det innsamlede materialet. Det er viktig å finne metoder for å trekke kunnskap ut av de erfaringene som blir gjort. Knowledge discovery in databases (KDD) er en strukturert metode i fem steg for å finne skjult kunnskap i erfaringsdata som lagres i databaser. NSB kan benytte en slik metode for uthenting av kunnskap fra erfaringsdata. Et datavarehus for erfaringsdata fra ulike prosesser vil gjøre dataene mer informativ og kan støtte funksjoner som planlegging og prognostisering. Selv om organisasjoner har gode muligheter for strømsparing, har dette til nå hatt lite fokus. Dette til tross for store muligheter for innsparinger. Barrierer for investering i energieffektivitet vil ofte være begrunnet i dårlig informasjon, og god bruk av erfaringsdata for energi kan endre på dette. I tillegg til rent økonomiske besparelser, vil investering i energieffektivitet ofte også gi andre positive synergieffekter. NSB har i dag mange ulike systemer i bruk for planlegging og uthenting av erfaringsdata. Disse systemene opererer mer eller mindre uavhengig, og det eksisterer ikke noe felles datavarehus for erfaringsdata. Energidata lagres i Jernbaneverkets database NRESS, som NSB har tilgang til gjennom en internettportal. Planleggere fra NSB ser på bruk av erfaringsdata som veldig viktig for sitt arbeid. Det benyttes derimot lite erfaringsdata for energi i dag. Selv om planleggerne var fornøyd med dagens bruk av erfaringsdata, var det et ønske om mer samling av dagens informasjon. Et datavarehus for jernbaneerfaringsdata vil kunne lette arbeid med rapportering og sikre at alle bruker lik informasjon. Energidata kan være med i et slikt datavarehus. For å se på hvordan energidata og andre erfaringsdata kan benyttes i NSB til beslutningsstøtte, gjennomførtes det en mulighetsidentifikasjon for å finne aktuelle områder for bruk av energierfaringsdata. Deretter gjennomføres en teknologisk identifikasjon for å se på de tekniske utfordringene ved bruk av denne informasjonen. For den teknologiske identifikasjonen er det sett på både systemstruktur og KDD prosessen for kunnskapsuthenting. Institutt for produksjons og kvalitetstekninkk, NTNU VII

8 Gjennom en vurdering av ønsker fra NSB og bruk av ulike analysemetoder er det valgt å se nærmere på områdene: Enhetskostnader for materiell og strekning Marginalkostnader ved endring i kjøretid Marginalkostnader ved endret stasjonsmønster Indikatorer på energiprestasjone Kvalitetssikring av simulator Oppfølging av energibruken mot lokfører For å kunne utnytte dagens erfaringsdata bedre enn i dag, vil det være behov for en endring i datasystemstrukturen hos NSB. Det er behov for en bedre datautveksling mellom ulike systemer, slik at erfaringsdata kan vurderes opp mot hverandre i samme system. Dette vil gi større kunnskap fra den tilgjengelige informasjonen. Et forslag til løsning er å benytte et sentralt datavarehus, som står for utvekling av all erfaringsdata. I tilknytning til denne databasen, etableres et analyseprogram som kan vurdere erfaringsdata fra flere ulike kilder. Dette gir bedre datautveksling og vil lette arbeidet med å hente ut rapporter. Ved analysering av energidata er det også viktig å kvalitetssikre resultatene. Dette gjøres ved å sikre seg store datagrunnlag og kvalitetssikre innhentingen av data. Konkrete metoder NSB kan benytte for kontroll av erfaringsdata fra NRESS kan være kvalitetssikring ved hjelp av eksterne målere, kvalitetssikring ved hjelp av simulator, kvalitetssikring ved teoretisk utregning og kvalitetssikring ved statistisk prosesskontroll. Institutt for produksjons og kvalitetstekninkk, NTNU VIII

9 Summary NSB has, as a consequence of higher prices for energy and more concern for energy consumption in general, started a project for energy saving. The high prices for electricity makes the expenses to energy a greater share of the total expenses. In addition NSB has a environmental friendly profile, and to maintain this profile it is important to reduce their energy consumption. NSB tries to learn about efficient energy practice and how to develop future train operation. In particular they want to improve their decision-making when developing new production plans. In all organisations there will be a need for planning. The demand for production plans will however depend of tasks and time-frame for the planning. Planning can be separated in strategic, tactical and operational planning after time-frame and detailing level. Railway transportation is complex, and there will be a need of good planning. It is important to use good information and knowledge to produce good production plans. Therefore it is important to gather experience data witch can be utilized under decision-making when planning. Because the gathering techniques improve, the problem is not longer to gather enough data, but to utilize it. It is important to find methods for knowledge discovery for already gathered data. Knowledge discovery in databases (KDD) is a structured method in five steps to find hided knowledge in experience data. NSB can make use of this method. A data warehouse for experience data from different processes will make data more informative and support functions like planning and forecasting. Even if organisations are capable to reduce their energy usage, this has up to now been given little concern. Investment barriers for energy efficiency, is often explained by lack of information. Use of experience data for energy may change this. In addition to the economic savings, there will be other synergy effects when investing in energy efficient technology. NSB has many different systems in use for planning and analysing experience data. Today these systems is more or less independent and there are no data warehouse for common data. Data for energy consumption is saved in a database by Jernbaneverket. NSB has access to this database trough internet. The planners in NSB see the use of experience data as very important for there work, but today there is litle use experience data for energy consumption. Even though the planners where satisfied with the present experience data, there where a desire for better assembling of data. A data warehouse for railway data could ease the work of reporting and secure the use of equal information. Data for energy could be a part of this data warehouse. Possibility identification is made to find fields for usage of energy data. Then a technological identification is made to find a structure for the data system and to describe a KDD solution for knowledge discovery. Institutt for produksjons og kvalitetstekninkk, NTNU IX

10 By evaluation of the desired changes form NSB and the methods available for analysis, these fields will be considered in this project: Unit cost for rolling stock and particular routes Marginal cost for changes in driving time Marginal cost for extra station stop Indicator for energy Quality assurance for simulation senter Engine driver energy feedback To exploit the present experience data better, it is a need for å structural change in the data system structure in NSB. It is a need for better data exchange between systems. Experience data should be considered simultaneous, to get more knowledge. A suggestion is the implementation of a mutual data warehouse for all experience data and exchange of information. In connection to this data warehouse, a program should be developed to analyse all types of experience data. This will give better data exchange and ease the work of getting reports. Quality assurance will be important when analysing energy data. This is carry out by gathering large samples and quality control of the gathering process. External measuring devices, quality control by simulation, quality control by theoretical calculation and statistical process control can be uses by NSB to control the experience data. Institutt for produksjons og kvalitetstekninkk, NTNU X

11 Innholdsfortegnelse 1 Innledning Omfang Problemstilling Metode Valg av litteratur Gjennomføring av intervju Innhenting av energidata Oppbygging Bruk av erfaringsdata som innspill til planleggingsarbeid Planleggingsarbeid Hvordan skjer en beslutning Erfaringsdata Beslutningsstøtte og prestasjonsmåling Kunnskap fra erfaringsdata (knowledge discovery in databases) Innsamling av data Databaser og datavarehus Presentasjon av data og analyser ERP systemer Bruk av erfaringsdata til energibeslutninger Erfaringsdata og datasystemer i NSB Produksjonsplanlegging Beskrivelse av ulike system og databaser NRESS Planleggingssystemer Resource Manager Putin og AnnaLyse Simulatorsenteret Dagens prestasjonsmåling Oppsumering fra intervju av ansatte i planavdelingen Dagens bruk av erfaringsdata i planavdelingen Problemer med dagens bruk av erfaringsdata Fremtidige behov for erfaringsdata Erfaringsdata for Energi Forslag til bruk av energierfaringsdata Mulighetsidentifiksjon for energierfaringdata Enhetskostnader for materiell og strekning Marginalkostnader ved endring i kjøretid Marginalkostnader ved endret stasjonsmønster Indikatorer på energiprestasjoner Oppfølging av energiforbruk mot lokfører Kvalitetssikring av simulator Systemstruktur KDD prosess for bearbeiding av energidata fra NRESS Seleksjon Forprossesering Transformasjon Kvalitetssikring av data Dataanalyse fra NRESS Metode for energianalyser Institutt for produksjons og kvalitetstekninkk, NTNU XI

12 5.2 Tolkning av energianalyser Analyse av enhetskostnader for materiell og strekning Analyse av marginalkostnader ved endring i kjøretid Rutenummer og energiforbruk Sammenligning med simulatorresultater Kvalitetssikring av analysene Antallet målinger for analysene Feilkilder ved bruk av data fra NRESS Konklusjon Oppgavens konklusjon Vurdering om oppgavens mål er nådd Forslag til videre studier Referanser Vedlegg... i A - Antall målepunkter for strekniningsanalyser... i B - De 28 mest lovende energisparende tiltakene fra Nilsen, Essen og Boer (2005)...ii C - Togtabeller...iii D - Materiell i NSB (lokaltrafikk i Oslo området)...vii E - Intervju av ansatte i plan, drift og it...viii F Forstudierapport...ix G - Statusrapport for Iver Wien...xxiii Institutt for produksjons og kvalitetstekninkk, NTNU XII

13 Figurliste Figur 1 Oppbygging av oppgaven... 3 Figur 2 Planleggingshierarki (Rolstadås, Andersen og Schjølberg, 1999: s 41)... 6 Figur 3 Problemløsningssirkel (Cooke og Slack, 1991: s 5)... 8 Figur 4 Verdiskapning fra erfaringsdata (Basert på Braha (2001: s 62))... 9 Figur 5 Usikkerhet og relevant informasjon i et prosjekt (Samset, 2003) Figur 6 Erfaringsdata og problemløsningssirkel (basert på Figur 3) Figur 7 KDD prosess i fem steg (Dunham, 2002: s10) Figur 8 Kostnad og nyttemodell (Samset, 2003) Figur 9 Datavarehus (Dunham, 2002: s 36) Figur 10 Planleggingsrekkefølge i NSB (SINTEF, 2002) Figur 11 Relasjoner og dataflyt mellom aktuelle systemer Figur 12 Relasjon mellom planleggingsverktøy Figur 13 Bilde fra førerbordssimulator Figur 14 Skjermbilde for prestasjonsmåling i driftavdelingen Figur 15 Høy og Lav analyse av energiforbuk blant lokførere (Halbach, 2005) Figur 16 Forslag til ny datastruktur planleggings-, operative- og analysesystemer Figur 17 Eksempel på statistisk prosesskontroll med kontrollgrenser Figur 18 Energibesparelse i forhold til økt kjøretid mellom Moss og Ski (Wien, 2006) Figur 19 Forhold mellom kjøretid og energiforbruk Figur 20 Gjennomsnittlig energiforbruk fordelt på rutenummer for Kongsberg - Eidsvoll Figur 21 Gjennomsnittlig energiforbruk fordelt på rutenummer for Eidsvoll - Kongsberg Figur 22 Gjennomsnittlig energiforbruk fordelt på rutenummer for Spikestad - Moss Figur 23 Gjennomsnittlig energiforbruk fordelt på rutenummer for Moss - Spikestad Figur 24 Energiforbruk for pendelen Spikestad - Moss fordelt på ukedager Figur 25 Energiforbruk for Kongsberg - Eidsvoll fordelt på ukedager Figur 26 Energiforbruk for Eidsvoll - Kongsberg fordelt på ukedager Figur 27 Simulerte målinger for energiforbruk Moss-Ski med type Figur 28 Høyeste og laveste simulerte måling fra prosjektoppgaven (Wien, 2006) Figur 29 Høyeste og laveste reellemåling Institutt for produksjons og kvalitetstekninkk, NTNU XIII

14 Tabelliste Tabell 1 Aktuell systemer Tabell 2 Viktigste funksjoner for energimålerne Tabell 3 Oversikt over relevante spørringer (Queries) i NRESS Tabell 4 Eksempel fra NRESS ved bruk av spørringen "metered train consumption Tabell 5 Analysemetoder og analyseoppgaver (Wien, 2006) Tabell 6 Nøkkeltall for energiforbruk per bruttotonnkilometer for ulike typer tog, rullende materiell og stoppfrekvens oppgitt som levert energi/tilbakelevert energi (Jernbaneverket, 2006) Tabell 7 Data for km og togvekt Tabell 8 Utregning av enhetskostnader Tabell 9 Differanse mellom gj.sn. energiforbruk og energiforbruk i rush-tid Tabell 10 Differanse mellom simulert energiforbruk og målt energiforbruk Moss - Ski Institutt for produksjons og kvalitetstekninkk, NTNU XIV

15 1 Innledning 1.1 Omfang Denne masteroppgaven teller 30 studiepoeng i siste semester av sivilingeniørutdanningen ved NTNU. Dette betyr en arbeidsbelastning på 48 timer i uka. Oppgaven ble utlevert og skal leveres inn en I tillegg til denne rapporten skal det utarbeides en forstudierapport og en statusrapport. 1.2 Problemstilling NSB arbeider med tiltak for energisparing, læring om hva som er effektiv energibruk og hvordan fremtidens togdrift kan utvikles. Energibruk i togfremføring bestemmes blant annet av togmateriellets egenskaper (vekt, akselerasjon, maksimalhastighet) i forhold til infrastruktur og ruteplan (kjøretid, stoppmønster, avstand mellom stopp), sikkerhet og komfortkrav. NSB ønsker spesielt å forbedre sitt beslutningsgrunnlag rundt energiforbruk i forhold til fremtakelse av fremtidige produksjonsplaner. Det kan være aktuelt å bruke ulike former for erfaringsdata for å studere energiforbruk og den nyetablerte lokomotivførersimulatoren. Målsetningen med denne oppgaven er å sette seg inn i bruk av erfaringsdata kan benyttes som innspill til planleggingsprosesser. Det skal beskrives hvordan NSB kan ta frem og kvalitetssikre erfaringsdata som kan benyttes til beslutningsgrunnlag. I denne rapporten vil det fokuseres spesielt på energidata og eksempler på bruk av energidata skal konkretiseres. Oppgaven deles i tre deloppgaver: 1. Gjennomføre et litteraturstudium rundt bruken av erfaringsdata som innspill til planleggingsarbeid. Sammenstillingen omfatter generell bruk av erfaringsdata som beslutningsgrunnlag, og i den grad informasjon finnes tilgjengelig, spesielt relatert til energiforbruk. 2. Beskrive ulike alternativer til hvordan NSB kan ta frem og kvalitetssikre erfaringsdata som kan brukes til beslutningsgrunnlag. Alternativene kan inkludere både bruk av erfaringsdata og simulering. 3. Konkretisere minst et av alternativene fra deloppgave 2 ved å ta frem faktiske data om energiforbruk og presentere dataene på en måte som kan fungere som innspill til produksjonsplanleggingen. Om mulig skal det også utføres en kvalitetssikring av dataene. Som minimum skal det diskuteres hvordan dataene kan kvalitetssikres. Institutt for produksjons og kvalitetstekninkk, NTNU 1

16 1.3 Metode Holme og Solvang (1998) skiller mellom to hovedformer for metodisk tilnærming. Dette er Kvalitative og Kvantitative metoder. Hovedskillet på disse er bruken av tall, eller myke og harde data. Begge metodene har sine sterke og svake sider, og valg av metode bør derfor skje ut i fra problemstillingen en ønsker å undersøke (Holme og Solvang, 1998). Problemstillingen i denne oppgaven er tredelt, med et litteraturstudie om bruk av efaringsdata i planleggingsarbeid, beskrivelse av erfaringsdata som beslutningsgrunnlag i NSB og konkretisering av bruk av energidata. Valg av medode vil derfor avhenge av oppgavene i de tre delene. Kvalitative metoder vil i hovedsak benyttes i de to første delene av oppgaven for å samle inn informasjon. Metoder for innsamling av informasjon i denne oppgaven vil være: Søk etter litteratur Intervju av ansatte i NSB Samtaler Bruk av energidata og annen erfaringsdata Kildene til litteratur vil i hovedsak være bibliotekdatabasen ved NTNU, veileder ved SINTEF og ansatte i NSB. Intervju vil rette seg mot ansatte i avdelingene plan og drift ved NSB Valg av litteratur Bakgrunnen for denne oppgaven er at NSB ønsker å se på hvordan data fra energimålere på tog kan benyttes i ulike deler av organisasjonen, og spesielt i forhold til beslutningsstøtte i produksjonsplanlegging. Det vil da være naturlig å benytte seg av litt litteratur i tilknytning til planleggingsarbeide, men siden dette er tatt opp i prosjektoppgaven, vil det bli mindre fokus på dette. Det vil også være litteratur rundt hvordan beslutninger tas, og hvordan informasjonsbehovet er i en beslutningssammenheng. Deretter er det benyttet litteratur rundt innsamling, lagring, uthenting og analyse av data. Dette for å få bakgrunnskunnskap om hvordan NSB kan utforme et system for å benytte energidata i ulike deler av organisasjonen Gjennomføring av intervju Del 2 i oppgaven vil beskrive hvordan NSB kan benytte den erfaringsdata som de har til beslutningsstøtte. Det vil da være behov for å vite hva slags informasjon som blir benyttet i dag, og hvordan denne blir benyttet. Det vil også være behov for kjennskap til de ulike systemene og databasene som samler inn erfaringsdata. For å innhente denne informasjonen vil det være nødvendig med intervjuer av ansatte i NSB. I tillegg er det nødvendig å få innblikk i hvordan planleggere i NSB ser for seg bruk av energierfaringsdata. Det er foretatt intervju/samtale med tre personer i NSB plan og to fra NSB drift. Intervjuene er lagt opp til å være en samtale med de aktuelle personene. Det ble laget spørsmål på forhånd (vedlegg E), men disse fungerte mer som kontrollpunkter for samtalen. Under intervjuene ble svarene notert med pen og papir og senere renskrevet. Institutt for produksjons og kvalitetstekninkk, NTNU 2

17 1.3.3 Innhenting av energidata Kvantitative data vil bli benyttet i siste del av oppgaven. Innhenting av energidata vil skje fra Jernbaneverkets database for energiavregning, NRESS. Tilgang til disse dataene er gjennom Jan Vetle Moen i NSB. Dette er i hovedsak rådata som trenger videre bearbeiding før de kan presenteres som beslutningsstøtte. 1.4 Oppbygging Dette prosjektet har tre deloppgaver, med et litteraturstudium, en del med beskrivelse av analyser og en del med utførte dataanalyser. I tillegg er det beskrevet dagens situasjon i NSB med hensyn til bruk av erfaringsdata. Teori og virkelighetsbeskrivelse vil danne grunnlaget for de metodene som blir valgt i kapittel 4. Dette kapittelet vil igjen danne grunnlaget for de dataanalysene som blir utført i kapittel 5. Innledning (Kap. 1) Teori (Kap. 2) Virkelighets besk. (Kap. 3) Forslag metoder (Kap. 4) Data analyse (Kap. 5) Konklusjon (Kap. 6) Figur 1 Oppbygging av oppgaven Teorikapittelet tar for seg teori rundt bruk av erfaringsdata i beslutningsstøtte. Tema som berøres er beslutningsteori, beslutningsstøttesystem, prestasjonsmåling, databaser og datavarehus, ERP systemer og kunnskapsuthenting fra erfaringsdata. I tillegg vil det diskuteres bruk av erfaringsdata opp mot energibeslutninger generelt. Kapittel 3 tar for seg dagens situasjon med hensyn til bruk av erfaringsdata i NSB. Her er det spesielt lagt vekt på det som hendvender seg mot energibruk. Ulike databaser som kan benyttes i senere energianalyser vil her beskrives. I metodebeskrivelsen i kapittel 4 vil det være forslag for hvilke energianalyser som kan være aktuelle for NSB. I tillegg vil det være en beskrivelse av hvilken type data og systemer som trengs for å utføre disse analysene. Det vil også beskrives hvordan energidata kan kvalitetssikres. Institutt for produksjons og kvalitetstekninkk, NTNU 3

18 I kapittel 5 vil det konkretiseres noen eksempler fra kapittel 4. Her er det utført manuelle analyser av energidata, og presentert på en måte som kan nyttes til beslutningsstøtte. Dette kapittelet må ses på som ekemplifisering mer enn korrekte analyser på grunn av for lite datagrunnlag. Konklusjonen vil trekke sammen trådene i oppgaven, og presentere hovedfunnene. Institutt for produksjons og kvalitetstekninkk, NTNU 4

19 2 Bruk av erfaringsdata som innspill til planleggingsarbeid Alle organisasjoner har behov for planlegging av virksomheten. Både små og store oppgaver trenger planlegging. Dette er nødvendig for å kunne koordinere de forskjellige oppgavene på en fornuftig måte. Arbeid som settes i gang med for lite planlegging, vil ofte bli dårlig utført. For å planlegge trengs kunnskap om hvordan oppgaver skal gjennomføres og konsekvensen av ulike valg som kan tas. Det er viktig at planer er basert på virkeligheten. Det har liten hensikt å utarbeide planer som ikke lar seg gjennomføre. Erfaringsdata vil være nødvendig å benytte i planleggingen for å få realistiske anslag på konsekvensene ved planleggingen. Kunnskap om tidligere resultater og hendelser vil hjelpe til med å forutse problemer og utfordringer. Innsamling av erfaringsdata har med nye målemetoder blitt nærmest ubegrenset. Utfordringen i dag vil være å finne frem til og benytte seg av den kunnskapen som ligger i innsamlet data. Forskjellige metoder kan benyttes til dette. Bruk av databaser og datavarehus kan hjelpe til å organisere data, og teknikker som data mining og knowledge Discovery in Databases kan benyttes for å hente ut kunnskap av innsamlet data. 2.1 Planleggingsarbeid Det har alltid vært og vil alltid være behov for planlegging. Å planlegge vil si at man mentalt forbereder seg på fremtidige forhold (Lund og Lorentzen, 1982: s 11). Planlegging vil være en sentralt ellement innen ledelse, som ofte beskrives som å definere mål og implementere aktiviteter for å oppnå målene ved optimal bruk av ressurser (Eklund et. al. 1997). Planleggingen vil bestå i å koordinere arbeidet for å sikre optimal utnyttelse av de tilgjengelige ressursene. Enkelte kan ha motforestillinger mot planlegging, men alle oppgaver trenger en grad av forbredelse. Kunsten vil være å finne en hensiktig metode og en avpasset planleggingsgrad (Lund og Lorentzen, 1982). Planlegging må tilpasses de oppgavene som skal utføres. Noen store oppgaver vil kreve mye planlegging. Et stort utbyggingsprosjekt krever at logistikken er god planlagt. Ønsket materiale må være på plass når det trengs, slik at man unngår at noen prossesser venter på andre. I jernbanen vil det blitt kaotisk hvis ikke rutene var nøye gjennomgått på forhånd. Avganger med forskjellige lokaltog, ekspresstog og godstog er der planlagt ned på sekundnivå for å utnytte en presset infrastruktur. Andre små oppgaver igjen vil kanskje bare krever at det settes av tid til utføring. Her vil det være uhensiktsmessig å planlegge i detalj, fordi dette tar for lang tid i forhold til oppgavens størrelse. I et selskap vil det gjøres bestemmeleser med ulikt tidsperspektiv. Noen bestemmelser gjelder dagligdagse hendelser, andre bestemmelser legger føringer for selskapet på lang sikt. Det må legges planer med både kort, mellomlangt og langt tidsperspektiv. Rolstadås, Andersen og Schjølberg (1999) deler planlegging inn i tre nivå, strategisk, taktisk og operativt. Strategiske planer vil være grove og trekke retningslinjer, mens operative planer vil være detaljerte. Institutt for produksjons og kvalitetstekninkk, NTNU 5

20 Strategisk Taktisk Operativt Økende tidshorisont Økende detaljeringsgrad Figur 2 Planleggingshierarki (Rolstadås, Andersen og Schjølberg, 1999: s 41) Strategisk planlegging vil utføres for å skaffe bedre underlag for beslutninger som er retningsgivende for bedriftens utvikling over en lengre tidshorisont (Lund og Lorentzen, 1982). Strategiske beslutninger kan dekke områder som: Produkter som skal tilbys Markeder som skal dekkes Distrubusjonsforum Retningslinjer for prissetting Teknologi Slike strategiske beslutnigner må ofte tas på kort tid, mens konsekvensene kan være langvarige. En strategisk plan vil være en referanseramme for å kunne treffe bedre strategiske beslutninger (Lund og Lorentzen, 1982). Taktisk planlegging er planlegging på mellomlang sikt. Her skal det angis midler for å nå målsetningen i den strategiske planleggingen (Rolstadås, Andersen og Schjølberg, 1999) Under denne planleggingen vil man ta enkelte rammebetingelser for gitt, som materiell, maked, infrastruktur og personell. Det vil da lages planer som tar sikte på å dekke overordnede strategiske mål med tilgjengelige ressurser. Formålet med operativ planlegging er å gjennomføre i praksis den strategiske og taktiske planene. Denne planleggingen vil ofte begrense seg til enkelte funksjoner innenfor bedriften, i motsetning til strategisk og taktisk planlegging som gjerne gjelder for hele bedriften (Rolstadås, Andersen og Schjølberg, 1999). En slik tredeling av planleggingen er så generell at den kan benyttes i de fleste organisasjoner. Det kan likevel være diskusjoner om hvilke planleggingsoppgaver som tilhører de ulike nivåene. For NSB har SINTEF (2002) definert arbeidet med den årlige ruteplanleggingen som det taktsike nivået. Arbeid med lengre tidshorisont vil da være strategisk planlegging, mens planlegging i ruteterminen vil være operativ planlegging. Institutt for produksjons og kvalitetstekninkk, NTNU 6

21 2.2 Hvordan skjer en beslutning For å kunne se viktigheten av erfaringsdata til planleggingsarbeid er det nødvendig å forstå hva som ligger til grunn for beslutninger. Som utgangspunkt kan man forutsette at beslutningstakerne alltid vil gjøre det valget som søker å oppnå den best mulige løsningen for selskapet (Petrochilos, 2004). Det finnes ulike skoleretinger innenfor beslutningsteori. Et ytterpunkt er de som mener det finnes et optimalt resultat av en beslutning. Dette kan finnes som en maksimal- eller minimalverdi som er mulig å finne før beslutningen tas (Petrochilos, 2004). Andre igjen mener et slikt optimum ikke vil finnes for kompliserte sammenhenger. De mener at man aldri helt kan forutsi utfallet av en beslutning. Spesielt ved økonomke analyser har der vært fokus på optimering. Ved økonomiske analyser søker man gjerne å finne frem til det alternativet som maksimerer verdien for eierne, det vil si det alternativet som gir den største økningen av verdien på virksomheten (Eklund et. al. 1997, s 133). Man benytter seg da av modeller for problemene, utledet fra økonomisk teori, og prøver å regne ut et numerisk svar ved hjelp av matematikk (Petrochilos, 2004). Dette vil da gi den beste løsningen, dersom forutsetningene for modellen er riktige. I beslutninsteorien snakkes det om rasjonelle valg. Dette ordet har, som mange andre ord, mange betydninger. March (1994) mener ordet betyr omtrent det samme som intelligent eller suksessfull. Rasjonelt valg kan derfor brukes om et valg som har ønsket utfall. Hovedhensikten med et rasjonelt valg vil være å treffe en god beslutning. Hva som er en god beslutning og hvordan en slik god beslutning skal gjennomføres, kan alltid diskuteres og det vil være mange meninger rundt dette. March (1994) mener at en beslutningstaker aldri med sikkerhet vil vite utfallet av at et spesielt valg blir tatt. Om valget var bra eller ikke vil vise seg først når reslutetet av handlingen kommer. Cooke og Slack (1991) mener at om en beslutning er god eller ikke, kan evalueres med tilbakeblikk på mulighetene man hadde ved beslutningspunktet. Har man på bakgrunn av omstendighetene gjort det beste mulige valget, er det en god beslutning. Hadde man derimot mulighet for å gjøre et bedre valg, er ikke beslutningen så god. En god beslutning er, i følge denne tankemåten, derfor ikke nødvendigvis det som gir best resultat, men det som gir best resultat i forhold til det grunnlaget man tar beslutning på. For å få gode resultater er man da avhengig av at forutsetningene for valget er bra. De fleste beslutninger er raske dagligdagse beslutninger, hvor beslutningstakeren ikke er så bevist på prosessen frem mot valget som tas. Dette vil sannsynligvis heller ikke være nødvendig. For større beslutninger med store konsekvenser kan det derimot være nytting å tenke igjennom den beslutningsprosessen som skal gjennomføres. For å gjennomføre en rasjonell beslutningsprosess mener March (1994) at man kan gjennomgå fire basisspørsmål: 1. Alternativer: Hvilke valg er mulige? 2. Forventning: Hva er konsekvensene av valget? 3. Preferanser: Hvor gyldige er disse konsekvensene? 4. Beslutningsregel: Hvordan skal valget mellom alternativene utføres? Institutt for produksjons og kvalitetstekninkk, NTNU 7

22 Beslutningstaking består ikke bare av et øyeblikk der valget fattes, men er en lengre prosess med flere faser. Cooke og Slack (1991) setter beslutningstaking som en del av en problemløsningsprosess, der de fire basisspørsmålene til March vil være inkludert. Problemløsningsprosessen består av 8 faser som vist i Figur 3. Beslutningstakingen vil da bestå av: Sette mål Forstå problem Finne alternativer Evaluere alternativer Velge alternativ Sette mål Anerkjenne problem Forstå problem Observere/ overvåke 1 Problemløsningssirkelen 5 Finne alternativer Implementere Velge alternativ Evaluere alternativer Beslutningstaking Figur 3 Problemløsningssirkel (Cooke og Slack, 1991: s 5) Sette mål: I denne fasen er det nødvendig å sette mål for hva man håper beslutningen vil resultere i eller hva man skal jobbe mot. Det må også settes grenser for bestemmelsen. Det er nødvendig at disse målene er i samsvar med organisasjonens overordnede mål. Forstå problem: Denne fasen er veldig viktig fordi det er behov for å finne de riktige årsakene til problemene. Feildiagnostisering vil føre til at feil tiltak settes i verk, uten at de løser problemet. Riktig løsning til feil problem er like unytting som feil løsning til riktig problem. Finne alternativer: Denne fasen er begrenset av hvor smale grenser det er satt for bestemmelsen i målfasen. I mange tilfeller vil derfor alternativene være gitt. En bred definisjon av beslutningen betyr derimot at en kreativ prosess for å finne mulige løsninger er nødvendig. Evaluere alternativer: I evalueringsfasen ser man på hvordan de forskjellige alternativene møter målene for beslutningen. Ved bruk av matematiske modeller som beslutningsstøtte, blir de benyttet i denne fasen. Velge alternativ: Når de andre fasene er gjennomført, står det igjen å velge det alternativet som mest sannsynlig gir best tilfredsstillelse. Institutt for produksjons og kvalitetstekninkk, NTNU 8

23 I planleggingsarbeid vil det fattes mange beslutninger for fremtidige forhold i organisasjonen. For å oppnå gode resultater vil det derfor være lurt å tenke igjennom hvordan disse beslutningene gjennomføres. Selv om det kan være fristene å hoppe over noen faser, kan dette føre til beslutninger på feil grunnlag, og dermed dårligere beslutninger. Uansett om man er tilhenger av den ene eller andre teorien for beslutningstaking, vil beslutningen være avhengig av god kunnskap om konsekvensene. God erfaringsdata er viktig for dette formålet. 2.3 Erfaringsdata For å kunne ta en beslutning er man avhengig av å ha kunnskap om mål, problem, alternativer og konsekvensene ved de ulike mulige valgene som foreligger. Dette vil kreve tilgang til data som sier noe om situasjonen eller lignende situasjoner. Man skal si at grunnlaget for beslutninger er basert på tilgjengelig fakta- og datagrunnlag. Beslutningsprosesser forutsetter bruk av kunnskap (March, 1994, s 240, min oversettelse). Det er essensielt å kunne utnytte tidligere erkjent kunnskap for å forutse konsekvener av nye valg. Erfaringsdata samlet i databaser og andre lagringssystemer vil være nyttig for dette formålet. Det legges stadig større vekt på at informasjon er viktig for organisasjoners prestasjoner. En kan si at hensikten med erfaringsdata er å tilføre verdi til selskapet. Verdiskapning fra erfaringsdata skjer gjennom å trekke informasjon ut fra data. Denne informasjonen gir kunnskap som igjen øker kompetansen i organisasjonen. Verdi Kompetanse Kunnskap Informasjon Data Figur 4 Verdiskapning fra erfaringsdata (Basert på Braha (2001: s 62)) I utgangspunktet kan Data både ha en positiv og negativ påvirkning på organisasjonen. Feilinformasjon vil kunne lede til gale beslutninger enten fordi det virkelige problemet ikke blir funnet eller fordi konsekvensanalysen blir feil. Ved for eksempel et prosjekt, er det veldig essensielt å ha riktig og god informasjon. Dette vil redusere usikkerheten i prosjektet som vist i Figur 5. Etter hvert som informasjonen blir større vil usikkerheten reduseres. Redusert usikkerhet vil være ønskelig i et prosjekt og således er verdien i prosjektet økt. Som figuren viser vil informasjon ha størst påvirkning på usikkerheten i starten av et prosjekt. Innhenting av informasjon langt ut i prosjektet vil ha mindre påvirkning på usikkerheten og dermed på verdien av mer informasjon. Institutt for produksjons og kvalitetstekninkk, NTNU 9

24 Informasjon Usikkerhet Tid Figur 5 Usikkerhet og relevant informasjon i et prosjekt (Samset, 2003) Jernbaneplanlegging vil ikke være et prosjekt på sammen måte som i Figur 5, der informasjonen er tilnærmet null i starten av prosjektet. I jernbaneplanlegging vil informasjonennivået være høyt allerede i starten, men vil på samme måte øke etter hvert som planene blir lagt og ny erfaringsinformasjon kommer til. Det er vide bruksområder for erfaringsdata i en organisasjon. Det vil være smart å utnytte seg av den kunnskapen som ligger i den erfaringsdata som er produsert. Hvis vi tar utgangspunkt i Cooke og Slack (1991) sin problemløsningssirkel, kan en finne se hvilke faser som vil forutsetter bruk av erfaringsdata (Figur 6). Anerkjenne problem 2 Sette mål 3 4 Forstå problem Observere/ overvåke 1 Erfaringsdata 5 Finne alternativer Implementere Velge alternativ Evaluere alternativer Figur 6 Erfaringsdata og problemløsningssirkel (basert på Figur 3) Observere/overvåke: Erfaringsdata kan kontinuerlig benyttes til å overvåke prosesser i en organisasjon. Her kan det for eksempel settes toleransegrenser, hvor systemet sier ifra når prosessene overgår disse. En prosess som er ute av kontroll er en prosess med et problem, og problemløsningssirkelen settes i gang. Institutt for produksjons og kvalitetstekninkk, NTNU 10

25 Forstå problem: Det kan være fristene å ta lett på oppgaven med å forstå et problem. Mange vil gå fra å sette seg mål, til å finne alternative løsninger. Dette kan imidlertid føre til gale beslutninger. Å benytte erfaringsdata vil være nødvendig for å virkelig forstå et problem. Evaluere alternativer: Denne fasen går ut på å finne konsekvensene av de ulike alternativene som er listet opp. Det er ikke mulig å gjennomføre en evaluering uten en form for erfaringsdata. Da vil alle estimat bli ren tipping. Selv om det er gode grunner for å utnytte erfaringsinformasjon, er dette ofte lite benyttet i ulike beslutningsprosesser. Grunner for at erfaringsdata ikke blir benyttet kan være (Soibelman og Kim, 2002): Beslutningstakere har lite tid til å analysere data Kompleksiteten til dataanalyseprosessen er ofte større enn bruksområdet Det er lite automatiserte mekanismer til å trekke ut, forprosessere. analysere data og summere resultatene slik at beslutningstakere kan benytte den 2.4 Beslutningsstøtte og prestasjonsmåling For å strukturere innsamlingen av informasjon til beslutningsstøtte er det mulig å utarbeide et beslutningsstøttesystem (Decision support system). Decision support system (DSS) er omfattende datasystem og relaterte teknikker som assisterer ledere i beslutninger og problemløsning (Dunham, 2002). Bozarth og Handfield (2006) beskriver DSS som komputerbaserte informasjonssystemer som tillater brukeren å analysere, manipulere og presentere data på en måte som støtter høyere grads beslutningstaking. Måle med et slikt system er å levere informasjon til ledere for å ta effektive og riktige forretingsbeslutninger. Grunnlaget for et slikt beslutningsstøttesystem kan være å etablere et system for prestasjonsmåling. Beslutningstaking er avhengig av god informasjon om status og utvikling over tid. Måling av prestasjon i organisasjonen vil derfor være en viktig del av dette. For planleggingsarbeid vil det være nødvendig med tilbakemelding om hvordan endringer i planene påvirker prosessene over tid. Prestasjonsmåling skaffer en generell basis med informasjon som kan utnyttes til beslutningsstøtte (Andersen og Fagerhaug, 2002). Det finnes mange forfattere og forskjellige retninger innenfor prestasjonsmåling. Siden det her kun er en kort presentasjon av emne, vil det benyttes kun noen kilder. Det er i utgangspunktet to målestørrelser, henholdsvis myke og harde (Aune, 2000). De harde er rene tekniske målinger, mens de myke målingene er mindre tekniske. Energimålingene som Jernbanevektet samler inn fra togene vil være en hard måling. Institutt for produksjons og kvalitetstekninkk, NTNU 11

26 En av hovedgrunnene for prestasjonsmåling vil være å gi tilbakemelding til de ansatte på det arbeidet de utfører (Andersen og Fagerhaug, 2002). En slik tilbakemelding vil kunne motivere til bedre arbeid. For energidata til planleggingsarbeid kan en se for seg dataanalyser som gir tilbakemelding til planleggerne om hvordan planleggingen endrer energiforbruket. En annen grunn til prestasjonsmåling er å kunne varsle om hvordan prestasjoner utvikler seg før det er for sent. Prestasjonsmåling gjør det mulig med endringer før det vises på de finansielle resultatene. Prestasjonsmålinger kan også benyttes til å underbygge målsetningene i en organisasjon. Det som måles blir gjort. I NSB, som profilerer seg som miljøvennlig, kan måling av energiforbruk hjelpe til å redusere dette, og dermed underbygge dette målet. Det er derfor viktig at målsetningene tas med i utarbeidelse av et prestasjonsmålesystem. Det vil i tillegg være flere positive effekter og bruksområder for prestasjonsmåling. Andersen og Fagerhaug (2002) nevner disse bruksområdene for prestasjonsmåling: Tidligvarsling Adferdsendring Implementering av strategier Trend overvåking Forbedrings prioritering Forbedringsprosjekt evaluering Markedsføring Input til bonus- og intensivsystemer Basis for benchmarking Motivasjonsøkning Resultatet av å innføre et prestasjonsmålesystem kan være balansert målstyring. Gjennom balansert målstyring ønsker man å skape et balansert syn på hele virksomheten og unngå at enkelte lett målbare områder tar all fokus, mens andre viktige områder neglisjeres (Fodstad et. al., 2006). NSB drift har jobbet for å innføre et slikt system med balansert målstyring (Moen, 2005) I et prestasjonsmålesystem etableres det et sett indikatorer for de områdene som skal måles. Det er i utganspunktet tre forskjellige typer indikatorer (Andersen og Fagerhaug, 2002): 1. Resultat indikatorer 2. Diagnostiske indikatorer 3. Kompetanseindikatorer Disse indikatorene vil ha ulikt tidsperspektiv. Kompetanseindikatorer og diagnostiske indikatorer vil se fremover, mens resultatindikatorer vil se tilbake. I forhold til bruk av energidata i planleggingsarbeid hos NSB blir det naturlig å se mest på diagnostiske indikatorer. Institutt for produksjons og kvalitetstekninkk, NTNU 12

27 2.5 Kunnskap fra erfaringsdata (knowledge discovery in databases) Mulighetene for å samle inn erfaringsdata har med ny teknologi blitt nesten ubegrenset. Utfordringen for organsiasjoner er ikke lenger å samle inn data, men å benytte dette til kunnskap. Hensikten med å samle inn erfaringsdata er å kunne benytte dem på en måte som tilfører organisasjonen verdi. Det er da viktig at informasjonen bearbeides og presenteres på en måte som gir god beslutningsstøtte. Å hente ut data fra en database eller databank kan i teorien gjøres på to forskjellige måter: Manuelt Automatisk eller halvautomatisk I tilfeller med større datamengder vil manuell uthenting av data ta lang tid. Den store mengden med av data i dagens databaser gjør det upraktisk med manuelle analyser for beslutningsstøtte. Denne kompleksiteten krever nye teknikker og verktøy som på en intelligent og automatisk måte kan omforme lav verdi data til høy verdi kunnskap (Braha, 2001). Automatisk uthenting av erfaringsdata fra databaser er en vitenskap i seg selv, og det er gjort mye forskning på området. Tidligere ble det benyttet enkle former for spørringer for å hente ut data fra databasene. Etter som forventingene til spørringene og mengden og kompleksiteten av data er blitt større, må spørringene nå være mer komplekse (Dunham, 2002). Mer sofistikerte teknikker, som data mining og online analytic pocessing, for uthenting av kunnskap fra data er derfor blitt utviklet. Termene Data mining og Knowledge Discovery in Databases er ofte brukt om hverandre om prosessen med å finne nyttige sjulte mønster i data. De siste årene er derimot knowledge discovery in databases brukt om en prosess med flere steg der data mining er et av stegene (Dunham, 2002). Knowledge Discovery in Databases kan ses på som en kombinasjon av konsepter fra maskin læring, databaseteknologi, statistikk, matematikk, høy-ytelses databehandlign og visualisering (Soibelman og Kim, 2002). Dunham (2002) bruker disse definisonen for å skille termene: Knowledge discovery in databases (KDD) er prosessen med å finne nytting informasjon og mønster i data Data mining er bruken av algoritmer for å trekke ut informasjon og mønster under KDD prosessen Soibelman og Kim (2002, s x) bruker denne definisjonen av KDD. KDD er den delvis automatiserte prosessen med å finne potensielt gyldige, nyttige og tildligere ukjente mønster fra store data sett. KDD prosessen vil ifølge Dunham (2002) bestå av fem steg: Seleksjon: Data som trengs i data mining prosessen kan hentes fra mange forskjellige og hetorgene datakilder. Den første fasen vil være å hente ut denne dataen fra databaser, filer og ikke elektriske kilder Forprosessering: Den data som blir brukt kan inneholde ukorekt eller manglende data. Det kan være avvikende data fra ulike kilder, hvor type og målesystem kan variere. Feildata må i dette steget gjøres korrekt eller fjernes og manglende data må suplimenteres eller antas. Institutt for produksjons og kvalitetstekninkk, NTNU 13

28 Transformasjon: Data fra ulike kilder må konverteres til samme type format. Data kan også konverteres til bedre format eller datamengden kan reduseres for å redusere antall faktorer og gjøre jobben lettere. Data mining: Dette steget inneholder algoritmer for å generere data med ønsket resultat. Tolkning/evaluering: Hvordan resultatene presenteres er veldig viktig, fordi nytteverdien av resultatet er avhengig av det. Visualisering og GUI strategier benyttes i dette siste steget. Seleksjon Forprosessering Transformasjon Data mining Tolke Kunnskap Initial data Mål data Forprosessert data Transformert data Modell Figur 7 KDD prosess i fem steg (Dunham, 2002: s10) Innsamling av data Et system for analyse av data er bare så godt som den data som puttes inn i systemet. Det er viktig å være kritisk til bruken av informasjon til beslutningsstøtte. Målinger er bare nyttige når de gir informasjon som kan forstås og brukes. Vanskelig tilgjengelige tall vil kunne forvirre eller mislede beslutningstakeren. Aune (2000) mener derfor at kvalitetsmålinger må være: Lett forståelige Få Fremskaffet av de som skal bruke dem Relevant i forhold til kundekrav Egnet til å beskrive forbedringer Fokusert på muligheter for reduksjon av avvik Mulig å synliggjøre Topp programmet er en norskutviklet modell for prestasjonsmåling. Den benytter en tredimensjonal modell for faktorer som påvirker produktiviteten. Her er informasjon tatt frem som et av 8 områder, der det legges det vekt på (Rolstadås, Andersen og Schjølberg, 1999): Relevans Enkelhet Pålitelighet Påvirkning Tidspunkt Disse to listene for informasjon har til felles at relevans, enkelthet og påvirkning er viktig. Dette er punkter som er viktig å tenke igjennom når informasjon skal trekkes frem og benyttes i beslutninger og planleggingsarbeid. Det er viktig at informasjonen er tilpasset dem som skal benytte den. Institutt for produksjons og kvalitetstekninkk, NTNU 14

29 I tillegg til hva som skal samles inn av informasjon og hvordan denne skal presenteres er det også nødvendig å tenke gjennom hvordan innformasjon hentes ut. For et prestasjonsmålesystem nevner Andersen og Fagerhaug (2002) noen viktige områder som må tenkes gjennom i henhold til informasjonsinnsamling: Data tilgjengelighet Kostnadene for å produsere de nødvendige prestasjonsdata Data nøyaktighet Innsamlings metode Innsamlingsansvar Lagring av prestasjonsdata Selv om innsamlingen av erfaringsdata er stor i mange selskaper, mener Andersen og Fagerhaug (2002) at det ikke er noen garanti for å finne all den data man har behov for ved analyser. Andersen og Fagerhaug (2002) lister opp fire forskjellige måter å hente inn erfaringsdata på: 1. Fra eksisterende innsamlede og elektronisk lagrede data, hvor det er mulig å hente ut data elektronisk. 2. Fra tidligere innsamlede data som er lagret på papir, noe som betyr at en manuell operasjon må utføres for utnyttelse av data. 3. Ved å sette opp nye mekanismer for å innsamle data elektronisk. 4. Ved manuelt å hente inn nødvendig data og legge dem inn i systemet. Vanligvis vil valg av disse metodene også spille inn på hvor dyrt det er å samle data. Bruk av allerede eksisterende elektroniske data vil være den billigste metoden, mens manuelle målinger og innsamling vil koste mest. Derfor vil det være et poeng å prøve å utnytte de allerede eksisterende data på en best mulig måte, selv om innhenting av nye data sannsynligvis kunne gitt mer presise analyser. Kostnader ved innhenting av data er også avhengig av frekvensen på innsamlingen. For manuelle innsamlinger kan det være dyrt å måle ofte. En må da kanskje akseptere at målingene skjer sjeldnere enn man egentlig ønsker. For automatiske innsamlinger vil ikke kostnadene være så store ved hyppig innsamling. Hvor ofte man bør samle inn data vil avhenge av hvor fort endringer skjer på området. Raske endringer krever hyppige datainnsamlinger, og motsatt vil trege endringer kunne klare seg med sjeldnere innsamling. (Andersen og Fagerhaug, 2002) Ut i fra dette kan en konkludere med at det vil være nødvendig med et kompromiss mellom den data man ønsker seg for å dekke behovene for relevans, enkelhet, pålitelighet, påvirkning og tidspunkt, og med de kostnadene det innebærer å fremskaffe denne informasjonen. Samset (2003) mener at det optimale i denne balansegangen er å legge seg et godt stykke under det som er optimalt med hensyn på god informasjon. I Figur 8 er det vist netto verdi av mer informasjon som en funksjon av kostnader og nytte av høyere datakvalitet. Institutt for produksjons og kvalitetstekninkk, NTNU 15

30 Kostnad/nytte Nytte av høyere datakvalitet Max Kostnad ved høyere datakvalitet Netto verdi Datakvalitet Figur 8 Kostnad og nyttemodell (Samset, 2003) Databaser og datavarehus Erfaringsdata som samles inn må lagres et sted for senere å kunne benyttes. Data fra ulike prosesser lagres gjerne i lokale databaser, hvor det senere er mulig å hente ut informasjon. En database kan sies å være en samling av data, der dataen har en spesiell struktur. I en energidatabase kan dette for eksempel være ID, Dato, tidspunkt, målerstand og koordinater. En database integrerer data som alle deler av et informasjonssystem kan benytte. En sentral datakilde gjør at data er konsistent mellom alle delsystemer. Hvert delsystem benytter allikevel bare den data som den har behov for (Kjos et. al., 2000). En database er i følge Kjos et. al. (2000) begrenset til en samling av data som: 1. Er lagret på et masselager 2. Kan brukes og sees på flere måter, avhengig av hva som er nødvendig for at den skal kunne tjene som datakilde for de forskjellige delene av et informasjonssystem. Ofte vil det være av interesse å samordne data fra ulike prosesser. Skal man ha full oversikt over noe i virksomheten, vil det ikke være tilstrekelig å se på prosessene hver for seg. De store mengdene med data, som ble generert og samlet gjennom daglige operasjoner og som inneholder hundrevis av egenskaper, trenger å bli vurdert samtidig for å nøyaktig modellere systemets oppførsel (Braha, 2001: s ix, min oversettelse) I NSB er det for eksempel flere databaser som logger ulike data ved togfremføring. Data fra disse databasene kan sammen med data fra energidatabasen til jernbaneverket gi nyttig informasjon om energiforbruk i togfremføring. En slik samtidig vurdering krever at data fra ulike databaser blir lagret i et felles datalager. Slike felles datalager for ulike prosesser i en organsiasjon kallas gjerne for datavarehus. Mens de lokale databasene støtter de daglige gjøremålene, vil et datavarehus inneholde informativ data som støtter andre funksjoner som planlegging og prognostisering (Dunham, 2002). En modell for et datavarehus er vist i Figur 9. Modellen viser at ulike former for uthenting av data kan benyttes på en datavarehus. Institutt for produksjons og kvalitetstekninkk, NTNU 16

31 Operasjonsdata Query Verktøy Datavarehus OLAP Verktøy Transformasjon Data Mining Figur 9 Datavarehus (Dunham, 2002: s 36) Presentasjon av data og analyser For å utnytte den kunnskapen som ligger i de analysene og data som utarbeides er det helt essensiselt å kommunisere dette til motakeren på en riktig måte. Feil kommunisering kan føre til feile valg i en beslutningsprosess. Det vil derfor være nødvendig å se nærmere på ulike metoder for presentasjon av data. Visualisering er en teknikk som refererer til visuell presentasjon av data. Man kan si at et bilde sier mer enn tusen ord. Bruk av visualiseringsteknikker vil tilate brukeren å summere, trekke ut, gripe fatt i mer komplekse resultater enn ved matemasiske og tekstlige metoder for presentasjon av resultater (Dunham, 2002). Visualiseringstekninkker kan være(dunham, 2002): Grafiske Geometriske Ikon-baserte Pixel-baserte Hierarkiske Hybride Dagens spørringer fra databaser inneholder allerede en hvis grad av visualtisering. Data presenteres ofte i form av en graf eller figur, i stedet for en ren tabell. 2.6 ERP systemer Strukturen på datasystemene i et selskap vil ha mye å si for bruken av erfaringsdata. Det finnes ulike strategier for bruk av datasystemer, der yterpunktene er totalt uavhengige systemer og helt integrerte systemer. Integrerte sytemer vil ha den fordelen at de deler data. Dette kan gi store besparelser ved at en slipper flere manuelle inntastinger av samme informasjon. Data som blir lastet inn i ett system blir automatisk oppdatert i de andre systemene. Integrerte sytemer vil også gjøre nye analyser av felles erfaringsdata mulig i større grad enn når systemene er uavhengige. Institutt for produksjons og kvalitetstekninkk, NTNU 17

32 ERP systemer er store, integrerte og komputerbaserte foretningstransaksjons prossesering og rapport systemer (Bozarth og Handfield, 2006). Det spesielle med ERP systemene er at de inntegrerer alle de klassiske foretningsområdene, som finans, regnskap, salg, markedsføring, produksjon og innkjøp, inn i et felles datasystem. Fordelen med ERP systemer er at det benyttes en felles datavarehus for de ulike områdene. Dette gjør deling av informasjon mye enklere enn når man har uavhengige systemer. ERP systemenes tradisjonelle styrke er rutinebeslutninger ved operative prosesser (Bozarth og Handfield, 2006). Nødvendig data vil raskt distrubueres mellom systemene, slik at for eksempel en ordre med en gang blir registrer i produksjonsplanleggingen. ERP systemer vil i tillegg også danne mye av den rådata som trengs for beslutnignstaging ved taktisk og strategisk nivå, og kan være basisen i et beslutningsstøttesystem. Indikatorer for prestasjonsmålinger kan lett hentes ut fra systemet. De mulige fordelene med et ERP system er åpenbart bra. Likevel er det viktig å understreke at også utfordringene ved inføring av et slikt system er store. Chase et. al. (2006) nevner disse utfordringene med ERP systemer: 1. ERP teknologien kan ikke støtte selskapets virksomhet. 2. Organsisasjonen kan ikke gjøre de nødvendige endringene for å hente ut fordelene ved det nye systemet. 3. ERP systemet kan faktisk skade virksomheten. Implementeringen kan bli dyr og likevel ikke oppnå de forventede fordelene. Strategien for datasystemer i et selskap bør vurderes nøye. Ulike selskaper har ulike behov og utfordringer, og det er løsning som er riktig for alle. Utfordingene for et selskap som NSB er kompeksiten på de datasystemene som benyttes i dag. Integrering av disse systemene vil være en veldig stor oppgave. 2.7 Bruk av erfaringsdata til energibeslutninger Fokuset på energi er blitt stadig større. Den globale utviklingen med materiell velstand krever stadig mer energi. Dette har ført til økte priser og mer belastning på miljøet. Miljømessig er et økende energiforbruk et stort problem. Store deler av verdens energiforbruk dekkes med fossilt brennstoff, som slipper ut mye CO 2. Det er bred enighet blant forskere at utslippene av CO 2 gass skaper global oppvarming. Det vil i tillegg til kostnadsbesparelser, derfor være andre gode grunner for å redusere strømforbruket i organisasjonen. Selskaper som profilerer seg på miljø, kan være avhengig av å tenke energieffektivitet. Jernbanen har den siste tiden vunnet terreng, mye på grunn av muligheten for miljøvennlig transport. For NSB som jernbaneselskap, vil det derfor ha stor betydning å leve opp til miljøprofilen. Strømsparing vil da være et viktig tiltak for NSB i den sammenhengen. Mulighetene for strømsparing er ofte store. Tonn og Martin (1999) sier at jo mer et selskap ser etter muligheter for energisparing, jo mer finner de. Disse mulighetene vil ofte også ha ikke energirettede fordeler som overgår energisparingen. Det kan altså oppnås synergieffekter som bedrer andre områder i organisjonen. Institutt for produksjons og kvalitetstekninkk, NTNU 18

33 Selv om organisasjoner har gode muligheter for strømsparing, har dette til nå vært et område med lite fokus. Dette fokuset er nå på vei til å endre seg, men for å øke dette fokuset yterligere vil det være nødvendig å se på hvilke barrierer som finnes mot energisparing. Sassone og Martucci (1983) mener barrierer for lav investering i energieffektivitet kan skylles: Feil intensiver Mangel på informasjon eller feilinformasjon Reguleringer Maredsstruktur Finansiering Mangel på god informasjon blir altså trukket frem som en av fem årsaker til lav investering til energieffektivitet. Det er derfor viktig med gode informasjonssystemer for å avdekke sparepotensial. I tillegg til dette, er finansiering en viktig årsak til lav investering i strømsparing. Det er en generell enighet at den største hindringen for energisparing er kostnadene ved et prosjekt (Sassone og Martucci, 1983: s 428, min oversettelse). For å overvinne denne hindringen rundt store investeringskostnader, er det derfor viktig at informasjonen rundt sparepotensiale er så overbevisende at det fanger lederes oppmerksomhet. Før ledere av en organisasjon føler de må utføre energisparing, må de være klar over dagens forbruk av energi, trengder i energimarkedet og mulighetene for kostnadsbesparelser (Sassone og Martucci, 1983: s 430, min oversettelse). Beslutningsstøttesystemer som på en god måte illusterer energikostnader ved ulike valg, vil derfor bidra til at et selskap også får miljømessige gevinster. Det er ofte en antagelse at ledere i de fleste tilfeller vil benytte kostnadsanalyser før de tar større beslutninger. Dette viser seg ikke å gjelde for valg rundt energisparing. Selv om det er antatt at selskaper tar beslutninger med bakgrunn i rate of return og tilbakebetalingstid, var det kun et mindretall av energibeslutningene som ble tatt på et slikt grunnlag. De fleste beslutningene ble tatt utifra lederes dømmekraft og erfaring, eller en kombinasjon av dømmekraft og analytiske metoder. (Sassone og Martucci, 1983). Det vil eksistere mange ulike måter å innføre energisparing på. Mange bedrifter vil antakelig litt tilfeldig starte med energieffektive tiltak på grunn av ulike ytre omstendigheter. Dette kan være økte stømpriser eller nye miljøkrav fra myndighetene. Tiltakene som utføres kan sikkert også lide av at de utføres tilfeldig og dårlig planlagt. Som for andre oppgaver, vil resultatet som oftest bli best med god planlegging og strukturert utførelse. Tonn og Martin (1999) har en modell med sju steg for investering i energieffektivitet: 1. Mulighetsidentifikasjon 2. Teknologisk identifikasjon 3. Finansiell analyse 4. Innkjøp 5. Finansiering 6. Installering 7. Oppstart og trening Denne modellen kan brukes som et rammeverk for investering i energisparende tiltak. Likevel vil modellen inneholde noen svakheter i forhold til hensikten med denne oppgaven, nemlig å fremhevet behovet for god informasjon ved valg. Under denne investeringsprosessen vil ledere gjøre enkelte valg underveis. Etter mulighetsidentifikasjonen vil det gjøres et valg om det er grunnlag for videre annalyse på problemet. Så vil trinn 2 og trinn 3 utføres, før det på nytt gjøres et nytt valg, på bakgrunn av analysene, om dette er tiltak som skal settes i verk. Institutt for produksjons og kvalitetstekninkk, NTNU 19

34 Trinn tre i denne modellen er finansiell analyse. Dette punktet vil kreve kunnskap om energiforbruk og hvordan bedriftens prosesser påvirker dette forbruket. Et godt verktøy for analyse av energiforbruk vil være nødvendig for å kunne utføre dette trinnet på en tilfredstillende måte, slik at en fornuftig og riktig beslutning kan tas. Institutt for produksjons og kvalitetstekninkk, NTNU 20

35 3 Erfaringsdata og datasystemer i NSB NSB ønsker å forbedre sitt beslutningsgrunnlag rundt energiforbruk i forhold til utarbeidelse av fremtidige produksjonsplaner. I dag benyttes i liten grad energierfaringsdata. I forbindelse med liberaliseringen av det norske jernbanenettet, med flere aktører, har det blitt nødvendig med et nytt system for avregning av strømforbruk. JBV har derfor, i samarbeid med operatørene, begynt å installere energimålere på alle tog som skal trafikkere i Norge. Disse målerene generer en kjørelogg over energiforbruket til de ulike lokomotivene og togsettene. I tilegg til å generere strømregning, kan disse data benyttes til å analysere energiforbruk. Produksjonsplanlegging i jernbanetransport er en kompleks planlegging, der mange begrensninger må tas hensyn til. Erfaringsdata kan benyttes på forskjellige steder i organisasjonen og ved alle planleggingsnivå. I denne oppgaven vil det bli fokusert mest på erfaringsdata rettet mot taktisk planlegging og operativ drift. Det å legge til erfaringsdata fra energibruk som en ekstra faktor å ta hensyn til i produksjonsplanleggingen, kan i første omgang virke kompliserende. Det er ikke gitt at alle i organisasjonen ønsker flere faktorer å ta hensyn til i planleggingen. Derfor vil det være viktig å tilpasse en slik type ny informasjon etter brukerne på en god måte, slik at nytteverdien av denne informasjonen kommer tydelig frem. Det vil her legges vekt på å beskrive dagens praksis ved bruk av erfaringsdata i produksjonsplanleggingen. De mest relevante systemene som benyttes vil bli beskrevet. I arbeidet med å beskrive dagens situasjon for bruk av erfaringsdata, er det utført en runde med intervjuer av enkelte medarbeidere i planavdelingen og it- avdelingen i drift. Det var i utgangspunktet to hovedmål med intervjurunden. Dels var den tenkt som informasjonsinnhenting rundt ulike datasystem som benyttes i planleggingen, og dels ble den utført for å finne ut om energierfaringsdata kan ha noe for seg sammen med annen erfaringsdata som benyttes. 3.1 Produksjonsplanlegging Produksjonsplanlegging i NSB vil, som annen planlegging, kunne deles inn etter hvilken tidshorisont det er snakk om. Dette vil innebefatte både strategisk, taktisk og operativ planlegging. Trafikkplanleggingen, den taktiske planleggingen, i NSB følger jernbaneverkets terminer for tildeling av kapasitet på jernbanen. I likehet med andre transportører på det norske jernbanenettet, må NSB søke om kapasitet for sine ruter. Disse terminene er i dag på 12 måneder, med delterminer på 6 måneder. (Jernbaneverket, 2005) Det vil da bli gjennomfør større endringer en gang i året, mens det blir justeringer ved ny deltermin et halvt år ut i terminen. Denne planleggingen har store likheter fra år til år, og en ny produksjonsplan vil basere seg på den forrige i stor grad. Likevel er det såpass stor forskjell fra år til år at det er mulig å se på denne prossessen frem til neste ruteendring som et selvstendig prosjekt. Produksjonsplanlegging vil grovt sett bestå av ruteplanlegging, materiellplanlegging inkludert vedlikehold, og personellplanlegging. I utgangspunktet vil disse ligge i et hierarki der ruteplanlegging er overordnet marteriellplanlegging som igjen styrer personellplanleggingen (Figur 10). Begrensninger for materiell og personell vil imidlertid kreve at denne prosessen er mer interaktiv. Ofte vil disse begrensninger i personell og materiell være direkte førende for arbeidet med ruter. I dagens situasjon er det blant annet knapphet på både lokførere og materiell, noe som for eksempel gjør økt rutefrekvens vanskelig. Institutt for produksjons og kvalitetstekninkk, NTNU 21

36 Figur 10 Planleggingsrekkefølge i NSB (SINTEF, 2002) I produksjonsplanleggingene er det i dag flere faktorer som tas hensyn til når nye ruter lages. Kundens ønsker skal dekkes, men det skal også tas hensyn økonomi og kapasitet på banen. Det er en kompleks oppgave å balensere mellom disse. Basert på samtaler med planleggere er det satt opp følgende faktorer som mest styrende for produksjonsplanleggingen: Kundetilfredstillelse o Punktlighet o Kjøretid o Stive rutetider o Setekapasitet Økonomi o Personalkostnader o Finanskostnader o Veldikeholdskostnader Produksjonsbegrensninger o Kapasitet på infrastruktur o Kapasitet på materiell o Bemanningssituasjon Det finnes ingen fast prioriteringsrekkefølge eller vekting mellom disse, men avveininger etter beste evne tas hele tiden. Når nye produksjonlaner lages, hentes det frem erfaringsdata og innspill til endringer fra ulike kilder. Problemer med den eksisterende produksjonsplanen vil forsøkes å bedres til neste plan. Det kan være at en avgang har store problemer med forsinkelser eller at det er for liten setekapasitet. Endringer som gjøres for å øke kundetilfredsstillelse vil så vurderes opp mot økonomi og produksjonsbegrensninger, og det tas en beslutning om endringer er mulig og om den er økonomisk forsvarlig. En utfordring i produksjonsplanleggingen er at den til hver tid gjeldende ruteplan starter omtrent samtidig med planleggingen av neste termin. Det vil derfor være vanskelig å få med seg erfaringer fra gjeldene termin inn i neste. Bare mindre endringer kan gjøres fra denne terminen. I praksis vil det si at det vil gå en termin før endringer kan utføres. Det etterstrebes å produsere forskjellige fullstendige alternative planer for jernbanetrafikken. Tanken er at disse skal sammenlignes, og at det beste alternativet velges. I praksis blir det ikke produsert mer enn en fullstendig plan. Denne kan da sammenlignes med tidligere planer. Institutt for produksjons og kvalitetstekninkk, NTNU 22

37 3.2 Beskrivelse av ulike system og databaser NSB har i dag mange ulike systemer for bevaring av erfaringsdata. Dette er systemer som hver for seg er utviklet for å løse bestemte oppgaver fra trafikkplanlegging og personellplanlegging til informasjon og billettsystem. Selv om noen av systemene benytter samme kildedata, finnes ikke et felles lagringssystem, et datavarehus, for innsamling av felles data i NSB, selv om et slikt system har vært på planleggingsstadiet. De forskjellige systemene opererer i dag mer eller mindre uavhengig av hverandre, og analyse av data fra ulike databaser krever derfor stor grad av manuelt arbeid. I denne oppgaven blir det bare beskrevet de systemer som vil være relevant å benytte sammen med energidata fra Jernbaneverket database NRESS. I tillegg til de systemene som benyttes direkte til planleggingsarbeid, er det flere andre systemer som benyttes i planleggingsarbeidet. Dette er systemer som benyttes til beslutnignsstøtte. For ekempel benyttes erfaringsdata fra billettsystemet for å undersøke behovet for å endre setekapasitet på en avgang eller strekning. Selv om disse systemene kan ha større funksjon i andre deler av virksomheten i NSB, vil det likevel være naturlig å skille mellom systemer som er direkte en del av planarbeidet og de som kun benyttes til beslutningsstøtte. De databasene som kan være aktuelle å koordinere sammen med NRESS, er i første omgang de ulike databasene som samler inn data om togbevegelse. For å få en personlig tilbakemelding, prestasjonsmåling, til lokførere kan det også være en mulighet å benytte seg av personellplanleggingssystemer. De aktuelle systemene er listet opp i Tabell 1 Navn Type Beskrivelse NRESS Avregning/Analyse Energidatabase TrainPlan Planlegging Trafikk ResourcePlan Planlegging Materiell IRMA Planlegging Vedlikehold TPO Planlegging Personell Resource manager Operativ kontroll Overvåkning AnnaLyse Analyse Analyse av trafikkavvik og tiltak Putin Informasjon Trafikkinformasjon til kunde og ansatte Tabell 1 Aktuell systemer Disse systemene vil, med unntak av NRESS, være knyttet til hverandre gjennom eksport og import av felles data. De er også knyttet til databaser hos Jernbaneverket. Et flytdiagram for datautveksling er vist i Figur 11. Institutt for produksjons og kvalitetstekninkk, NTNU 23

38 Erfaringsdatabaser JBV Planlegging Anna TrainPlan/ ResourcePlan Export/ Import NSB TPO IRMA Resource- Manager Putin Figur 11 Relasjoner og dataflyt mellom aktuelle systemer NRESS NRESS er en nordisk database for energiavregning for jernbaneselskaper. Jernbaneverket har ansvar for innsamling av energiinformasjon til denne databasen på det norske jernbanenettet. Databasen har et grensesnitt på internett, slik at de ulike aktørene kan hente inn energiopplysninger fra sin togfremføring. Databasen er basert på informasjon fra energimålerne som er installert ute på de ulike lokomotivene og togsettene. Målerne er av typen WebRTU Z1-Rail. Disse målerne har mulighet for logging av energistanden ved hvert 1,2,3,4,5,10,15,20,30 eller 60 min. I dag benyttes logging hvert 5 min. Da er det lagringskapasitet til 60 dager. Funksjon Datainnsamling Dataoverføring Tid og tariff synkronisering Tabell 2 Viktigste funksjoner for energimålerne Beskrivelse Data fra LEM EM4T blir samlet og lagret med et gitt tidsintervall. Overfører data til en computer WebRTU Z1-Rail kan automatisk synkronisere mot tariff lister. Den interne klokken kan synkroniseres med tids servere eller andre eksterne klokker. Dataene fra energimålerne kommer som et regneark. Konkrete utdata er: Dato og tid Uttak av energi Tilbakeføring av energi Totalt energiforbruk Akkumulert forbruk Posisjon (lengdegrader og breddegrader) Institutt for produksjons og kvalitetstekninkk, NTNU 24

39 Logging av energiforbruket bare hvert 5 min gir begrensninger i forhold til energianalyser. Skal for eksempel forbruket på en bestemt strekning mellom to stasjoner analyseres, vil det bli usikkerhet i forhold til avgangstider og ankomsttider på stasjonene og hva målerstanden sto på akkurat på stasjonen. Avgangs og ankomstider kan finnes i andre systemer, men energiavregningen blir usikker. Denne usikkerheten blir størst når avstanden mellom stasjonene er minst. Usikkerheten blir mindre når avstanden mellom målepunktene er stor, og vil være minst når en ser på forbruket mellom endestasjonene. NRESS har et sett med forhåndsdefinerte spørringer som kan benyttes. De viktigste av dem er gjenngitt i Tabell 3. Navn på Queries Annually reported other consumption Consumption factor Customer hourly metered consumption in grid area Customer loss from train consumption in area combo Customer monthly calculated train consumption in area combo Customer monthly calculated train generation in area combo Energy tax Generation factor Metered train consumption Metered train generation Monthly reported payload On-account invoice amount VAT incl Gir info om Forbruk som rapporters pr år for alt annet enn togfremføring Nøkkeltall for energiforbruk som benyttes for traksjonsmateriell som ikke har målere og som rapporteres med bruttotonnkilometer Totalt aggregerte timeverdier for kunden innenfor nettomrdået (baserer seg på målte 5-minutters verdier) Totalt tap for togfremføring for kunden i kombinasjonen av nett- og prisområde Beregnet energiforbruk pr togtype pr kunde i kombinasjonen av nett- og prisområde Beregnet tilbakematet energi pr togtype pr kunde i kombinasjonen av nett- og prisområde Forbruksavgift for elektrisk kraft pr kunde pr måned Nøkkeltall for tilbakemating for traksjonsmateriell som ikke har målere og som rapporteres ved bruttotonnkilometer Viser energiforbruk pr 5-minutters (forbruk, posisjon og tid) for tog med energimålere Viser tilbakemating pr 5-minutters (forbruk, posisjon og tid) for tog med energimålere Viser innrapporterte bruttotonnkilometer pr togtype pr strekning pr måned Totalt fakturabeløp med MVA pr akonto-periode (måned) Preliminary invoice amount VAT incl Totalt fakturabeløp med MVA pr avregningsperiode (måned) Spot price Viser spot-prisen pr time (importert fra Nordpool) Total customer consumption in area combo Totalt forbruk for kunde pr time innen pris- og nettområde Total customer loss in area combo Tabell 3 Oversikt over relevante spørringer (Queries) i NRESS Totalt tap for kunde pr time innen pris- og nettområde Institutt for produksjons og kvalitetstekninkk, NTNU 25

40 For bruk til energianalyser vil spørringene metered train consumption og metered train generation være mest nyttlig. Her fås informasjon om forbruk og tilbakemating av strøm for et enkelt togsett. Disse energidataene er kombinert med posisjonen i kartkoordinater og dato og klokkeslett hver 5 min. Start Time End Time Value Lat Long Lat Long Ref.Id Thu Feb 01 00:00:00 CET 2007 Thu Feb 01 00:05:00 CET ,009 59,74 10,17 59,74 10,17 0 Thu Feb 01 00:05:00 CET 2007 Thu Feb 01 00:10:00 CET ,009 59,74 10,17 59,74 10,17 0 Thu Feb 01 00:10:00 CET 2007 Thu Feb 01 00:15:00 CET ,009 59,74 10,17 59,74 10,17 0 Thu Feb 01 00:15:00 CET 2007 Thu Feb 01 00:20:00 CET ,011 59,74 10,17 59,74 10,17 0 Thu Feb 01 00:20:00 CET 2007 Thu Feb 01 00:25:00 CET ,009 59,74 10,17 59,74 10,17 0 Tabell 4 Eksempel fra NRESS ved bruk av spørringen "metered train consumption Fra NRESS er det eksportmuligheter til csv, excel, xml og pdf filformat Planleggingssystemer Datasystemene benyttet til produksjonsplanlegging i NSB vil ha en lignende struktur som planlegginghierarkiet i NSB som vist i Figur 10, der systemene henter data fra systemer over seg i hierarkiet. Det er et system for ruteplanlegging (TrainPlan) med et undersystem for materiellplanlegging (ResourcePlan), et system for vedlikeholdsplanlegging (IRMA) og et system for personellplanlegging (TPO). Av disse er Trainplan med ResourcePlan overordnet og de andre systemene benytter seg av data fra dette systemet. I tillegg vil sytemet for operativ drift av togene (ResourceManager) også benytte seg av data fra TrainPlan. TrainPlan JBV TrainPlan m Resource- Plan Resource- Manager TPO IRMA Figur 12 Relasjon mellom planleggingsverktøy TrainPlan er datasystemet som genererer planer for all togtrafikk. Dette er et engelskutviklet program. Systemet inneholder innformasjon om alt som er planlagt ved alle togavganger. Både NSB og Jernbaneverket sitter på hver sin versjon av TrainPlan, der JBV sin versjon er overordnet og forer NSB sin versjon med informasjon. Selv om JBV sin versjon er styrende, vil NSB ofte være avhengig av å benytte sin egen data fra Trainplan til videre produksjonsplanlegging, før rutene er endelig godkjent av JBV. Data fra TrainPlan hos JBV oppdateres hver natt til NSB. Denne opplastingen beskrives i dag som komplisert og krevende. Institutt for produksjons og kvalitetstekninkk, NTNU 26

41 Trainplan inneholder blant annet: Banedata o Stasjoner o Banestrekninger o Kjøretider Togruter o Stasjonstider o Snutider ResourcePlan kan regnes som et undersystem av TrainPlan. ResourcePlan er systemet hvor materiell fordeles på de ulike rutenummerne som er planlagt i TrainPlan. Problemer med Trainplan: Datastrukturen er komplisert Krevende opplasting av data fra JBV Manglende samhandlig med andre systemer Vanskelig å produsere rapporter I TPO dannes det turnusplaner for personell på de ulike togrutene. For å bemanne rutene planlagt i TrainPlan er det derfor et grensesnitt mellom TPO og TrainPlan. TPO inneholder blant annet: Informasjon om Personell o Kurs (typegodkjenninger) Planer for bemanning av rutene Beregninger på kostnader IRMA vil generere vedlikeholdsplaner for togsettene i trafikken. På lik linje som TPO er datasystemet avhengig av informasjon om trafikkutviklingen fra TrainPlan Resource Manager Resource Manager er det operative systemet som overvåker togtrafikken. Dette er ikke et planlaggingsverktøy, men systemet trenger mye informasjon fra blant annet TrainPlan. Selv om systemet er brukes til overvåking av togtrafikken er det ikke live. Det vil si at det ikke blir kontinuerlig oppdatert om det som skjer i trafikken. Det etterstrebes likevel at systemet er best mulig oppdatert. Overføringer av planleggingsdata fra TrainPlan skjer en gang hver natt. Ellers blir det meste av informasjonen som systemet trener i dag tastet inn manuelt. Systemet teller blant annet kilometer for tog. Dette benyttet i dag fortsatt til energiutregning, der antall tonnkilometer for togene danner grunnlaget for energiregningen fra Bane Energi Putin og AnnaLyse Putin er et system i NSB som skal gjøre det lettere å gi kundene informasjon om toget sitt når de trenger det. Her skal det kunne gis informasjone over avvik i trafikken, årsak til avvikene og hvilke tiltak som settes i verk for å bringe kunden til bestemmelsesstedet. Målet med dette systemet er å samordne all kunderelatert toginformsjon på ett sted slik at det raskt kan kommuniseres ut til kunden. Putin er etablering av et datavarehus som samordner all informsjon. Putin vil på sikt gi mulighet til å systematisere toginformasjonen og bidra til å synliggjøre eventuelle årsaker til redusert punktlighet. Institutt for produksjons og kvalitetstekninkk, NTNU 27

42 Verktøyet gir informsjon om hver togpassering i sann tid innenfor Strekningen Asker-Oslo- Hamar og Oslo-Kornsjø. Dette skjer ved at tog registreres hver gang de passerer et signal på linjen. Strekninger utenfor dekningsområdet må i dag registreres manuelt. Annalyse er NSB`s system for analyse av avvik i trafikken og de tiltak som ble satt i verk, og benyttes også til prestasjonsmålesystem for vedlikehold og punktlighet. Databasen inneholder historisk informasjon om all trafikk, der automatiske og manuelle togpasseringer er registrer. Det vil også være skriftlig innformasjon om de togene som var forsinket eller kansellert. Her beskrives årsaker til avvikene og hvilke tiltak som ble satt i verk. Annalyse benytter da mye av den samme informasjonen som Putin, som også er vist i Figur Simulatorsenteret I tillegg til de andre systemene for erfaringsdata som NSB disponerer, har NSB skolen på Sundland i Drammen et simuleringssenter som også kan benyttes til å hente inn erfaringer rundt energi. Hovedmomentet ved innkjøp av dette anlegget var å drive sikkerhetstrening, men det har også applikasjoner som gjør at det kan benyttes til energianalyse og opplæring i energisparende kjøreteknikker (Moen, 2005). I dette anlegget kan realistisk togkjøring simuleres ved at lokfører sitter bak en etterligning av en kjørepult (fra Type 72) og ser på et lerret. Alle de viktigste funksjonene fra reelle tog finnes i disse simulatorene. Anlegget består av (Moen, 2005): Fem førerbordsimulatorer. En fullskalasimulator. To instruktørstasjoner, en for hver type simulator. En SPS (Scenario Preparation Station), som er en arbeidsstasjon for tilrettelegging av scenarioer. En dataadministrasjon (DAS). TBT (Track Builder Tool), som gjør det mulig å bygge opp nye datagenererte banestrekninger, og modifisere eksisterende strekninger. Figur 13 Bilde fra førerbordssimulator Institutt for produksjons og kvalitetstekninkk, NTNU 28

43 Det lagres energidata på to forskjellige måter fra simulatoren. Det lages en End Of Run report (EORR) med data fra kjøringen og i tilegg kan kjøringen analyseres i CorPra. EORR rapporten inneholder blant annet disse dataene: Generell data (Dato, navn på fører, strekning, scenarionavn, togsammensetning, togvekt) Kjøredata (Tidspunkt for start og slutt, totalt forløpt tid, posisjon for start og stopp, distanse, gjennomsnittshastighet, antall togstopp og variet togstopp) Energidata (Forbruk, tilbakemating og summert forbruk) Førerfeil CorPra er et analyseprogramet som brukes i etterkant av simuleringene. Denne gir en grafisk fremvisning av den foretatte kjøringen. Her er det mulig å gjøre dypere analyser. To forskjellige kjøringer kan legges oppå hverandre, slik at en kan studere forskjeller. De data som kan plottes er: Kumulativ bremseenergi Kumulativ energi Kumulativ trekkraft Toghastighet Togets akselerasjon Erfaringsdata fra kjøretrening kan også benyttes som grunnlag for beslutningsstøtte, i tillegg til data fra reell trafikk. Informasjon fra simulatoren kan brukes til tilbakemelding til lokførere sammen med tall fra trafikken, eller det kan utføres energianalyser. 3.4 Dagens prestasjonsmåling NSB har tatt i bruk flere prestasjonsmålesystemer i ulike deler av organisasjonen. Driftavdelingen benytter et prestasjonsmålesystem utarbeidet av Birger Kvaavik. Driftsavdelingen i NSB har så langt hatt stor suksess med Kvaaviks målesystem. (Moen, 2005) Dette prestasjonsmålesystemet inneholder informasjon om: Punktlighet Vedlikehold Systemet presenterer i dag informajson om hvilke tog som er forsinket og hvor mye. Det er da mulig å fordype seg videre ved de forskjellige avgangene for å få informasjon om årsaken til forsinkelsen. Institutt for produksjons og kvalitetstekninkk, NTNU 29

44 Figur 14 Skjermbilde for prestasjonsmåling i driftavdelingen. Det er ingen faste system for prestasjonsmåling i planavdelingen i dag. Men det arbeides med å opprette et slikt system. Det fås i dag tall gennom prestasjonsmåling i andre avdelinger for: - Beleggsprosent - Utnyttelse av vedlikeholdsintervall - Punktlighet 3.5 Oppsumering fra intervju av ansatte i planavdelingen Intervjuene tok bare for seg noen av de ansatte ved planavdelingen. Forskjellige personer vil helt garantert se på bruk av erfaringsdata på forskjellige måter og ha ulike menginger om systemer og eventuelle endringer som kan gjører. Dette kom også frem i undersøkelsen, der blant annet synspunktene på bruk av erfaringsdata om energiforbruk varierte i forhold til arbeidsoppgavene den enkelte hadde. Det er derfor mulig at andre tanker og meninger om bruk av erfaringsdata ikke kom frem i denne undersøkelsen. Likvel blir det forutsatt at meninger som kom frem i intervjurunden er gjeldene for avdelingen Dagens bruk av erfaringsdata i planavdelingen Felles for de ansatte i planavdelingen var at de mente erfaringsdata fra togtrafikken var veldig viktig for deres arbeid. Det var også en oppfatning om at systemene og metodene som ble benyttet til samling av erfaringsdata i dag fungerte tilfredsstillende. Institutt for produksjons og kvalitetstekninkk, NTNU 30

45 Plan benytter erfaringsdata for: Kjøretidsberegninger Kundetelling Punktlighetsrapportering Vedlikehold Personell I tillegg til faste erfaringsdata eksisterer det mye knowhow i organisasjonen om hvordan ulike situasjoner skal takles. Et eksempel er ekstra utnyttelse av materiell i høytider. Kjøretidsberegninger: Plan får tilsendt kjøretidsberegninger fra JBV for ulikt materiell og strekning. Dette er data de i liten grad kan bestemme over selv, men det er mulig å komme med tilbakemeldinger til JBV om ønskede endringer. JBV vil antagelig ha maksimal ytelse på togene for å utnytte kapasiteten best mulig. Kundetelling: Plan trenger oversikt over passasjertall for de ulike avgangene. Det benyttes i dag rapporter om belegg på avganger, slik at de kan dimensjonere avgangene etter behov. Ved sterk endring i behovet, vil det endres på avgangene. I dag benyttes flere metoder for å hente inn denne informasjonen, der noen er kvantitative og andre er kvalitative Kundetellingene samles i et eget system som kalles Stella. Denne databasen teller antall kunder per tog per dag, og databasen oppdateres hver natt. I tillegg til denne databasen benyttes også billettstatestikk som ligger i et datavarehus med informasjon om alle solgte billetter. Av kvalitative metoder som benyttet, er bruk av kundeklager som ligger i et eget system. Denne rapporterer antall klager pr strekning fordelt på ulike kategorier. For kundetelling er det klarer rundt dårlig kapasitet som er interessant. Det fås også tilbakemeling via e-post på hva som fungerer eller ikke fungerer ute i trafikken. Punktlighetsrapportering: For å produsere et bedre produkt, trenger plan erfaringsdata for punktlighet. Planavdelingen får i dag tilgang til punktlighetstall fra drift. Ved systematiske værstinger vil planene endres. Dette kan først skje ved neste rutetermin. Plan skal i utgangspunktet ha tilgang til DROPS databasen AnnaLyse, men denne benyttes ikke. Vedlikehold: Plan søker å optimere bruken av materiellet mellom vedlikeholdsintervallene. Målet er å kjøre togene lengst mulig før de skal inn til vedlikehold. De tar da utgangspunkt i optimering av vedlikeholdsintervall uten bruk av fleksibilitet. Dvs at de kun optimerer en uke av gangen, uten å samordne ukene. Det forventes så at faktisk ytelse av vedlikeholdsintervallene er bedre enn dette. I dag måles det 90% utnyttelse av vedlikeholdsintervall. Plan får tilbakemelding i form av målinger på ytelse av vedlikeholdsintervall. De får dermed en oversikt over hvor robuste planene for vedlikehold er. Institutt for produksjons og kvalitetstekninkk, NTNU 31

46 Personell: Plan får oversikt over personellsituasjonen fra drift som de må ta hensyn til i sin planlegging. Lavere personelltilgang enn forutsatt kan kreve endringer i togplanleggingen Problemer med dagens bruk av erfaringsdata Det var en generell oppfatning av alle som ble intervjuet at dagens metoder for innsamling av erfaringsdata fungerte bra. Likevel kom det frem flere punkter der det var et ønske om forbedringer. Punktene som ble tatt opp kan deles inn i kategoriene for viktighet av informasjon, relevans, enkelhet, pålitelighet, påvirkning, tidspunkt, fra kapittel Relevans: Data for kundetelling gir ikke den fulle sannhet om passasjerantallet, fordi den kun teller passasjerer på gitte punkt på ruten. Det er heller ikke gode tellinger på Lokaltogene i Oslo-området der det er mer sporadiske tellinger. Enkelhet: Dagens erfaringsdata blir presentert enten i form av en rapport, eller som ett sett med lysbilder som blir presenter for en forsamling. Det er da mulig å benytte seg av disse i ettertid, men det er ingen mulighet å grave i analysene (figurene) for å finne bakgrunnsdata. Noe rapportering til departementet i ettertid kan være vanskelig, fordi erfaringsdata er vanskelig tilgjengelig. Savner rapporter direkte fra Trainplan. Databasen Stella fungerer greit, men er et gammelt system. Det er vanskelig å hente ut ønskede data og rapporter. Dette arbeidet må i stor grad gjøres manuelt. Stella er et statisk system. Det er ikke mulig å lett sammenligne og benytte data fra Stella opp mot datavarehuset for billettinformasjon. Datavarehuset for billettinformasjon er komplisert og vanskelig å benytte. En er avhengig av hjelp dersom en skal lage kompliserte rapporter Savner strukturering av punktlighetsdata. Savner strukturering av sikkerhetmessige data i forhold til drift Pålitelighet: Oppdatering av Trainplan: Noen ganger glemmer JBV noe data, og dette kan ta lang tid å rette opp i. En del fungerte bedre før, da NSB og JBV kjørte samme versjon av Trainplan. Det kan være avvik på km mellom Trainplan og virkelig km Oppdateringen til Stella er et problem. Konduktører slurver med innrapporteringen, noe som gir mangler i tellingene. Det er manuell inntasting til systemet, og derfor er det også en del inntastingsfeil. Påvirkning: Punktligheten blir litt tilfeldig innrapportert, og det er lett å henge seg opp i enkelte avganger uten å se på helheten. Tidspunkt: Det blir nesten ikke tatt med erfaringer fra foregående periode, og derfor må det ventes med store forbedringer over en rutetermin. Institutt for produksjons og kvalitetstekninkk, NTNU 32

47 Av punktene over ser man at det er flest problemer i forhold til enkelhet av data og pålitelighet til den data som blir benyttet. I forhold til enkelhet kan det merkes at flere av punktene gjelder produksjon og bruk av rapporter. Det er for vanskelig å produsere en rapport og det er vanskelig å fordype seg i de rapportene som allerede er produsert. Dette kan også ses på som et tilgjengelighetsproblem. Av pålitelighetsproblemer er det både mangel på god utveksling av erfaringsdata mellom ulike systemer hos NSB og JBV som kan gi noe avvik, og ukonsekvent innrapportering. Det var færre kommentarer i punktene relevans, påvirkning og tidspunkt. Det virker som om dette er områder som fungerer tilfredsstillende ved dagens bruk av erfaringsdata Fremtidige behov for erfaringsdata Dagens system med løste rapporter gir ikke gode nok muligheter til å se hva som ligger bak data. Det er derfor et ønske om å kunne samle erfaringsdata på ett sted, med mulighet for å fordype seg, og lage egne rapporter. Det var tanker om en felles database, som også har vært på planleggingsstadiet, der all data om hvert enkelt tognummer kan hentes ut. Dette ville gjøre det mulig med en samlet vurdering for togsettet/tognummeret i et datasystem. I et slikt system kan det være data om: Punktlighet Togstørrelse Trafikktall Erfaringsdata for Energi Blant planleggerne i NSB var det delte meninger om energidata kunne være en ekstra faktor å ta hensyn til. Noen så på kostnader til energi som en konsekvens av den andre planleggingen, heller enn en faktor som kan tas hensyn til. Andre igjen var mer positive til å ha en indikator på energi. Blant annet ble det beskrevet som fult mulig å integrere ny energidata som en del av kostnadsanalyser. Det kom noen forslag til hvilke energitall som kunne være av interresse: Faktisk strømforbruk mvh materiell (materiell spesifikt strømforbruk) Energi ved ulike størrelser på kapasitet (enkelt/dobbelsett eller antall vogner) Sammenhengen mellom energiforbruk, tidsbuffer, kjøretid og punktlighet Strømforbruk med hensyn på tognummer - høyt strømforbruk kan indikere feil ved rute Strømforbruk relateret til forsinkelse Dersom det opprettes en database for erfaringsdata mot tog, så kan også energidata være med. Da kan det ses på forskjellig kjøremønster, og sammenligne energiforbruket. Ønsket er at dette skal være en del av TrainPlan. Dette fordi det er viktig at informasjon er i samme system, ellers vil det ikke bli benyttet. Institutt for produksjons og kvalitetstekninkk, NTNU 33

48 4 Forslag til bruk av energierfaringsdata For å se på hvordan energidata og andre erfaringsdata kan benyttes i NSB til beslutningsstøtte, er det tatt utgangspunkt de to første trinnene i Elliott og Pye`s modell for investering i energieffektivitet (kapittel 2.7). Først blir det gjennomført en mulighetsidentifikasjon for å finne aktuelle områder for bruk av energierfaringsdata. Deretter blir gjort en teknologisk identifikasjon for å se på de tekniske utfordringene ved bruk av denne informasjonen. Det er sett på både systemstruktur og KDD prosessen for kunnskapsuthenting. I beskrivelse av KDD prosessen er det blitt konsentrert om bruk av energidata. Trinn 3-7 i Elliott og Pye`s modell blir ikke vurdert i denne oppgaven. 4.1 Mulighetsidentifiksjon for energierfaringdata I prosjektoppgaven Energiforbruk avhengighet av ruter og materiell (Wien, 2006) ble det sett på ulike metoder for å analysere energiforbruket i NSB. Her ble det gjennomført en mulighetsidentifikasjon på hvilke områder det var muligheter for energisparing, og på hvilke analysemetoder som kunne benyttes til energianalyse. Det var i utgangspunktet tre forskjellige analysemetoder som var aktuelle, henholdsvis en regnearkmodell, bruk av simulatoranlegg og energimålinger på tog. Det ble plukket ut noen aktuelle analyseområder, og de ulike analysemetodene ble vurdert opp mot disse områdene. På bakgrunn av de mest lovende teknologiene/mulighetene for energisparing (vedlegg B) ble det i prosjektoppgaven (Wien, 2006) sett på disse områdene for energisparing: Energioptimalisering av rutetabell o Tidsbuffer/reisetid o Stoppmønster o Alternative rutetabelloppsett o Bruk av eksisterende materiell Energieffektive kjøreteknikker Innkjøp av materiell Det ble deretter konkludert hvilke tilgjengelige analysemetoder som var mest egnet for de ulike områdene (Tabell 5). Regnearkmodell Simulatoranlegg Energimålinger Tidsbuffer/reisetid Egnet Noe egnet Noe egnet Stoppmønster Egnet Egnet Noe egnet Alternative Mindre egnet Egnet Noe egnet rutetabeller Optimal kjøreteknikk Egnet Egnet Noe egnet Bruk av eksisterende Mindre egnet Noe egnet Egnet materiell Innkjøp av materiell Egnet Egnet Mindre egnet Tabell 5 Analysemetoder og analyseoppgaver (Wien, 2006) Institutt for produksjons og kvalitetstekninkk, NTNU 34

49 Ut i fra Tabell 5 kan man trekke frem at erfaringsdata fra energimålinger kan benyttes til analyse av: Tidsbuffer/reisetid Stoppmønster Alternative rutetabeller Optimalisering av kjøreteknikk Bruk av eksisterende materiell Av disse fem områdene vil tidsbuffer/reisetid, stoppmønster, alternative rutetabeller og bruk av eksisterende materiell ligge under energioptimalisering av rutetabell. Disse områdene er derfor aktuelle å trekke frem for ruteplanleggerne i NSB Ansatte i planavdelingen så muligheten for å benytte seg av noe erfaringsdata på energi. Det som ble trukket frem var faktisk strømforbruk mvh materiell, energi ved ulike størrelser på kapasitet, sammenhengen mellom energiforbruk, tidsbuffer, kjøretid og punktlighet og strømforbruk med hensyn på tognummer. Strømforbruk med hensyn på materiell vil knytte seg til bruken av dagens materiell, og kan benyttes til vurdering opp mot hvilke togtyper som er mest gunstlig å benytte på en gitt strekning. Sammenheng mellom energiforbruk, tidsbuffer, kjøretid og punktlighet kan benyttes ved vurdering av nye ruteoppsett. Forskjellige planer kan da sammenlignes i forhold til kostnader og kundehensyn. I dag er det hovedsaklig punktlighet som blir vurdert opp mot tidsbuffer på en strekning. Stømforbruk med henyn på tognummer kan benyttes som prosesskontroll i produksjonsplanleggingen. Dersom noen tognummer skiller seg vesentlig negativt ut i forhold til energiforbruk kan det vurderes om endringer for den ruten skal gjøres. Et høyt forbruk på en rute kan indikere at noe ikke fungerer optimalt. For eksempel kan en kryssing ta lengre tid enn antatt, og tapt tid må kjøres inn, eller at det er spesisielt mye passasjerer på enkelte avganger som gjør endringer nødvendig. I driftavdelingen i NSB er det tanker om opplæring på energieffektive kjøreteknikker I tillegg til vurderingene ovenfra, om hva som er mulig og ønskelig å analysere, kan det ses på ved hvilken informasjon som er aktuell ved ulike planleggingsnivå. Basert på tidligere mulighetsidentifikasjon, ønsker fra planleggere og samtaler med ansatte i NSB drift er det valgt ut erfaringsdata som er aktuelle å benytte fordelt på type planlegging. Strategisk planlegging: Selv om hovedfokuset i denne oppgaven har vært taktisk og operativ planlegging, kan man se for seg at erfaringsdata for energiforbruk også benyttes i den strategiske planlegginge. Nøkkeltall på energi kan benyttes til beregning av kjørekostnader for større endringer i rutetilbudet. Trenger erfaringsdata for: Enhetskostnader for materiell og strekning Institutt for produksjons og kvalitetstekninkk, NTNU 35

50 Taktisk planlegging: Erfaringsdata til taktisk planlegging vil være data som benyttes i de årlige ruteplanprosessene. Hovedformålet her er å kunne benytte kostnadstall for energi når ulike produksjonsalternativer skal vurderes opp mot hverandre. I tillegg kan det etableres indrikatorer for energiprestasjoner. Trenger erfaringsdata for: Enhetskostnader for materiell og strekning Marginalkostnader ved endring i kjøretid Marginalkostnader ved endret stasjonsmønster Indikatorer på energiprestasjoner Operativt planlegging: I den operative driften vil det være behov for energisparende tiltak rettet mot lokførere. Simulatorsenteret kan være sentralt i en opplæring av energisparende kjøreteknikker. Det trengs også erfaringstall som kan benyttes til tilbakemelding. Trenger erfaringsdata for: Kvalitetssikring av simulator Oppfølging av energibruken mot lokfører Enhetskostnader for materiell og strekning Det vil være behov for å vite kostnadene ved jernbanedrift. En av kostandene til drift vil være energiforbruk til materiell. I kostnadsanalyser benyttes enhetskostnader for å beregne kostnader ved ulike planer. Det er viktig at de enhetskostnadene som benyttes er realistiske, slik at kostnadsoverslagene vil være gode, og en riktig beslutning kan tas. Mye av energiforbruket er allerede bestemt ved innkjøp av materiell. NSB har derimot mulighet til å endre på hvilken materielltype som benyttes på de ulike strekningene og rutene. En slik rokering av eksisterende materiell vil kunne påvirke energiforbruket. For eksempel vil det på korte strekninger med mange stopp være viktig å ha materiell som er raske ved av- og påstigning, slik at tidsforbruket på stasjonen er lavt, og det vil være viktig med lav vekt i forhold til kapasitet, på grunn av mye akselerasjon. For en strekning med høye hastigheter og få stopp, vil det være viktigere å benytte materiell som har lav kjøremotstand. Speielt interresant er å sammenligne data fra de to ulike materielltypene NSB benytter i lokaltrafikken i Oslo området. Disse settene er spesiellt interessante fordi de benyttes mye i de samme rutene og har enkelte forskjellige egenskaper. De to forskjellige materielltypene skiller seg ved alder, akselerasjon og avgangsprosedyre. I dag benyttes en tabell med erfaringsdata for energiforbruk basert på bruttotonnkilometer for ulike typer tog, ved ulike strekninger (Tabell 6). Denne tabellen skiller bare grovt mellom kategorier av togtyper, og ikke på spesielle typer. Det vil for eksempel ikke være forskjell på type 70 eller type 72 i denne tabellen. Institutt for produksjons og kvalitetstekninkk, NTNU 36

51 Tabell 6 Nøkkeltall for energiforbruk per bruttotonnkilometer for ulike typer tog, rullende materiell og stoppfrekvens oppgitt som levert energi/tilbakelevert energi (Jernbaneverket, 2006) Med energidata fra NRESS og tognummer fra TrainPlan/ResourcePlan, er det mulig å summere energi på de ulike strekningene og finne et gjennomsnitlig forbruk for en materielltype. Da vil det være mulig å få enhetskostnader for spesifikt materiell i forhold til strekning og/eller tognummer. Sammenligning av materielltyper kan utføres der to eller flere typer kjører samme tognummer, eller det kan utføres egne tester Marginalkostnader ved endring i kjøretid Det er en klar sammenheng mellom den tiden toget har tilgjengelig på en strekning og energien toget forbruker. Bedre tid gir lavere gjennomsnittshastighet og dermed lavere energiforbruk. Det er klart at ved en stram ruteplanlegging vil det være mindre rom for energibesparende kjøring. Det er tidligere utført noen målinger ved simulatorsenteret som antyder en sammenheng mellom reisetid og energiforbruk. Disse målingene er imidlertid få, og på en begrenset strekning. De kan derfor ikke benyttes som sannheter, men må ses på som en trend. For å få sikre data på dette området vil det være aktuelt å hente ut energidata fra energimålerne ute i trafikken. Målsentingen med en slik analyse er å få tall og grafer på hvor mye energi som kan spares ved påplussing i kjøretiden, eller kostnader ved redusert kjøretid. Kostnader ved marginalendring av reisetid (økning av tidsbuffer) vil kunne benyttes i kostnadsanalyser mot kjøretid og stasjonsopphold. For eksempel kan man regne på hva tiltak for å redusere stasjonsoppholdstid vil gi i gevinst for punktlighet og redusert strømforbruk. I kapittel 2.7 er det antydet av energibesparelser vil ha andre positive synergieffekter. I tilfellet med økning i kjøretiden, bør dette ha den positive effekten med økt punktlighet. Romslighet i rutetabellen vil gi mulighet for å kjøre inn det tapte, og en mer fleksibel trafikkavvikling. Institutt for produksjons og kvalitetstekninkk, NTNU 37

52 Utregning av energiforbruk ved endring i kjøretid gjøres ved å finne total bevegelsestid, og plotter dette mot totalt energiforbruk. Teorien er at mer bevegelsestid på samme avstand vil gi lavere energiforbruk. Uttak av data fra energidatabasen kan gi oversikt over hvordan kjøretiden påvirker det totale energiforbruket. Dette krever en sammensetning av energidata fra NRESS og mer nøyaktig erfaringsdata for bevegelse av tog. Selv om energimålingene logges sammen med kartkoordinater, vil det ikke være tilstrekkelig for å måle start og stopp på bestemte stasjoner. Databasen vil ikke kunne si noe nøyaktig om når toget er i bevelse og når det står stille. Dette vil være en nødvendighet for å si noe om faktisk bevegelsestid. Det vil være faktisk bevegelsestid, og ikke total reisetid som er aktuelt i denne sammenhengen Marginalkostnader ved endret stasjonsmønster Forskjellige rutealternativer har selvfølgelig ulikt stoppmønster. Hvordan et slikt stoppmønster påvirker energiforbruket er i liten grad vært fokusert på i NSB. Ved vurdering av stoppesteder er det markedspotensialet i forhold til tidsforbruk som er blitt brukt som kriterium for om det skal stoppes eller ikke. Marginalkostnader ved et ekstra stopp, bør være med i en totalvurdering når rutemønster skal bestemmes. Det er gjort noen få forsøk i simulatorsenteret på å finne energikostnaden ved et ekstra stopp. Ut i fra simulatorforsøk, gir ekstra energiforbruk en merkostnad, per togstopp for et enkeltsett med type 72, på: 8,5 kr, med tidsreduksjon 11,5 kr med energieffektiv kjøreteknikk (forutsetter en energipris på 0,5 kr/kwh) Disse tallene stemmer greit med erfaringstall brukt i fra England. Det vil likevel være interresant å måle dette videre med reelle energimålinger. For å kunne finne tall på hva et ekstra stopp koster for en stasjon med et spesifikt materiell, er man avhengig av ruter der samme materielltype har ulikt rutemønster på samme infrastruktur. Dette eksisterer det imidlertid lite av i NSB sine ruter, der hver type materiell kjører sitt rutemønster. Det vil derfor antagelig være nødvendig å utføre egne forsøk for å få god slik data. Testrutenes energiforbruk kan deretter hentes fra NRESS, og sammenligninger mellom ulike stoppmønster kan gjøres Indikatorer på energiprestasjoner Planlegging av rutetabeller har til nå ikke tatt særlig hensyn til forbruket av energi. Gjennomgang av rutetabeller kan gi energibesparelser uten en økning i kjøretiden og det er mulig å finne skjult potensial i rutetabellene ved hjelp av simuleringsverktøy (International Union of Railways, 2003). Forhold som kan påvirke energiforbruket fra planleggernes side er: Fordeling av tidsbuffer over en strekning Flyt mellom avganger (unngå unødvendige stopp ved signal) Vanlig rutetabell eller skyggetabell Planavdelingen mangler i dag et fast system for prestasjonsmåling, men det er planer om etablering av et slikt system. Ved å etablere indikatorer på energi, vil dette i større grad enn i dag bli et fokusområdet i produksjon. Institutt for produksjons og kvalitetstekninkk, NTNU 38

53 Det var et ønske om felles erfaringsdata fordelt på tognummer. Energidata kunne være med som en del av dette. Slik energidata kan ses på som en indikator på energi. Ved høyt energiforbruk på ett rutenummer kan tiltak settes i vekt mot denne avgangen. Energiforbruket ved ulike tognummer kan overvåkes, gjennom NRESS, ved endringer i ruteoppsette. Det bør regnes ut gjennomsnittforbruk for energi med hensyn på de ulike rutenummerne, strekninge og materiell. Dette bør presenteres på en måte der energiforbruket sammenlignes med tidligere forbruk, slik at endringer kommer frem Oppfølging av energiforbruk mot lokfører Tester viser at det er stor forskjell i energiforbruket mellom forskjellige lokførere. Dette betyr at mange av førerne har et stort potensial for å redusere sitt energiforbruk ved å endre sin kjørestil. Det kan være ønskelig å gjennomføre trening i kjøreteknikker for lokførere, for på den måten redusere det totale strømforbruket. Det er forskjellige kjøreteknikker som kan benyttes for dette formålet. Disse strategiene ble diskutert i prosjektoppgaven (Wien, 2006). Kjøretekninkker som kan påvirke engergiforbruket kan være: Manuell eller Automatisk kjøring Rullestrategi eller lavere topphastighet hastighet Konstant hastighet eller sagtannstrategi Bruk av terreng Strategier for hastighetsvariasjoner I tillegg til trening på energieffektive kjøreteknikker er det sett for seg at energidata kan benyttes ved medarbeidersamtaler, slik at hver enkelt lokfører får tilbakemelding på hvordan sitt energiforbruk ligger i forhold til gjennomsnittet. En løsning kan være å benytte seg av en høy og lav analyse der lokførere kan se sitt energiforbruk i forhold til gjennomsnittet, de beste førerne og de dårligse førerne. Figur 15 Høy og Lav analyse av energiforbuk blant lokførere (Halbach, 2005) Tilbakemelding til lokførere for deres energiprestasjoner kan muliggjøres ved en kombinasjon av data fra NRESS, TrainPlan og TPO. Dersom energiforbruket blir koblet til tognummer og dato, vil dette senere kunne kobles med lokfører som er logget i TPO. Institutt for produksjons og kvalitetstekninkk, NTNU 39

54 4.1.6 Kvalitetssikring av simulator Treningen av energieffektiv kjøring vil sannsynligvis skje i simulatorsenteret i Drammen. Dette vil gi kostnadsbesparelser og andre fordeler i forhold til å kjøre ute i trafikken. Ved tilbakemeldig på kjøreopplæringen vil det være en fordel om simulatoren gav tilsvarende energitall som de virkelige tallene, slik at kjøringen virker troverdig og at det er et sammenligningsgrunnlag. Det vil da være nødvendig å kalibrere simulatoren i forhold til målte verdier ute i trafikken. 4.2 Systemstruktur For å muliggjøre daglig beslutnignsstøtte fra energidata, vil det være nødvendig å gjøre endringer ved dagens datasystem eller konstruere helt nye systemer. Dagens løsning med NRESS som en internettbasert tjeneste fra JBV og planleggings- og analysesystemer som drives mer eller mindre selvsteding, vil bare kunne gi manuelle energianalyser. Disse vil være tidkrevende, og antagelig ikke gi tilfredsstillende kvalitet, noe som blir diskutert i 4.4. For å gjøre datautvekslingen i NSB bedre, kunne det vært fristende å fåreslå innføring av et ERP system. Bare med et fult integrert system gjennom hele organisasjonen vil man kunne få fult utbytte av all erfaringsdata som finnes. Da kunne for eksempel billetsalg kobles mot rutenummer for en oversikt over passasjerstrømmer, og sammen med energiforbruk funnet en mulig sammenheng mellom passasjertall og energi. NSB er en stor organisasjon, og det finnes veldig mange datasystemer for ulike prosesser. Siden planlegging av jernbanedrift er komplisert og egenartet, er også systemene spesialutviklet for de ulike prosessene. Det vil derfor være nærmest umulig at et innkjøpt standardisert ERP system kan dekke all behov i organisasjonen, som for den spesielle produksjonsplanleggingen. Alternativet kan da være å benytte ERP systemet for de mer standardiserte posessene, som finans, regnskap, salg og markedsføring, og at man benytter de gamle systemene for produksjonsplanlegging i tillegg. Dette vil selvsagt ikke gi like store fordeler, og en vanskelig integerering mellom ERP-systemet og de gamle systemene er nødvendig. Essensielt for å kunne bedre bruken av erfaringsdata til beslutningsstøtte vil være opprettelse av et erfaringsdatavarehus. De forsjellige datasystemene kan da hente den data fra dette felles systemet, noe som vil gi en ryddigere dataflyt enn den som eksisterer i dag (Figur 11, kapittel 3.2). Da sikrer man at alle systemer benytter den samme bakgrunnsdata, og dobbeltproduksjon av data blir unødvendig. Et datavarehus for togerfaringsdata kan etableres uten et ERP system. I tilknytning til en slik datavarehus kan det etableres et analyseprogram som kan benyttes til flere ulike typer analyse for togproduksjon. Det var et ønske om at et slikt system skulle integreres som en del av eksisterende systemer. I utgangspunktet er det da TrainPlan som er aktuelt. Dette systemet er derimot beskrevet som et system med komplisert datastruktur, og en tilleggsapplikasjon til dette systemet kan være vanskelig å få til. Databasene AnnaLyse og Putin samler i dag historisk informasjon basert på tognummer. En utvidelse av disse systemene, eller konstruksjon av et nytt analyseprogram som inkluderer funksjonene fra AnnLyse og Putin i tilegg til nye muligheter, er antagelig en bedre løsning enn å basere seg på TrainPlan. Institutt for produksjons og kvalitetstekninkk, NTNU 40

55 Et forslag til ny datastruktur er presentert i Figur 16. Det er et sentralt erfaringsdatavarehus som tar av seg utvekslingen av data mellom alle systemer. Analyse av erfaringsdata skjer i et eget analyseprogram som genererer ønskede rapporter. JBV Planlegging Andre erfaringsdatabaser I NSB TrainPlan/ ResourcePlan Erfaringsdatabaser Erfaringsdatavarehus Trafikkinfo TPO IRMA Resource- Manager Nytt analyseprogram Rapporter Figur 16 Forslag til ny datastruktur planleggings-, operative- og analysesystemer 4.3 KDD prosess for bearbeiding av energidata fra NRESS For at energidata som lagres i NRESS skal kunne benyttes til energianalyser, er det nødvendig å gjennomføre stegene 1-3 i KDD prossessen fra Figur 7. Her følger en beskrivelse av hvordan en slik KDD prosess kan utføres. Det forutsettes da at det er etablert en felles database for erfaringsdata. Først må det foretas en seleksjon på hvilke data som skal benyttes. Så må denne dataen forprosseseres for å fjerne eventuelle feil og rett opp mangler. Deretter må informasjonen transformeres til et format som er funksjonelt å benytte i ernergianalyser Seleksjon Den første oppgaven er å velge ut den data fra NRESS som kan være aktuell å legge til i en nyetablert erfaringsdatabase. NRESS inneholder flere forhåndsdefinerte spørringer vist i Tabell 3. Av disse spørringene vil Metered train consumption og Metered tain generation være mest nyttige. Disse vil henholdsvis vise energiforbruk og tilbakematet energi hvert 5 minutt i kombinsajon med tid og posisjon. Denne daten bør hentes og lagres i erfaringsdatabasen. I tillegg må annen erfaringsdata som ruteopplysinger, materiellturneringsplaner, personellplaner, trafikktilbakemelding, billettstatestikk lagres i erfaringsdatabasen slik at denne kan kombineres med energidataen. Institutt for produksjons og kvalitetstekninkk, NTNU 41

56 4.3.2 Forprossesering Den ulike informasjonen kan inneholde feil og mangler. Før datamaterialet kan benyttes videre må data gjøres korrekt eller fjernes helt. Fra NRESS er det flere mulige feilkilder. Feil oppdaget under arbeidet med denne oppgaven var: Manglende tall (måler har vært ute av drift) Åpenbare gale energitall for tilbakemating (feil på måler) Uoverenstemmelse mellom tidspunkt for forbruk og tilbakemating (tallene er åpenbart forskøvet i tid i forhold til hverandre) Kartkoordinater for stasjoner er forskøvet Det må utføres en kvalitetskontroll for å utelukke den data som ikke er riktig. Konkrete forslag til kvalitetskontroll: Undersøke at alle loggepunktene inneholder verdier. Loggepunkt uten verdier må forkastes, selv om dette medfører manglende energidata for en avgang. Se på sammenheng mellom bevegelse i kartkoordinater og tilbakemating. Tilbakematingen vil være null når toget står stille og bør ha en verdi for tog i bevegelse. Statistisk prosesskontoll. Fjerning av energitall som er over og under et vist nivå. Eksempelvis dersom energiforbruket mellom Moss og Spikestad er 1/3 av gjennomsnittlig forbruk, bør denne målingen utelukkes Transformasjon Transformasjon innebærer å konvertere til samme type dataformat og å redusere mengden data for å gjøre senere dataanalyse lettere. Datamengden fra NRESS er veldig stor, og en viktig del av transformasjoner er å redusere denne. I de fleste tilfeller vil det være aktuelt å sette sammen tognummer opp mot energiforbruk. Dette kan være en forutsetning for videre analyser eller en praktisk måte å gripe tak i problemet. Enten man skal regne på energiforbruk ved strekning, enhetskostnader for et type materiell, eller finne energiprofiler for opplæring av lokførere, vil det være nødvendig å gå veien om tognummer. Det kan for eksempel være aktuelt å finne energiforbruket for tog 1132 mellom Moss og Oslo på fredager. Da trengs en generell algoritme for å hente ut energiforbruket mellom disse to stasjonene i det tidsrommet toget kjører. Hvert tognummer har sine planlagte avganger. En kan derfor tenke seg at energi regnes ut i fra planlagt avgang og ankomst. Dette vil imidlertid være utilstrekkelig for å hente ut data fra NRESS, da denne metoden ikke tar hensyn til eventuelle forsinkelser. Feilen vil da potensielt være for stor. Institutt for produksjons og kvalitetstekninkk, NTNU 42

57 Det vil være nødvendig å finne ut når toget faktisk forlater stasjonene og når de faktisk ankommer. For å løse dette problemet kan en se på hva slags systemer NSB har for å logge faktisk bevegelse på togene. I togene er det en bevegelseslogg. Denne loggen er ment for spessielle hendelser, og er ikke tilgjengelig til vanlige analyser. JBV har derimot et system som logger tidspunkt hver gang et tog passerer et signal. Denne dataen har NSB tilgjengelig i databasen AnnaLyse. Siden de fleste stasjoner har signaler ved begge ender, er dette en måte å finne ut når toget starter. På grunn av avstanden mellom plattform og signal, vil det ta litt tid mellom da toget faktisk kjører, og når toget passerer signalet. Denne tiden vil være avhengig av stasjon, men vil antagelig være liten i forhold til at energimålerne likevel bare logger hvert 5. minutt. Det vil også være mulig å legge til ett lite tillegg, enten generelt eller stasjonsspesifikt, slik at tiden blir mest mulig reell. Energidataen som blir kombinert med tognummer kan lagres i erfaringsdatabasen på forskjellige måter: Totalforbruk mellom endestasjoner Forbruk mellom stasjonene Kumulativt over strekningen Valget mellom disse vil avhenge av behov. Å bare lagre totalforbruk mellom endestasjoner vil kreve minst lagringsplass, men vil mangle informasjon som kan være nyttig. For mange bruksområder vil totalforbruk mellom endestasjonene være tilstrekkelig informasjon. Enhetskostnader for materill og strekning kan regnes ut i fra dette. Tilbakemelding til lokførere kan også gjennomføres med kun totalforbruket, men det vil være mer nyttig å lagre kumulativt forbuk over strekningen, slik at det også er mulig å se på hvor på strekningen eventuelle avvik forekommer. Marginalkostnader ved endring av kjøretid/tidsbuffer og endring av stasjonsmønster vil best kunne undersøkes ved logging av forbruk mellom alle stasjoner. Det er da mulig å se på endringene spesifikt til det området som endringen utføres. Lagring av energiforbruk mellom alle stasjoner vil imidlertiv være veldig unøyaktig så lenge enegimålerne bare logger hvert 5. minutt. På grunn av den lange tidspunktet mellom loggingene vil både kumulativt forbruk og forbruk mellom stasjonene bli såpass unøyaktig. Det vil derfor anbefales at energiforbruk lagres som totalforbruk mellom endestasjoner. Energidata i erfaringsdatabasen vil da bestå av: Dato Tognummer Totalforbruk Energidata kan da kombinderes ved identifisering gjennom dato og tognummer. Valg av filformat blir det vanskelig å kommentere i denne oppgaven, da dette vil avhenge av det systemet som skal benyttes. I de følgende manuelle analysene av data fra NRESS, er det valg å benytte excel format. 4.4 Kvalitetssikring av data For å kunne stole på informasjonen man kan hente fra erfaringsdata, er det viktig at den data som benyttes er korrekt. For å være sikker på dette bør det gjennomføres kvalitetssikring av data. Ordet kvalitet kan ha flere betydninger, men i denne sammenhengen vil det være snakk om fravær av feil eller overensstemmelse med virkeligheten som er sentralt. Institutt for produksjons og kvalitetstekninkk, NTNU 43

58 I utgangspunktet er det forskjellige metoder som kan benyttes til kvalitetssikring av energidata. For det første er det viktig at det samles inn nok informasjon slik at disse utgjør et representativt utvalg for området som måles. Deretter er det viktig at målingene som utføres er riktige. Det å samle inn nok målepunkter, vil være avgjørende ved bruk av erfaringsdata fra NRESS. Energiforbruk vil variere med mange faktorer, som vær, kjørestil til lokfører, passasjertall og forsinkelser. Noen målinger kan derfor variere stort i forhold til et gjennomsnitt. Slike målinger kan påvirke analyser i stor grad dersom det er få målepunkter. Det er derfor viktig at det samles et så stort datagrunnlag at det gir en god representasjon over kjøringene. I tillegg til å samle nok data vil det være viktig at innsamlingen er korrekt. Konkrete metoder NSB kan benytte for kontroll av erfaringsdata fra NRESS kan være: Kvalitetssikring ved hjelp av eksterne målere Kvalitetssikring ved hjelp av simulator Kvalitetssikring ved teoretisk utregning Kvalitetssikring ved statistisk prosesskontroll Eksterne Energimålere: Det er essensielt at energimålerne gir riktig resultat. Målerne må derfor kalibreres mot eksterne målere. NSB disponerer i dag eksterne energimålere som kan benyttes til kvalitetskontroll av de faste målingene. Disse monteres på togsettene, og dermed kan det gjøres målinger som sammenlignes opp mot energiforbruk logget i NRESS. Simulator: Det er også en mulighet å benytte målinger fra simulatorsenteret på Sundland i Drammen til å sammenligne opp mot de ulike strekningene. Dette forutsetter imidlertid at denne er korrekt innstilt. Slik sett kan målinger fra virkelig trafikk også være en kvalitetssjekk av simulatoren. Mulighet for dette er beskrevet i kapittel Teoretisk utregning: En metode for teoretisk utregning av energiforbruket på en strekning for et gitt materiell ble presentert i prosjektoppgaven (Wien, 2006). En slik metode kan benyttes for å undersøke om energiresultatene ligger i den størrelsesordenen som er forventet. En sammenligning mellom teoretisk utregnet forbruk og reelt forbruk ble utført av Vestlandsforskning på Sørlandsbanen for type73 (Vestby, 2000). Der ble det liten forskjell mellom teoretisk utregnet forbruk og målt forbruk (2%). Det var derimot større forskjell mellom teoretisk utregnet tilbakemating og målt tilbakemating. Statistisk prosesskontroll: Når målerne er kalibrert mot en ekstern kilde, som andre energimålere, teoretisk utregning eller simulatormålinger, kan statistisk prosesskontroll benyttes for kvalitetskontroll av måleprosessen. Dette vil foregå ved at målingene fra en type materiell sammenlignes mot hverandre. Det kan settes øvre og nedre kontrollgrenser, der data utenfor disse forkastes eller kontrolleres. Gjennomsnittsforbruket kan bør også overvåkes. Institutt for produksjons og kvalitetstekninkk, NTNU 44

59 Figur 17 Eksempel på statistisk prosesskontroll med kontrollgrenser Det kan være en utfordring å finne prosessgrenser for energiforbruk. Ved observasjoner som fordeler seg jevnt om en middelverdi m, og med standardavvik s, er det vanlig å benytte prosessgrenser på pluss-minus 3 s. For energimålinger for jernbanetrafikk vil antagelig dette ikke være gode grenser. Det vil eksistere en nedre grense for hvor lite energi det er praktisk mulig å benytte for en avgang, men det er i teorien ingen slik øvre grense for hvor mye man faktisk kan bruke. For nedre kontrollgrense kan man regne ut minimalt teoretisk energiforbruk, og dermed forkaste verdier under dette. Da kan man være sikker på at denne målingen er feil. For høye verdier er det derimot vanskeligere. En høy verdi kan komme av feil ved målingen, eller rett å slett at toget benyttet uvanlig mye energi som følge av flere sammenfallende faktorer. Dersom det er snø, forsinkelser, mye passasjerer og en dårlig lokfører på samme tid, kan dette gi uvanlig høyt forbruk. Likevel bør målingen være med i beregning av for eksempel enhetskostnader. Institutt for produksjons og kvalitetstekninkk, NTNU 45

60 5 Dataanalyse fra NRESS For å belyse mulighetene for bruk av energierfaringdata til produksjonsplanlegging er det gjort noen analyser fra energidatabasen NRESS. Det er her forsøkt å få eksempler på de ulike bruksområdene for energidata som er foreslått i 4.1. Daglig bruk av erfaringsdata fra energidatabasen NRESS vil kreve et automatisk system for analyse. Siden et slikt system vil ta lang tid å utforme, vil det i forbindelse med denne oppgaven tas ut data fra databasene manuelt, og som etterpå blir analysert manuelt. Denne manuelle fremgangsmåten er ganske tidkrevende, og det er fare for at det gjøres feil underveis. Datagrunnlaget blir derfor begrenset i forhold til å kunne fatte klare konklusjoner i forhold til energiforbruk i trafikken. Dette vil allikevel være tilstrekkelig for å belyse hvordan en slik energianalyse kan utføres, som også er oppgavens hovedmål. 5.1 Metode for energianalyser Under uthenting av energidata er det gått igjennom stegene i en KDD prosess med henholdsvis seleksjon, forprosessering, transformasjon, data mining og tolkning/evaluering. Følgende fremgangsmåte er benyttet for analyse av data fra NRESS: Seleksjon: I denne oppgaven er det kun benyttet materialet fra type 72. Det er i alt benyttet data fra ti forskjellige togsett over en periode på to måneder. Det var også tenkt å benytte tallmateriale for type 69 på samme strekning for en sammenligning mot type 72, men fra NSB ble det opplyst at målingene fra type 69 var feil. Dette ble derfor utelatt. I denne oppgaven er det valgt å se på relasjonene Eidsvoll-Oslo-Kongsberg og Moss-Oslo-Spikestad. Først utføres en spørring i NRESS, over internett, for forbruk og tilbakemating av strøm opp mot ett materiellnummer. Det er benyttet spørringene Metered train consumtion og Metered train generation, og det er valgt en periode på to måneder, henholdsvis januar og februar. Resultatet eksporteres så til et regneark. Forprosessering: Forprosesseringen har i arbeidet med disse analysene foregått samtidig med transformasjonen. I arbeidet med å lage et hensiktsmessig format for energidata, er det også avdekket data som ikke er fullstendig eller gal. Kvaliteten på data hentet fra NRESS er som andre erfaringsdata avhengig av den data som legges inn i systemet og hvordan denne dataen er lagret. Det vil være ulike kilder til mulige feil i data Usikkerhet i innhenting av data kan være: Feil på togsett Feil på energimålerne og GPS Feil i avrapportering Feil i database Institutt for produksjons og kvalitetstekninkk, NTNU 46

61 Feil som ble oppdaget i dette arbeidet er: Manglende tall (måler har vært ute av drift) Åpenbare gale energitall for tilbakemating (feil på måler) Uoverenstemmelse mellom tidspunkt for forbruk og tilbakematin (tallene er åpenbart forskøvet i tid i forhold til hverandre) Kartkoordinater for stasjoner er forskøvet Datasett som inneholder feil har blitt forkastet. Transformasjon: I transformasjonen er målet å få data på en hensiktsmessig måte. Målet har vært å få data med følgende informasjon: Tidspunkt o Dag o Måned o Dato o Tid o År Sum energi Tognummer Togsett Datasettene for forbruk og tilbakemating settes sammen i et felles regneark. Ved hjelp av kartkoordinatene i loggen legges det til aktuelle stasjoner. Energien summeres så mellom de aktuelle endestasjonene, eller andre distanser av interesse. Det er benyttet både endestasjoner og relasjonen Moss-Ski. Ved hjelp av tidspunkt i datamateriellet blir energien så relatert til tognummer ved hjelp av togtabeller (vedlegg C). Bruk av togtabell direkte vil ikke være en god metode ved automatisering fordi dette ikke ville tatt hensyn til forsinkelser. Data mining: Etter transformasjonen, der informasjonen fikk ønsket format, er data så satt sammen for å oppnå de ønskede analysene. Tolkning/evaluering: Tolkning og evaluering er utført i Tolkning av energianalyser Resultatene i de ulike analysene som er utført er basert på målinger av energiforbruk mellom ulike destinasjoner i lokaltrafikken på Østlandet. Erfaringsdata er hentet fra NRESS, AnnaLyse og simulatoranlegget Analyse av enhetskostnader for materiell og strekning I dag benyttes nøkkeltall for bruttotonnkilometer ved beregning av energikostnader (Tabell 6). Disse tallene kan sammenlignes med energitall for strekning og materiell fra NRESS. Gjennomsnittstall fra alle innsamlede data for type 72 er benyttet for strekningene Eidsvoll- Kongsberg og Spikestad-Moss. Institutt for produksjons og kvalitetstekninkk, NTNU 47

62 Ved utregning av enhetskostnader vil det være nødvendig med tall for km på strekninger og vekt for togtyper. Forskjellige kilder kan ha ulike data på dette området. Det er derfor viktig at denne dataen hentes fra samme kilde. Fra TrainPlan kan det hentes tall for både avstander på strekninger og vekt på materiell. I utregning i denne oppgaven vil tallene i Tabell 7 benyttes. Strekning Moss - Spikestad 96,7 km Eidsvoll - Kongsberg 153,9 km Vekt Netto Type tonn Brutto Type tonn Tabell 7 Data for km og togvekt For å sammenligne enhetskostnader regnet ut fra NRESS med tildligere erfaringsdata, vil enhetskostnadene bli sett på som energiforbruk per tonnkilometer. Det vil bli benyttet brutto togvekt, der også vekt av passasjerer er medregnet. Kongsberg- Eidsvoll Eidsvoll- Kongsberg Spikestad- Moss Moss- Spikestad Gj.sn. forbruk på strekning [kwh] Forbruk per km [kwh/km] 8,01 8,00 7,07 8,06 Forbruk per tonnkilometer [Wh/tonn*km] 37,62 37,56 33,19 37,82 Forbruk for pendel [Wh/tonn*km] 37,59 35,51 Tabell 8 Utregning av enhetskostnader Tilsvarende tall som benyttes i dag er 53 (61-8, fra Tabell 6), for motorvognsett med tilbakemating for lokaltog på Østlandet. Tallene som er regnet ut fra NRESS er dermed 29 % og 33 % lavere enn tallene som benyttes til utreging av energi i dag. Grunnen til de store forskjellene kan være: Bruk av forskjellig tjenestevekt på materiell ved JBV og ny beregning Gjennomsnittsberegning for flere materielltyper i JBV beregning Tap ved strømforsyning er medregnet i JBV beregning Tjenestevekten på materiell vil ha betydelig innvirkning på resultatene. Det kan være ulike tolkninger om brutto eller nettovekt skal benyttes. Ved bruk av nettovekt, vil tallene for forbruk for pendel være nærmere JBV`s erfaringsdata. Siden JBV utregning ikke skiller mellom materielltyper. Type 72, som er relativt nye tog, kan ha lavere energiforbruk enn andre typer materiell. Det er mulig at de erfaringsdata som benyttes kun er beregnet ved annet motorvognsett med tilbakemating. Dette kan muligens være type70. Det er verdt å merke seg at det er 5,8% høyere forbruk på pendelen Kongsberg - Eidsvoll enn på pendelen Spikestad - Moss. Dette kan ha sammenheng med at det er mer moderne infrastruktur på pendelen Spikestad Moss, med dobbeltspor mesteparten av strekningen. Kongsberg og Eidsvoll er enkeltspor på strekningen Drammen-Kongsberg, noe som gjør ekstra stopp for kryssing av tog nødvendig. Dette gir ekstra brems og akselerasjon, og gir høyere forbruk. Forskjellen på 5,8% i energiforbruk er så vesentlig at det vil være smart å benytte ulike erfaringstall på energi på disse to strekningene. NSB vil få mer korrekte kostnadsoverslag på sine produksjonsplaner ved bruk av streknings og materiellspesifikke erfaringsdata for energi. Institutt for produksjons og kvalitetstekninkk, NTNU 48

63 5.2.2 Analyse av marginalkostnader ved endring i kjøretid For vurdering av ulike ruteoppsett bør det også medregnes hvordan kjøretid påvirker energikostnader. Dette bør vurderes på lik linje som kjøretid og punktlighet. Da vil sammenligningsgrunnlaget mellom ulike produksjonsalternativer bli bedre. Ved analyse av kjøretid er hensikten å finne ut hvor mye energi som kan spares ved en marginal økning i reisetida. Det ble i prosjektoppgaven (Wien, 2006) gjort noen få forsøk for å finne en sammenheng mellom kjøretid og energiforbruk. Det ble først regnet ut total kjøretid og totalt forbruk for de ulike strekningene. Målingen med lavest kjøretid ble satt som referansepunkt, og kjøretiden og energiforbruket ble sammenlignet med denne. Her ble det funnet at en økning i kjøretiden på 4%, vil gi mellom 8 og 10% reduksjon i energiforbruket. Disse tallene er basert på et lite antall simuleringer, og bør derfor valideres mot reelle målinger. Energibesparelse r Økt kjøretid 0,00 % 2,00 % 4,00 % 6,00 % 8,00 % 10,00 % 12,00 % 0,00 % 2,00 % 4,00 % 6,00 % 8,00 % 10,00 % 12,00 % 14,00 % 16,00 % 18,00 % 20,00 % Figur 18 Energibesparelse i forhold til økt kjøretid mellom Moss og Ski (Wien, 2006) Det ble valgt ut å benytte seg av samme strekning som på de simulerte målingene, men nå er hele strekningen frem til Spikestad benyttet. Dette på grunn av at energitallene mellom endepunktene er mer korrekte. Utregning av energiforbruk ved endring i kjøretid gjøres ved å finne total bevegelsestid, og plotter dette mot totalt energiforbruk. Det ble valgt å benytte signalpasseringer fra AnnaLyse for å regne ut bevegelsestiden. Teorien var at den samlede tida, minus tiden for opphold på stasjonene, ville gi gode nok data for bevegelse. Energidata for 21 målinger ble plukket ut, og det ble hentet inn stasjonspasseringer for disse målingene fra AnnaLyse. Alle målingene ble hentet fra samme tognummer (tognr. 1110), slik at trafikkbilde for de ulike avgangene skulle være mest mulig identisk. Institutt for produksjons og kvalitetstekninkk, NTNU 49

64 Kjøretid og forbruk Energiforbruk [kwh] t 1,2 1 0,8 0,6 0,4 0, Kjøretid [s] Figur 19 Forhold mellom kjøretid og energiforbruk Ut fra punktene i Figur 19 kan vi se at det ikke er den samme sammenhengen mellom kjøretid og energiforbruk som ble funnet ved simulatorforsøk. Det vil derfor ikke gi noen mening å ta ut en referansekjøring, og generere en graf som i Figur 18. Punktene har ingen klar trend, men målingene med høy kjøretid har litt høyere energiforbruk enn resten av punktene. Dette indikerer at metoden som er brukt ikke er spesielt egnet til hovedformålet, nemlig å finne en sammenheng mellom energiforbruk og kjøretid. Det er derimot mulig å trekke en svak konklusjon på at forsinkede tog får høyere energiforbruk. Uthenting av bevegelsesdata fra AnnaLyse, vil ikke gi god nok data for virkelig bevegelse. En viktig faktor som blir utelatt ved denne metoden, er at tog også har stopp utenfor stasjonene. Tog med forsinkelse kan ha hatt lange slike opphold. Dette vil gi kortere reell kjøretid enn det som kommer frem i analysen. Kompleksiteten ved trafikken vil i seg selv også være en stor utfordring ved slike analyser. I simulatoren er det kontrolerte forhold. Det er for eksempel ikke annen trafikk som må tas hensyn til, og det er mulig å ende på noen faktorer av gangen. Resultatene blir av den grunn mer som forventet. Skal tall fra trafikken benyttes til analye av kjøretid og energiforbruk, bør annen erfaringsdata benyttes for bevegelse. TELOC kan benyttes til dette formålet. TELOC lagrer forskjellige elektoniske signaler fra tog, og benyttes i utgangspunktet ved evaluering av hendelser. Herfra er det mulig å hente data for hastighet, distanse og tidspunkt (Moen, 2006). Ulempen med dataene fra TELOC er at disse i dag er vanskelig tilgjengelig. Det er Mantena som laster ned denne dataen og NSB må bestille den, og har dermed ikke kontinuerlig tilgang. En slik kontinuerlig tilgang vil være nødvendig ved bruk av denne dataen Rutenummer og energiforbruk Det var et reelt ønske fra noen av planleggerne å kunne få presentert all erfaringsdata fordelt på rutenummer for en felles vurdering. Energiforbruk kunne være med i en slik felles vurdering. På sammen måte som ved systematiske værstinger på punktlighet, kan tiltak settes i verk mot rutenummer med høyt energiforbruk. Spesielt dersom noen tognummer har dårlige erfaringsdata på flere områder, bør tiltak iverksettes. Institutt for produksjons og kvalitetstekninkk, NTNU 50

65 Det er hentet ut energilogger fra ti forskjellige togsett av type 72 over en periode på to måneder. Denne dataen er så bearbeidet for strekningene Kongsberg-Oslo-Eidsvoll og Moss- Oslo-Spikestad. Selv om mengden data er stor, gjør det totale antallet tognummer på disse strekningene at det ikke er så mange målinger på hvert tognummer som ønsket, for å få et realistisk bilde av gjennomsnittsforbruket til hvert tognummer. Derfor må analysen ses mest på som et eksempel på hvordan dette kan utføres. Det er mulig å se noen trender, men det bør ikke trekkes sterke konklusjoner på dette grunnlaget. Antall målinger som er grunnlaget for hvert rutenummer kan ses på i vedlegg A. En mulig presentasjonsmetode er å sammenligne tognumrene i en felles graf som i Figur 20, Figur 21, Figur 22 og Figur 23. Her er Rush tid definert som de tre togene som passerer Oslo S nærmest klokka 8 på morgenen og klokka 16 på kvelden. På grunn av større trafikk på disse avgangene skulle kunne man forventet at det var høyere energiforbruk blant disse, både på grunn av høyere totalvekt, og på grunn av lengre stasjonsopphold. Av samme grunn skulle man da forvente at det var lavere energiforbruk midt på dagen og sent på kvelden, da det er mindre passasjerer. Energiforbruk [kwh] t Kongsberg-Eidsvoll Rush tid Rush tid Tognummer Figur 20 Gjennomsnittlig energiforbruk fordelt på rutenummer for Kongsberg - Eidsvoll Energiforbruk [kwh] t Eidsvoll-Kongsberg Rush tid Rush tid Tognummer Figur 21 Gjennomsnittlig energiforbruk fordelt på rutenummer for Eidsvoll - Kongsberg Institutt for produksjons og kvalitetstekninkk, NTNU 51

66 Energiforbruk [kwh] t Rush tid Spikestad-Moss Rush tid Tognummer Figur 22 Gjennomsnittlig energiforbruk fordelt på rutenummer for Spikestad - Moss Energiforbruk [kwh] t Rush tid Moss-Spikestad Rush tid Tognummer Figur 23 Gjennomsnittlig energiforbruk fordelt på rutenummer for Moss - Spikestad I Figur 20, Figur 22 og Figur 23 er den høyeste registrerte målingen innenfor den definerte rush-tiden. Det er en liten trend til at forbruket er høyere i rush-tid enn gjennomsnittlig forbruk, men totalt er ikke differansen større enn 0,8% (Tabell 9). Kongsberg- Eidsvoll Eidsvoll- Kongsberg Spikestad- Moss Moss- Spikestad Totalt Gj.sn forbruk [kwh/km] 8,01 8,00 7,07 8,06 7,78 Rush-tid [kwh/km] 8,26 7,84 7,19 8,10 7,85 Differanse 3,1 % -2,0 % 1,7 % 0,6 % 0,8 % Tabell 9 Differanse mellom gj.sn. energiforbruk og energiforbruk i rush-tid Når energiforbruk først er sortert på tognummer og dato, kan utallige sammensetninger velges. Det er i denne oppgaven også sett energiforbruk fordelt på ukedager. Fra NSB ble det opplyst at det, for lokaltrafikken i Oslo området, var mest pendlertrafikk på mandager og torsdager. For å analysere om det er sammenheng mellom energiforbruk og passasjertrafikk, er en fremstilling på forbruk over ukedager benyttet. Det er kan da forventes at energiforbruket skal være størst på mandag og torsdag. Institutt for produksjons og kvalitetstekninkk, NTNU 52

67 Ukedager: Spikestad-Moss og Moss-Spikestad Energiforbruk [kwh] Spikestad-Moss Moss-Spikestad 500 Man Tir Ons Tor Fre Lør Søn Figur 24 Energiforbruk for pendelen Spikestad - Moss fordelt på ukedager I Figur 24 er det sett på hvordan energiforbruket varierer over ukedagene på pendelen Spikestad Moss. Her ser vi at det som forventet er høyest forbruk på mandag og fredag. Det er lavest forbruk fredag og lørdag. Ukedager: Kongsberg-Eidsvoll Energiforbruk [kwh] Man Tir Ons Tor Fre Lør Søn Figur 25 Energiforbruk for Kongsberg - Eidsvoll fordelt på ukedager Institutt for produksjons og kvalitetstekninkk, NTNU 53

68 Ukedager: Eidsvoll-Kongsberg Energiforbruk [kwh] Man Tir Ons Tor Fre Lør Søn Figur 26 Energiforbruk for Eidsvoll - Kongsberg fordelt på ukedager For pendelen Kongsberg Eidsvoll (Figur 25 og Figur 26) er det en helt annen fordeling enn pendelen Spikestad Moss. Her finner vi ikke den forventede fordelingen, med en forbrukstopp på mandag og torsdag. Her er det målt klart høyest forbruk for onsdagen. En grunn til forskjellene kan være datagrunnlaget. Det er flere målepunkter for pendelen Spikestad Moss enn for Kongsberg Eidsvoll. Dette gir selvsagt mindre usikkerhet i målingen. En hensikt med et prestsjonsmålesystem/kdd-system er å kunne fordype seg i analysene. Det ble derfor foretatt en skjekk av bagrunnsdataene for onsdagskjøringer på Eidsvoll Kongsberg. Der ble det funnet at flere av målingene var tatt på dager der togene var mye forsinket. Siden dette er målinger fra Januar og Februar, kan det kanskje skylles mye snøfall disse dagene. Forsinkelse vil altså påvirke målingene i stor grad. Dette viser også behovet for å ta med erfaringsdata fra alle målinger, og ikke kun et utvalg som er gjort i denne oppgaven. Det bør i hvert fall benyttes målinger som er jevnt fordelt utover ukedagene, slik at ikke problemdager får for stor påvirkning på resultatet Sammenligning med simulatorresultater Det er tidligere foretatt noen simuleringer på simulatorsenteret på Sundland i Drammen for å undersøke hvordan energiforbruk blir påvirket av ulike endringer. Disse er kjørt med et enkeltsett av lokaltog type 72. På grunn av at tidsforbruket ved testene er forholdsvis lang (ca 30 min), er det bare et begrenset antall simuleringer, og målingene er derfor på ingen måte er statistisk signifikant. Simuleringstestene er innhenetet i to forskjellige sammenhenger. Den første som et tidligfaseundersøkelse fra energiguppen i NSB. De andre er kjørt i sammenheng med prosjektoppgaven (Wien, 2006). Det kan derfor være forskjeller i kjøremetode i de to tilfellene. Institutt for produksjons og kvalitetstekninkk, NTNU 54

69 Test I regi av Forbruk [kwh] 1 Prosjektoppgave 385,3 2 Prosjektoppgave 349,8 3 Prosjektoppgave 330,1 4 Prosjektoppgave 354,5 5 Prosjektoppgave 351,9 6 Prosjektoppgave 331,7 7 Prosjektoppgave 349,6 8 Energigruppe NSB 317,0 9 Energigruppe NSB 318,0 10 Energigruppe NSB 352,0 11 Energigruppe NSB 359,0 12 Energigruppe NSB 361,0 13 Energigruppe NSB 365,0 14 Energigruppe NSB 378,0 15 Energigruppe NSB 380,0 16 Energigruppe NSB 395,0 17 Energigruppe NSB 407,0 18 Energigruppe NSB 413,0 19 Energigruppe NSB 449,0 Gj.sn 365,6 Figur 27 Simulerte målinger for energiforbruk Moss-Ski med type72 Det er så hentet inn tilsvarende tall for energiforbruk mellom Moss og Ski fra NRESS. Denne er hentet på samme måte som energidata mellom endestasjoner. Det er likevel litt større usikkerhet rundt målingene, siden det ikke nødvendigvis blir logget ved stopp på Ski stasjon. Den nærmeste loggingen er derfor benyttet, noe som fører med seg usikkerhet. Måling Antall målinger Gjennomsnitt [kwh] Simulator målinger Moss Ski ,6 Reelle målinger Moss Ski ,2 Differanse 49,4 % Differanse 15,6% Tabell 10 Differanse mellom simulert energiforbruk og målt energiforbruk Moss - Ski Differansen mellom de simulerte målingene og de reelle målingene er i forsøket 15,6% (Tabell 10). Selv om antallet målinger er lavt og det er usikkerhet rundt energiloggingen på Ski stasjon, er dette så mye at man kan konkludere med at det er en differanse som må justeres. Dersom man ved kalibrering mot andre kilder finner at de reelle målingene er riktige, vil det utregnede energiforbruket for simulatoren ligger for høyt. En justering av parameter for energiforbruk vil da være nødvendig. Institutt for produksjons og kvalitetstekninkk, NTNU 55

70 Figur 28 Høyeste og laveste simulerte måling fra prosjektoppgaven (Wien, 2006) Høyeste og laveste målte Energiforbruk [kwh] t Tid [min] Figur 29 Høyeste og laveste reellemåling For å finne ut hvilke faktorer som skiller mellom reelle målinger og simulerte målinger, kunne det vært interessant å sammenlinge energigrafer fra begge tilfeller. Imidlertid gir den grove oppløsningen til de reelle målingene (Figur 28) lite indikasjon på hvordan forbruket fordeler seg på strekningen. CorPra som er analyseprogramet, som benyttes i tilknytning til simulatoranlegget (se Figur 27), gir bedre mulighet for dette. Av dette kan en konkludere med at simulatoranlegget i dag er bedre egnet til analyse av kjøremønster enn reelle målinger vil være. 5.3 Kvalitetssikring av analysene I kapittel 4.4 ble det beskrevet ulike metoder for kvalitetssikring av data fra NRESS. I denne oppgaven er det gjort en enkelt sammenligning opp mot tidligere simulerte målinger på strekningen mellom Moss og Ski. Denne viser en betydelig differanse på 15,6%. Det er derimot ikke sikkert hvilke av målingene som viser feil. Det kan være tilfellet at ingen av målingene er helt korrekt, men har avvik i hver sin retning. En sammenligning med andre kilder bør gjennomføres for å kvalitetssikre data fra NRESS og simulatoren. Institutt for produksjons og kvalitetstekninkk, NTNU 56

71 5.3.1 Antallet målinger for analysene Et viktig kriterium for gode analyser, som kan benyttes til beslutningsgrunnlag, er at det hentes inn nok målepunkter. I denne oppgaven er det totalt hentet inn 765 målepunkter (vedlegg A) for energiforbruk. Antall målepunkter har vært begrenset av tidsbruken ved den manuelle innhentingen, som har tatt lang tid. For noen av analysene gir dette antallet målinger et tilfredsstillende resultat. For utregning av enhetskostnader for strekninger er det tilfredsstillende antall målinger. Da er det mellom 137 og 235 målinger som danner grunnlaget for et gjennomsnittlig forbruk på strekningen. Når antallet målepunkter derimot fordeles på rutenummer og dager, blir grunnlaget i minste laget. Selv om de fleste tognumrene får over 10 målinger, er det noen som har under 5. Det er derfor viktig at man ikke ser på resultatene i disse analysene som sannheter, men mulige trender Feilkilder ved bruk av data fra NRESS Som beskrevet i er det registrert følgende feil ved data fra NRESS: Manglende tall (måler har vært ute av drift) Åpenbare gale energitall for tilbakemating (feil på måler) Uoverenstemmelse mellom tidspunkt for forbruk og tilbakemating (tallene er åpenbart forskøvet i tid i forhold til hverandre) Kartkoordinater for stasjoner er forskøvet I denne oppgaven er slike feil rettet opp manuelt, etter hvert som de har kommet opp. Det er likevel en risiko for at feildata blir tatt med i analysene. I tillegg til de feilene som kan skje ved innhenting av data, vil det være feilkilder og usikkerhet rundt bruken av data. Dette gjelder spesielt ved summering av energiforbruk mellom to stasjoner. Et tog vil ha en avgang på et bestemt klokkeslett uavhengig av målerne som logger fast hvert 5. minutt. Dette gjør det nødvendig å velge nærmeste måling. Siden toget forbruker klart mest når det er i bevegelse, vil det i de fleste tilfeller være mest riktig å ta med tida, opp til 5 minutter, før toget begynner sin rute. Da vil forbruk til komfort og andre funksjoner som er aktive selv når toget er i ro, bli medregnet. Hvor mye dette påvirker det totale forbruket avhenger av lengden mellom de punktene det måles mellom. Tilsvarende vil være tilfellet når toget kommer frem til endestasjonen. Institutt for produksjons og kvalitetstekninkk, NTNU 57

72 6 Konklusjon Dette kapittelet vil inneholde de viktigste funnene i oppgaven. Det blir også vurdert måloppnåelse. Til slutt kommer det forslag til videre studier innefor området. 6.1 Oppgavens konklusjon Ved planleggingsarbeid vil det være behov for bruk av erfaringsdata. Produksjonsplanlegging i NSB er komplisert og omfattende, og god bruk av erfaringer er viktig for å ta gode beslutninger. For å muliggjøre større kunnskapsuthenting fra de erfaringsdata som NSB har tilgjengelig i dag, er det nødvendig å gjøre endinger i datasystemstrukturen som eksisterer i dag. NSB kan vurdere å etablere et ERP system for hele eller deler av virksomheten. Dette vil imidlertid være veldig krevende, siden NSB har mange egenutviklede systemer som er viktig for driften. Disse er vanskelig å integrere i et innkjøpt ERP-system. Et konkret forslag for å bedre på dagens situasjon, er å etablere et datavarehus for all erfaingsdata. Dette datavarehuset bør stå for utveksling av informasjon mellom NSB sine ulike datasystemer og med erfaringsdata fra JBV. Et eget analyseprogram bør også etableres. Dette kan ta utgangspunkt i de eksisterende systemene Putin og AnnaLyse som i dag benyttes til kundeinformasjon, og punktlighetsanalyser. Dette analyseprogrammet bør kunne benytte seg av erfaringsdata fra hele jernbanedriften i NSB. Uthenting av kunnskap fra energidatabasen NRESS kan utføres gjennom en Knowledge Discovery in Databases (KDD) prosess med stegene seleksjon, forprossesering, transformasjon, data mining og tolkning/evaluering. En strukturert prosess som KDD kan være til hjelp for å generere mer kunnskap fra innsamlet erfaringsdata i NSB. Ved analyse fra NRESS ble det regnet ut enhetskostnader for to strekninger for materielltypen 72. Dette gav et forbruk på 37,6 Wh/tonn*km og 35,5 Wh/tonn*km for henholdsvis pendelen Kongsberg Eidsvoll og Moss Spikestad. Dette er betydelig lavere enn erfaringstallene som benyttes for energiforbruk i dag. Tidligere simulerte målinger viser at 4% økning i reisetiden vil gi 8-10% lavere energiforbruk. Det ble gjort et forsøk på å undersøke dette videre med data fra NRESS. Ved utregning av marginalkostnader ved endring av kjøretid ble det benyttet en metode som brukte data fra NRESS og signalpasseringer fra AnnaLyse. Denne metoden viste seg imidlertid ikke å gi forventede svar. Grunnen for det kan være at dataene fra AnnaLyse er for unøyaktige, og at det er mange faktorer som påvirker energiforbruket som spiller inn på de reelle målingene. I simulatorsenteret er det lettere å styre de ulike parametrene. Energiforbruk kan benyttes som indikator i planleggingsarbeide. En mulig presentasjon er å presentere gjennomsnittsforbruk ved ulike tognummer, og sammenligne dem opp mot hverandre. Slik data kan benyttes til å rette tiltak mot tognummer med høyt forbruk. En slik analyse viser at det er gjennomsnittlig litt høyere forbruk i rush-tiden enn for gjennomsnittet. Dette er forventet, siden det da er flere passasjerer. Energiforbruket ble også sortet etter ukedag. Der er det forventet at forbruket skal være høyest på mandag og torsdag. Undersøkelsen for Spikestad Moss bekrefter dette, mens undersøkelsen for Kongsberg Eidsvoll gir et annet resultat. Institutt for produksjons og kvalitetstekninkk, NTNU 58

73 En sammenligning av energiforbruk, på strekningen Moss Ski for type 72, mellom simulerte målinger og målinger fra NRESS ble utført. Denne sammenligningen gav en differanse på 15,6%. Dette er en differanse som bør justeres før simulatoren benyttes til analyse av energiforbruk. Et viktig kriterium for bruk av erfaringsdata vil være at kvaliteten er god. I denne oppgaven er det benyttet 765 energimålinger som er fordelt på tognummer, i tillegg til 57 målinger for sammenlingning med simulator. Dette er for få målepunkt, spesielt når målingene er fordelt på tognummer eller ukedag. Resultater fra denne oppgaven bør derfor kun ses på som mulige trender og som et eksempel på hvordan erfaringsdata kan presenteres. 6.2 Vurdering om oppgavens mål er nådd Denne masteroppgaven hadde en problemstilling med tre deloppgave: 1. Gjennomføre et litteraturstudium rundt bruken av erfaringsdata som innspill til planleggingsarbeid. Sammenstillingen omfatter generell bruk av erfaringsdata som beslutningsgrunnlag, og i den grad informasjon finnes tilgjengelig, spesielt relatert til energiforbruk. 2. Beskrive ulike alternativer til hvordan NSB kan ta frem og kvalitetssikre erfaringsdata som kan brukes til beslutningsgrunnlag. Alternativene kan inkludere både bruk av erfaringsdata og simulering. 3. Konkretisere minst et av alternativene fra deloppgave 2 ved å ta frem faktiske data om energiforbruk og presentere dataene på en måte som kan fungere som innspill til produksjonsplanleggingen. Om mulig skal det også utføres en kvalitetssikring av dataene. Som minimum skal det diskuteres hvordan dataene kan kvalitetssikres. Håvedmålet med denne rapporten er å besvare de tre deloppgavene ovenfor. Deloppgave 1 er besvart ved kapittel 2, deloppgave 2 er besvart ved kapittel 3 og kapittel 4, og deloppgave 3 er besvart ved kapittel 5. Det er ikke blir foretatt noen justeringer av oppgaveteksten underveis i arbeidet med oppgaven, og alle oppgavene er besvart. Det største avviket ligger i at det ikke er hentet inn nok data til energianalysene i del 3. Dette på grunn av tidsforbruken ved å hente ut og bearbeide denne dataen manuelt. Analysene ble derfor ikke så omfattende som ønsket. NSB vil ha nytte av denne rapporten ved videre arbeid rundt bruk av erfaringsdata, og analyser av energiforbruk ved jernbanetransport. 6.3 Forslag til videre studier Fra litteraturstudiet kan det ses nærmere på bruk av decision support systems og prestasjonsmålesystem i forhold til energiforbruk og jernbanetransport. Det bør også ses på mer tekninske løsninger ved gjennomføring av KDD, spesielt området data mining. Institutt for produksjons og kvalitetstekninkk, NTNU 59

74 Mye erfaringsdata og tilbakemeldinger til planleggere kan være vanskelig å forholde seg til. En evaluering av verdien/vekting av viktigheten ved ulike erfaringsdata kan hjelpe ved ulike prioriteringer. Spesielt på områder der ulike parametre er motstridende, som for eksempel ved punktlighet og ønske om redusert kjøretid. Det bør også benyttes mer energidata for andre områder enn det som er dekket i denne oppgaven. Denne oppgaven er begrenset til en togtype og to strekninger, og derfor bør det ses på andre strekninger og annet type materiell. Det vil også være mulig å vurdere energidata opp mot andre typer erfaringsdata, som for ekempel passasjertall og vedlikehold Institutt for produksjons og kvalitetstekninkk, NTNU 60

75 Referanser Litteraturliste Andersen, B., Fagerhaug, T. 2002: Preformance Mesurement Explained, Milwaukee, Wisconsin: ASQ Quality Press Aune, A. 2000: Kvalitetsdrevet ledelse kvalitetsstyrte bedrifter, Gjøvik: Gyldendals Akademisk Bozarth, C.C., Handfield, R. B. 2006: Introduction to operations and supply chain management, Upper Saddle River N.J. : Pearson Prentice Hall Braha, D. 2001: Data mining for design and manufacturing, London: Kluwer Academic Publishers Chase, F. et. al. 2006: Operations Management for Competitive Advantage, Boston: McGraw- Hill/Irwin Cooke, S., Slack, N. 1991: Making management decisions, Hertfordshire: Prentice Hall International Ltd Dunham, M. H. 2002: Data Mining Introductory and Advances Topics, Upper Saddle River: Pearson Education inc. Eklund, T. et. al. 1997: Praktisk bedriftsøkonomi, Oslo: Ad Notam Gyldendal AS Fodstad M. et. al. 2006: Bruk av erfaringsdata og vurdering av gjennomførbarhet som input til planprosessen, Trondheim: SINTEF teknologi og samfunn Halbach J. 2005: Energy efficient driving by Deutsche Bahn AG, Foredrag av Energiekostenmanagement DB Regio AG, Frankfurt 30. Juni International Union of Railways, 2003: Evaluation of energy efficiency technologies for rolling stock and train operation of railways, Berlin: rapport for Deutsche Bahn AG og Railway Enviroment Centre Jernbaneverket, 2005: Network statement 2007, Produktbeskrivelse for norsk jernbanenett Jernbaneverket, 2006: Jernbaneverkets standardvilkår for avregning av 16 2/3 Hz energi, Oslo: Jernbaneverket, Bane Energi Kjos, B. et. al. 2000: Innføring i informasjonsteknologi, Trondheim: Tapir Akademiske Forlag Lund, J.F., Lorentzen, R. 1982: Strategisk ledelse, Oslo: Universitetsforlaget March, J.G. 1994: A primer on Decision Making - how decisions happen, New York: The Free Press Institutt for produksjons og kvalitetstekninkk, NTNU 61

76 Moen, J.V. 2005: Prestasjonsmåling av energiforbruk for tog, Prosjektoppgave ved Institutt for Produksjons- og Kvalitetsteknikk, NTNU Nielsen, J.B., Essen, H.P. & Boer, L.C. 2005: Tracks for saving energy, Delft, CE Petrochilos G.A. 2004: Managerial Economics, New York: Palgrave Macmillan Rolstadås, A., Andersen, B., Scgjølberg, P. 1999: Produksjons og driftsteknikk, Trondheim: Tapir forlag Samset, K. 2003: Project evaluation Making investment succeed, Trondheim: Tapir Academic Press Sassone, P.G., Martucci, M.V. 1983: Industrial energy conservation: the reason behind the decisions, Atlanta: Georgia Institute of Technology, Energy vol9. No. 5. pp SINTEF, 2002: Konsekvensanalyse og beslutningsstøtte i jernbaneplanlegging, Rapport av Olsson, N., Indbryn, M., Veiseth, M. for NSB Soibelmann, L., Asce M., Kim H. 2002: Data preparation Pocess for Construction Knowledge Generation through Knowledge Discovery in Databases : Journal of computing for civil engineering, vol. 16, No. 1, January 1 Tonn, B., Martin M. 1999: Industrial energy efficiency decision making, Oak Ridge: Oak Ridge National Laboratory, Energy Policy 28 (2000) Vestby, S.E. 2000: På tur med Signatur, enegibehov ved bruk av krengende togsett på Sørlandsbanen, Rapport fra Vestlandsforskning for NSB Wien, I. 2006: Energiforbruk Faktabasert innspill til produksjonsplanlegging, Prosjektoppgave ved Institutt for Produksjons- og Kvalitetsteknikk, NTNU Intervju/Samtaler Jan Vetle Moen, NSB drift Kent Kolnes, NSB IT drift Tore Tomasgard, NSB plan Sven Hjort Johansen, NSB plan John Ove Stensli, NSB plan Institutt for produksjons og kvalitetstekninkk, NTNU 62

77 Vedlegg A - Antall målepunkter for strekniningsanalyser Strekninger Kongsberg-Eidsvoll Eidsvoll-Kongsberg Spikestad-Moss Moss-Spikestad Tognr Målepunkt Tognr Målepunkt Tognr Målepunkt Tognr Målepunkt Sum Totalt 765 Måling Målepunkt Reelt Moss-Ski 57 Sim Moss-Ski 20 Institutt for produksjons og kvalitetstekninkk, NTNU i

78 B - De 28 mest lovende energisparende tiltakene fra Nilsen, Essen og Boer (2005) Institutt for produksjons og kvalitetstekninkk, NTNU ii

79 C - Togtabeller Institutt for produksjons og kvalitetstekninkk, NTNU iii

80 Institutt for produksjons og kvalitetstekninkk, NTNU iv

81 Institutt for produksjons og kvalitetstekninkk, NTNU v

FORSTUDIERAPPORT FOR MASTEROPPGAVE

FORSTUDIERAPPORT FOR MASTEROPPGAVE FORSTUDIERAPPORT FOR MASTEROPPGAVE BILDE 1: FAST TRACK POSITIVE EFFEKTER VED BRUK AV PREFABRIKERTE YTTERVEGGSELEMETER I LEILIGHETSKOMPLEKSER EINAR GRIMSTAD Institutt for bygg, anlegg og transport ved Norges

Detaljer

BA 2015 tilgjengeliggjør benchmarkingsprogram fra Construction Industry Institute alexander.smidt.olsen@metier.no

BA 2015 tilgjengeliggjør benchmarkingsprogram fra Construction Industry Institute alexander.smidt.olsen@metier.no BA 2015 tilgjengeliggjør benchmarkingsprogram fra Construction Industry Institute alexander.smidt.olsen@metier.no B A 2 0 1 5 - E N B A E - N Æ R I N G I V E R D E N S K L A S S E Hvem er BA 2015 og andre

Detaljer

Oppgave 1a Definer følgende begreper: Nøkkel, supernøkkel og funksjonell avhengighet.

Oppgave 1a Definer følgende begreper: Nøkkel, supernøkkel og funksjonell avhengighet. TDT445 Øving 4 Oppgave a Definer følgende begreper: Nøkkel, supernøkkel og funksjonell avhengighet. Nøkkel: Supernøkkel: Funksjonell avhengighet: Data i en database som kan unikt identifisere (et sett

Detaljer

Verktøy for design av forvaltningsrevisjonsprosjekter

Verktøy for design av forvaltningsrevisjonsprosjekter Verktøy for design av forvaltningsrevisjonsprosjekter Nasjonal fagkonferanse i offentlig revisjon 17-18 oktober 2006 Lillin Cathrine Knudtzon og Kristin Amundsen DESIGNMATRISE HVA HVOR- DAN GJENNOMFØR-

Detaljer

The building blocks of a biogas strategy

The building blocks of a biogas strategy The building blocks of a biogas strategy Presentation of the report «Background report for a biogas strategy» («Underlagsmateriale til tverrsektoriell biogass-strategi») Christine Maass, Norwegian Environment

Detaljer

Metodisk arbeid. Strukturert arbeidsmåte for å nå målet

Metodisk arbeid. Strukturert arbeidsmåte for å nå målet Metodisk arbeid Strukturert arbeidsmåte for å nå målet Strukturen Forarbeid - planleggingen Hvem, hva, hvor, når, hvorfor, hvordan.. Arbeid - gjennomføringen Utføre det planlagte operative arbeidet Etterarbeid

Detaljer

Effektivisering av store komplekse prosjektleveranser. Agnar Johansen Prosjektleder

Effektivisering av store komplekse prosjektleveranser. Agnar Johansen Prosjektleder Effektivisering av store komplekse prosjektleveranser Agnar Johansen Prosjektleder La oss begynne med konklusjonen Teknisk Ukeblad, 1. september 2014: Nytt forskningsprogram Norge kan godt, I har skal

Detaljer

Public roadmap for information management, governance and exchange. 2015-09-15 SINTEF david.norheim@brreg.no

Public roadmap for information management, governance and exchange. 2015-09-15 SINTEF david.norheim@brreg.no Public roadmap for information management, governance and exchange 2015-09-15 SINTEF david.norheim@brreg.no Skate Skate (governance and coordination of services in egovernment) is a strategic cooperation

Detaljer

Prosjektplan Bacheloroppgave 2014. - Hvordan kan Joker Gjøvik styrke sin markedsposisjon?

Prosjektplan Bacheloroppgave 2014. - Hvordan kan Joker Gjøvik styrke sin markedsposisjon? Prosjektplan Bacheloroppgave 2014 - Hvordan kan Joker Gjøvik styrke sin markedsposisjon? Amund Farås 23.01.2014 1 Innholdsfortegnelse Innhold 1 Innholdsfortegnelse... 2 2 Innledning... 3 3 Organisering...

Detaljer

Klimatesting av massivtreelementer

Klimatesting av massivtreelementer Norsk Treteknisk Institutt 3 Klimatesting av massivtreelementer Climate testing of solid wood elements Saksbehandler: Karl Harper og Knut Magnar Sandland Finansiering: Norges forskningsråd Dato: Juni 2009

Detaljer

GoOpen 2008 Oslo 8. april. Jernbaneverket Fri programvare i driftskritiske systemer. Ole Morten Killi ole.morten.killi@bouvet.

GoOpen 2008 Oslo 8. april. Jernbaneverket Fri programvare i driftskritiske systemer. Ole Morten Killi ole.morten.killi@bouvet. GoOpen 2008 Oslo 8. april Jernbaneverket Fri programvare i driftskritiske systemer Ole Morten Killi ole.morten.killi@bouvet.no Bouvet ASA Bouvet ASA Ca. 400 ansatte 8 kontorer Bouvets ambisjon er å være

Detaljer

Lærere som lærer. Elaine Munthe. Professor / Dekan Universitetet i Stavanger uis.no 26.10.2015

Lærere som lærer. Elaine Munthe. Professor / Dekan Universitetet i Stavanger uis.no 26.10.2015 Lærere som lærer Elaine Munthe Professor / Dekan Universitetet i Stavanger uis.no Plan for innlegget: Læreres profesjonelle læring i et kontinuum Kunnskaps- og kompetanseområder for lærere Hvordan fremme

Detaljer

Kundetilfredshetsundersøkelse FHI/SMAP

Kundetilfredshetsundersøkelse FHI/SMAP Kundetilfredshetsundersøkelse FHI/SMAP Sluttrapport pr. 20. April 2010 Alle 9 kunder av FHI s produksjonsavdeling for biofarmasøytiske produkter (SMAP) i perioden 2008-2009 mottok i januar 2010 vårt spørreskjema

Detaljer

HVORDAN KAN MÅLINGER BIDRA TIL FORBEDRING? ved Maria Fornes

HVORDAN KAN MÅLINGER BIDRA TIL FORBEDRING? ved Maria Fornes HVORDAN KAN MÅLINGER BIDRA TIL FORBEDRING? ved Maria Fornes 1 Agenda Hvorfor måle? Analysere data - statistisk prosesskontroll Hva skal måles, og hvordan? 2 Hva er en måling? -temperatur -blodtrykk -puls

Detaljer

Godsmagi. Ny teknologi gir nye løsninger for godstransport

Godsmagi. Ny teknologi gir nye løsninger for godstransport Godsmagi Ny teknologi gir nye løsninger for godstransport Oslo 17 november 2008 Ola Strandhagen, NTNU/SINTEF ola.strandhagen@sintef.no www.smartlog.no 1 2 3 masseproduksjon Toyota og Lean. Etterspørselsdrevet..en

Detaljer

Kostnadskalkyler og usikkerhetsanalyser i store industriprosjekt. Olav Torp Førsteamanuensis NTNU, Institutt for bygg, anlegg og transport

Kostnadskalkyler og usikkerhetsanalyser i store industriprosjekt. Olav Torp Førsteamanuensis NTNU, Institutt for bygg, anlegg og transport 1 Kostnadskalkyler og usikkerhetsanalyser i store industriprosjekt Olav Torp Førsteamanuensis NTNU, Institutt for bygg, anlegg og transport 2 Struktur på presentasjonen Litt om kostnadskalkyler Usikkerhetsanalyser

Detaljer

Digital transformasjon: Brutal, nødvendig, grensesprengende

Digital transformasjon: Brutal, nødvendig, grensesprengende Digital transformasjon: Brutal, nødvendig, grensesprengende Helge Skrivervik as helge@mymayday.com Dash Brukerforum 2015 Trondheim 15/10/15 Change - forandring Endring er ikke noe vi venter på, men noe

Detaljer

Kvalitative intervjuer og observasjon. Pensum: Jacobsen (2005), s. 141-163.

Kvalitative intervjuer og observasjon. Pensum: Jacobsen (2005), s. 141-163. Kvalitative intervjuer og observasjon Pensum: Jacobsen (2005), s. 141-163. Tema Individuelle dybdeintervjuer De fire fasene i intervjuprosessen De typiske fallgruvene Kjennetegn ved gode spørsmål Pålitelighet,

Detaljer

Viktige læringsaktiviteter

Viktige læringsaktiviteter Viktige læringsaktiviteter Læringsaktiviteter som dekkes av Aktiviteter Stille spørsmål. Utvikle og bruke modeller. = dekkes Planlegge og gjennomføre undersøkelser. Analysere og tolke data. Bruke matematikk,

Detaljer

Anna Krulatz (HiST) Eivind Nessa Torgersen (HiST) Anne Dahl (NTNU)

Anna Krulatz (HiST) Eivind Nessa Torgersen (HiST) Anne Dahl (NTNU) Multilingualism in Trondheim public schools: Raising teacher awareness in the English as a Foreign Language classroom Anna Krulatz (HiST) Eivind Nessa Torgersen (HiST) Anne Dahl (NTNU) Problemstilling

Detaljer

Samfunnsøkonomiske vurderinger av godsbilstørrelser i bysentrum

Samfunnsøkonomiske vurderinger av godsbilstørrelser i bysentrum Sammendrag: Samfunnsøkonomiske vurderinger av godsbilstørrelser i bysentrum TØI rapport 1182/2011 Forfattere: Olav Eidhammer, Jardar Andersen og Michael W J Sørensen Oslo 2011 72 sider Denne studien har

Detaljer

Rapporterer norske selskaper integrert?

Rapporterer norske selskaper integrert? Advisory DnR Rapporterer norske selskaper integrert? Hvordan ligger norske selskaper an? Integrert rapportering er å synliggjøre bedre hvordan virksomheten skaper verdi 3 Norske selskaper har en lang vei

Detaljer

PPP - Test av online tjenester. Precise point positioning - online processing. Halvor Vadder

PPP - Test av online tjenester. Precise point positioning - online processing. Halvor Vadder PPP - Test av online tjenester Precise point positioning - online processing Halvor Vadder services Institutt for Matematiske realfag og teknologi Masteroppgave 30 stp 2012 Forord Med denne oppgaven avslutter

Detaljer

STILLAS - STANDARD FORSLAG FRA SEF TIL NY STILLAS - STANDARD

STILLAS - STANDARD FORSLAG FRA SEF TIL NY STILLAS - STANDARD FORSLAG FRA SEF TIL NY STILLAS - STANDARD 1 Bakgrunnen for dette initiativet fra SEF, er ønsket om å gjøre arbeid i høyden tryggere / sikrere. Både for stillasmontører og brukere av stillaser. 2 Reviderte

Detaljer

Erfaringer med smidige metoder på store prosjekter i Telenor. Kristoffer Kvam, Strategic Project Manager, Portfolio & Projects, Telenor Norway

Erfaringer med smidige metoder på store prosjekter i Telenor. Kristoffer Kvam, Strategic Project Manager, Portfolio & Projects, Telenor Norway Erfaringer med smidige metoder på store prosjekter i Telenor Kristoffer Kvam, Strategic Project Manager, Portfolio & Projects, Telenor Norway Smidig metodikk brukt riktig kan gi store effekter. Her >30%

Detaljer

Multiconsults kjernevirksomhet er rådgivning og prosjektering

Multiconsults kjernevirksomhet er rådgivning og prosjektering Benchmarking Gode eksempler på effektiv benchmarking som virkemiddel i forbedringsprosesser Cases fra offentlig og privat virksomhet Bjørn Fredrik Kristiansen bfk@multiconsult.no Multiconsults kjernevirksomhet

Detaljer

KRITERIER FOR EVALUERING AV UNIVERSITETERS OG HØGSKOLERS KVALITETSSIKRINGSSYSTEM FOR UTDANNINGSVIRKSOMHETEN

KRITERIER FOR EVALUERING AV UNIVERSITETERS OG HØGSKOLERS KVALITETSSIKRINGSSYSTEM FOR UTDANNINGSVIRKSOMHETEN KRITERIER FOR EVALUERING AV UNIVERSITETERS OG HØGSKOLERS KVALITETSSIKRINGSSYSTEM FOR UTDANNINGSVIRKSOMHETEN Vedtatt av NOKUTs styre 5. mai 2003, sist revidert 25.01.06. Innledning Lov om universiteter

Detaljer

Språkleker og bokstavinnlæring

Språkleker og bokstavinnlæring FORSLAG OG IDEER TIL Språkleker og bokstavinnlæring POCOS hjelper barnet med språkutvikling og begrepsforståelse og er også nyttig til trening av øye-hånd-koordinasjon, fokus og konsentrasjon. POCOS fremmer

Detaljer

Av Thomas Welte, SINTEF Energi, Bjarne Børresen, Energi Norge

Av Thomas Welte, SINTEF Energi, Bjarne Børresen, Energi Norge Av Thomas Welte, SINTEF Energi, Bjarne Børresen, Energi Norge Sammendrag Rapporten oppsummerer resultatene fra forskningsprosjektet "System for tilstands- og levetidsrelaterte data for kraftsystemkomponenter

Detaljer

Risikostyring i et samfunnssikkerhetsperspektiv. Terje Aven Universitetet i Stavanger

Risikostyring i et samfunnssikkerhetsperspektiv. Terje Aven Universitetet i Stavanger Risikostyring i et samfunnssikkerhetsperspektiv Terje Aven Universitetet i Stavanger Samfunnssikkerhet Primært et spørsmål om fag? Primært et spørsmål om ledelse og politikk? Dagens ingeniører og økonomer

Detaljer

Innovasjonsvennlig anskaffelse

Innovasjonsvennlig anskaffelse UNIVERSITETET I BERGEN Universitetet i Bergen Innovasjonsvennlig anskaffelse Fredrikstad, 20 april 2016 Kjetil Skog 1 Universitetet i Bergen 2 Universitetet i Bergen Driftsinntekter på 4 milliarder kr

Detaljer

buildingsmart Norge seminar Gardermoen 2. september 2010 IFD sett i sammenheng med BIM og varedata

buildingsmart Norge seminar Gardermoen 2. september 2010 IFD sett i sammenheng med BIM og varedata buildingsmart Norge seminar Gardermoen 2. september 2010 IFD sett i sammenheng med BIM og varedata IFD International Framework for Dictionaries Hvordan bygges en BIM? Hva kan hentes ut av BIM? Hvordan

Detaljer

Er det god samfunnsøkonomi i å forebygge arbeidsulykker? Rådgiver Nils Henning Anderssen Direktoratet for arbeidstilsynet 24.10.

Er det god samfunnsøkonomi i å forebygge arbeidsulykker? Rådgiver Nils Henning Anderssen Direktoratet for arbeidstilsynet 24.10. Er det god samfunnsøkonomi i å forebygge arbeidsulykker? Rådgiver Nils Henning Anderssen Direktoratet for arbeidstilsynet 24.10.2006 Utgangspunkt hvorfor samfunnsøkonomiske vurderinger av forebygging?

Detaljer

PIM ProsjektInformasjonsManual Tittel: REDUKSJON AV FLUORIDEKSPONERING I ALUMINIUMINDUSTRIEN INKLUDERT GRUNNLAG FOR KORTTIDSNORM FOR FLUORIDER

PIM ProsjektInformasjonsManual Tittel: REDUKSJON AV FLUORIDEKSPONERING I ALUMINIUMINDUSTRIEN INKLUDERT GRUNNLAG FOR KORTTIDSNORM FOR FLUORIDER SLUTTRAPPORT Innhold 1. Innledning 1.1 Deltakere 1.2 Bakgrunn 1.3 Mål 1.4 Organisasjon 2. Oppsummering 3. Summary in English 4. Referanser/References 1. INNLEDNING 1.1 Deltakere Alcan á Ísland Alcoa Fjarðaál

Detaljer

Metodisk arbeid. Strukturert arbeidsmåte for å nå et bestemt mål

Metodisk arbeid. Strukturert arbeidsmåte for å nå et bestemt mål Metodisk arbeid Strukturert arbeidsmåte for å nå et bestemt mål Hva er en metode? En metode er et redskap, en fremgangsmåte for å løse utfordringer og finne ny kunnskap Metode kommer fra gresk, methodos:

Detaljer

Norsk (English below): Guide til anbefalt måte å printe gjennom plotter (Akropolis)

Norsk (English below): Guide til anbefalt måte å printe gjennom plotter (Akropolis) Norsk (English below): Guide til anbefalt måte å printe gjennom plotter (Akropolis) 1. Gå til print i dokumentet deres (Det anbefales å bruke InDesign til forberedning for print) 2. Velg deretter print

Detaljer

PLAN. INF5180 Produkt og prosessforbedring i systemutvikling DEL 5 Målsetninger og måling. Geir Amsjø. geirams@ifi.uio.no, geir.amsjo@spitia.

PLAN. INF5180 Produkt og prosessforbedring i systemutvikling DEL 5 Målsetninger og måling. Geir Amsjø. geirams@ifi.uio.no, geir.amsjo@spitia. PLAN ACT INF5180 Produkt og prosessforbedring i systemutvikling DEL 5 Målsetninger og måling Geir Amsjø geirams@ifi.uio.no, geir.amsjo@spitia.no DO CHECK Målsetningsbasert Måling Det vi måler må knyttes

Detaljer

Erfarenheter av Bilpooler i Oslo

Erfarenheter av Bilpooler i Oslo Erfarenheter av Bilpooler i Oslo Arne Lindelien Daglig leder i Bilkollektivet SA arne@bilkollektivet.no Bildeling anno 2025 Peder Ås bor i Oslo og har ikke privatbil Han vil reise på hytta en helg, og

Detaljer

Syscom Brukerforum 2013

Syscom Brukerforum 2013 Syscom Brukerforum 2013 «Måling med mening» Claus H. Karlsen Agenda Generelt rundt målinger og rapportering Hvorfor måler vi Den røde tråden Hvem trenger informasjon Tilvirking av målinger og rapporter

Detaljer

Hvordan kan man holde kontakten med venner eller familie? Kan du legge til noen ideer på listen? Sende tekstmeldinger. Sende (bursdags-)kort

Hvordan kan man holde kontakten med venner eller familie? Kan du legge til noen ideer på listen? Sende tekstmeldinger. Sende (bursdags-)kort Hold kontakten! Hvordan kan man holde kontakten med venner eller familie? Kan du legge til noen ideer på listen? Skrive brev Sende tekstmeldinger Ringe dem Sende e-post Sende (bursdags-)kort Koble seg

Detaljer

Forskningsmetoder i informatikk

Forskningsmetoder i informatikk Forskningsmetoder i informatikk Forskning; Masteroppgave + Essay Forskning er fokus for Essay og Masteroppgave Forskning er ulike måter å vite / finne ut av noe på Forskning er å vise HVORDAN du vet/ har

Detaljer

Å være forberedt. Veien til D-IKT 2.0. Helge Skrivervik mymayday.com as Drammensregionen IKT Intern-seminar Drammen 24/9/2014. mymayday.

Å være forberedt. Veien til D-IKT 2.0. Helge Skrivervik mymayday.com as Drammensregionen IKT Intern-seminar Drammen 24/9/2014. mymayday. Veien til D-IKT 2.0 Helge Skrivervik as Drammensregionen IKT Intern-seminar Drammen 24/9/2014 Å være forberedt Brukeren i førersetet Industrialisering Universell digitalisering Utfordringer ITs oppgaver

Detaljer

Presentasjon på FAGSEMINAR FORNYBAR ENERGI I SOGN OG FJORDANE. Høgskulebygget i Sogndal fredag 18.januar kl 10.30 15.30

Presentasjon på FAGSEMINAR FORNYBAR ENERGI I SOGN OG FJORDANE. Høgskulebygget i Sogndal fredag 18.januar kl 10.30 15.30 Orientering om energiforskningen ved Vestlandsforsking: Vår forskningsinnretning Eksempel på et nylig avsluttet prosjekt Søknad til det nye ENERGI.X programmet Presentasjon på FAGSEMINAR FORNYBAR ENERGI

Detaljer

Fakultet for informasjonsteknologi, Institutt for datateknikk og informasjonsvitenskap AVSLUTTENDE EKSAMEN I. TDT42378 Programvaresikkerhet

Fakultet for informasjonsteknologi, Institutt for datateknikk og informasjonsvitenskap AVSLUTTENDE EKSAMEN I. TDT42378 Programvaresikkerhet Side 1 av 5 NTNU Norges teknisk-naturvitenskapelige universitet BOKMÅL Fakultet for informasjonsteknologi, matematikk og elektroteknikk Institutt for datateknikk og informasjonsvitenskap AVSLUTTENDE EKSAMEN

Detaljer

Teknikk trening metodikk. Notater fra NSF Teknikk Seminaret 2007, Forelesningene til F. Gartner og R. Magill

Teknikk trening metodikk. Notater fra NSF Teknikk Seminaret 2007, Forelesningene til F. Gartner og R. Magill Teknikk trening metodikk Notater fra NSF Teknikk Seminaret 2007, Forelesningene til F. Gartner og R. Magill Gode ski løpere har en enorm kapasitet for tilpasning. Av 14 svinger: Simoncelli 8 Ligety 2

Detaljer

SFI-Norman presents Lean Product Development (LPD) adapted to Norwegian companies in a model consisting of six main components.

SFI-Norman presents Lean Product Development (LPD) adapted to Norwegian companies in a model consisting of six main components. Hovedoppgave Masteroppgave ved ved IMM Høsten 2013 Lean Product Development Stability Drivers. Identifying Environmental Factors that Affect Performance. SFI-Norman presents Lean Product Development (LPD)

Detaljer

Fra ord til handling Når resultatene teller!

Fra ord til handling Når resultatene teller! Fra ord til handling Når resultatene teller! Av Sigurd Lae, Considium Consulting Group AS Utvikling av gode ledelsesprosesser i et foretak har alltid til hensikt å sikre en resultatoppnåelse som er i samsvar

Detaljer

Stein Haugen Sjefsingeniør, Safetec Nordic Professor II, NTNU

Stein Haugen Sjefsingeniør, Safetec Nordic Professor II, NTNU 25 år 1984-2009 25 år 1984-2009 Stein Haugen Sjefsingeniør, Safetec Nordic Professor II, NTNU Stein.Haugen@safetec.no / Stein.Haugen@ntnu.no Basis for presentasjon Først og fremst offshore og erfaringer

Detaljer

TIDLIGFASE CASE. Hvilke erfaringer har de prosjekterende og entreprenørene? Svein

TIDLIGFASE CASE. Hvilke erfaringer har de prosjekterende og entreprenørene? Svein TIDLIGFASE CASE Hvilke erfaringer har de prosjekterende og entreprenørene? Svein CASE TIDLIGFASE Gjennomført totalt fem workshop med entreprenører og prosjekterende. Delvis hver for seg, delvis sammen

Detaljer

IT-ledelse 25.jan - Dagens

IT-ledelse 25.jan - Dagens IT-ledelse 25.jan - Dagens 1. Virksomheters anvendelse av IT-baserte informasjonssystemer 2. Alle nivåer i bedriftshierarkier støttes av informasjonssystemer Operasjonelt nivå, Mellomleder nivå, Toppledelse

Detaljer

Av David Karlsen, NTNU, Erling Tønne og Jan A. Foosnæs, NTE Nett AS/NTNU

Av David Karlsen, NTNU, Erling Tønne og Jan A. Foosnæs, NTE Nett AS/NTNU Av David Karlsen, NTNU, Erling Tønne og Jan A. Foosnæs, NTE Nett AS/NTNU Sammendrag I dag er det lite kunnskap om hva som skjer i distribusjonsnettet, men AMS kan gi et bedre beregningsgrunnlag. I dag

Detaljer

FM kompetanseutvikling i Statoil

FM kompetanseutvikling i Statoil FM kompetanseutvikling i Statoil Erick Beltran Business developer Statoil FM FM konferansen Oslo, 13 Oktober 2011 Classification: Internal (Restricted Distribution) 2010-06-06 Erick Beltran Ingenierio

Detaljer

SolidPlant er perfekt for deg som jobber med design av rørsystemer og anlegg, og er kjent med SolidWorks.

SolidPlant er perfekt for deg som jobber med design av rørsystemer og anlegg, og er kjent med SolidWorks. SolidPlant, det eneste virkelig spesifikasjonsstyrte anleggsdesign programmet for SolidWorks. Ved å kombinere intuitive parametrisk styrte SolidWorks med en sofistikert database for å generere alle komponenter

Detaljer

Praktiske løsninger med Microsoft Power BI. CIO Forum Analytics 10.12.14 Paul Andreas Osuldsen

Praktiske løsninger med Microsoft Power BI. CIO Forum Analytics 10.12.14 Paul Andreas Osuldsen Praktiske løsninger med Microsoft Power BI CIO Forum Analytics 10.12.14 Paul Andreas Osuldsen Agenda Introduksjon til Microsoft Power BI Kundecase 1: Mens vi venter på varehuset Kundecase 2: Kombinasjon

Detaljer

Kost-nytte innen sikkerhet: Hva er prisen, hva er verdien, og hvordan prioritere blant tiltak?

Kost-nytte innen sikkerhet: Hva er prisen, hva er verdien, og hvordan prioritere blant tiltak? Kost-nytte innen sikkerhet: Hva er prisen, hva er verdien, og hvordan prioritere blant tiltak? Aida Omerovic Seminar om kost-nytte analyse i en risikoevaluering 18. Feb. 2015 SINTEF Technology for a better

Detaljer

Prosjektplan. Atle Grov - 110695 Willy Gabrielsen - 110713 Einar tveit - 110804

Prosjektplan. Atle Grov - 110695 Willy Gabrielsen - 110713 Einar tveit - 110804 Prosjektplan Atle Grov - 110695 Willy Gabrielsen - 110713 Einar tveit - 110804 Økonomi og ledelse 2011-2014 Innholdsfortegnelse 1. Innledning Side 1 2. Organisering 2.1 Gruppen 2.2 Veileder 2.3 Ressurspersoner

Detaljer

IT Governance virksomhetsutvikling og innovasjon uten å miste kontroll (compliance)

IT Governance virksomhetsutvikling og innovasjon uten å miste kontroll (compliance) IT Governance virksomhetsutvikling og innovasjon uten å miste kontroll (compliance) Ragnvald Sannes (ragnvald.sannes@bi.no) Institutt for ledelse og organisasjon, Handelshøyskolen BI Hva er IT Governance

Detaljer

Ressurs Aktivitet Resultat Effekt

Ressurs Aktivitet Resultat Effekt Vedlegg 3 til internmelding om arbeidet med evaluering i UDI Hvordan utforme en evaluering? I dette vedlegget gir vi en beskrivelse av en evaluering kan utformes og planlegges. Dette kan benyttes uavhengig

Detaljer

En praktisk anvendelse av ITIL rammeverket

En praktisk anvendelse av ITIL rammeverket NIRF 17. april 2012 En praktisk anvendelse av ITIL rammeverket Haakon Faanes, CIA,CISA, CISM Internrevisjonen NAV NAVs ITIL-tilnærming - SMILI NAV, 18.04.2012 Side 2 Styring av tjenestenivå Prosessen omfatter

Detaljer

Hva er en innovasjon? Introduksjonsforelesning TIØ4258. Hvorfor er innovasjoner viktige? Hva er en innovasjon (II) Forslag?

Hva er en innovasjon? Introduksjonsforelesning TIØ4258. Hvorfor er innovasjoner viktige? Hva er en innovasjon (II) Forslag? 1 2 Hva er en innovasjon? Introduksjonsforelesning TIØ4258 Forslag? Ola Edvin Vie Førsteamanuensis NTNU 3 Hva er en innovasjon (II) Nye produkter Nye tjenester Nye prosesser og rutiner Nye ideer Nye markeder

Detaljer

PRODUKSJONSANALYSEN OG ORGANISERING AV FORBEDRINGSARBEID I HUNNEBECK - LAGER 10.04.08. Glenn A. Hole

PRODUKSJONSANALYSEN OG ORGANISERING AV FORBEDRINGSARBEID I HUNNEBECK - LAGER 10.04.08. Glenn A. Hole 1 PRODUKSJONSANALYSEN OG ORGANISERING AV FORBEDRINGSARBEID I HUNNEBECK - LAGER 10.04.08 2 INNHOLD Hva er en produksjonsanalyse? Eksempler og erfaringer fra utførte analyser Organisering og forankring av

Detaljer

Opplæringsmodul 5. for mellomstore og utviklede EPC markeder

Opplæringsmodul 5. for mellomstore og utviklede EPC markeder Opplæringsmodul 5. for mellomstore og utviklede EPC markeder EPC støttestrategi Project Transparense OVERSIKT OVER OPPLÆRINGSMODULER I. Grunnleggende EPC II. EPC prosess fra identifisering av prosjekt

Detaljer

System integration testing. Forelesning Systems Testing UiB Høst 2011, Ina M. Espås,

System integration testing. Forelesning Systems Testing UiB Høst 2011, Ina M. Espås, System integration testing Forelesning Systems Testing UiB Høst 2011, Ina M. Espås, Innhold Presentasjon Hva er integration testing (pensum) Pros og cons med integrasjonstesting Når bruker vi integration

Detaljer

Nærings-PhD i Aker Solutions

Nærings-PhD i Aker Solutions part of Aker Motivasjon og erfaringer Kristin M. Berntsen/Soffi Westin/Maung K. Sein 09.12.2011 2011 Aker Solutions Motivasjon for Aker Solutions Forutsetning Vilje fra bedrift og se nytteverdien av forskning.

Detaljer

Planning & Forecasting. retning / ansvar / verdi

Planning & Forecasting. retning / ansvar / verdi Planning & Forecasting retning / ansvar / verdi RAV Norge AS Hvem er vi? Spesialister på løsninger innen: Business intelligence and analytics Data visualization and discovery Performance management 44

Detaljer

Fra innkjøpsstrategi til handling et rammeverk som sikrer effektiv og vellykket gjennomføring

Fra innkjøpsstrategi til handling et rammeverk som sikrer effektiv og vellykket gjennomføring Mange organisasjoner opplever i dag et gap mellom strategiske innkjøpsmål og operativ handling. Det gjennomføres en rekke initiativer; herunder kategoristyring, leverandørhåndtering og effektivitet i innkjøpsprosessene

Detaljer

God formidling avgjørende for å oppnå resultater? (Hvor vil du sette fokus?) Fagseminar Agronomi. Thon Hotel Norslys Bodø - 20 oktober 2011

God formidling avgjørende for å oppnå resultater? (Hvor vil du sette fokus?) Fagseminar Agronomi. Thon Hotel Norslys Bodø - 20 oktober 2011 God formidling avgjørende for å oppnå resultater? (Hvor vil du sette fokus?) Fagseminar Agronomi Thon Hotel Norslys Bodø - 20 oktober 2011 Odd.A.Thunberg@uit.no Consommé royal 2 Bakgrunn Formidling = Få

Detaljer

EURES - en tjeneste i Nav. Hjelp til rekruttering av europeisk arbeidskraft

EURES - en tjeneste i Nav. Hjelp til rekruttering av europeisk arbeidskraft EURES - en tjeneste i Nav Hjelp til rekruttering av europeisk arbeidskraft HVA ER EURES? EURES (European Employment Services) er NAV sin europeiske avdeling Samarbeid mellom EU-kommisjonen og arbeidsmarkedsmyndighetene

Detaljer

Veiledning for utarbeidelsen av økonomiske analyser som fremlegges for Konkurransetilsynet

Veiledning for utarbeidelsen av økonomiske analyser som fremlegges for Konkurransetilsynet Rev.dato: 16.12.2009 Utarbeidet av: Konkurransetilsynet Side: 1 av 5 Innhold 1 BAKGRUNN OG FORMÅL... 2 2 GENERELLE PRINSIPPER... 2 2.1 KLARHET OG TRANSPARENS... 2 2.2 KOMPLETTHET... 2 2.3 ETTERPRØVING

Detaljer

Den største endringen i menneskehetens historie!

Den største endringen i menneskehetens historie! IT 2.0: Overgang til undergang for IT? En strategi for overlevelse Helge Skrivervik as DnD IT-leder konferanse Oslo 7/10/2014 Analog Digital Den største endringen i menneskehetens historie! Gigantisk sprang

Detaljer

KONGSBERG MARITIME AS Simulation & Training Tone-Merete Hansen Area Sales Manger

KONGSBERG MARITIME AS Simulation & Training Tone-Merete Hansen Area Sales Manger KONGSBERG MARITIME AS Simulation & Training Tone-Merete Hansen Area Sales Manger KONGSBERG Simulation & Training Simulator Business Unit A brief introduction: Who KONGSBERG s Simulation & Training business

Detaljer

Prosjektstyring, metodikk og løsningsutforming for SAP prosjekter. Sveinung Gehrken Fram

Prosjektstyring, metodikk og løsningsutforming for SAP prosjekter. Sveinung Gehrken Fram Prosjektstyring, metodikk og løsningsutforming for SAP prosjekter Sveinung Gehrken Fram Til diskusjon Hva kjennetegner vellykkede SAP prosjekter? Hvilken metodikk skal man velge? Noen tanker om løsningsvalg

Detaljer

NSG seminar om forskningsfinansiering og fordelingsmekanismer innen medisinsk og helsefaglig forskning

NSG seminar om forskningsfinansiering og fordelingsmekanismer innen medisinsk og helsefaglig forskning NSG seminar om forskningsfinansiering og fordelingsmekanismer innen medisinsk og helsefaglig forskning Clarion Hotel Oslo Airport, Gardermoen, 3. november 2010 Magnus Gulbrandsen, professor, Senter for

Detaljer

Risikovurdering av elektriske anlegg

Risikovurdering av elektriske anlegg Risikovurdering av elektriske anlegg NEK Elsikkerhetskonferanse : 9 november 2011 NK 64 AG risiko Fel 16 Hvordan gjør de det? Definisjon av fare Handling eller forhold som kan føre til en uønsket hendelse

Detaljer

Miljø og kjemi i et IT-perspektiv

Miljø og kjemi i et IT-perspektiv Miljø og kjemi i et IT-perspektiv Prosjektrapporten av Kåre Sorteberg Halden mars 2008 Side 1 av 5 Innholdsfortegnelse Innholdsfortegnelse... 2 Prosjektrapporten... 3 Rapportstruktur... 3 Forside... 3

Detaljer

Russisk fiske av torsk og hyse 2006. Statusrapport

Russisk fiske av torsk og hyse 2006. Statusrapport Russisk fiske av torsk og hyse 2006 Statusrapport Mars 2007 INNHOLD 1 Innledning 2 Aktiviteten 2.1 Antall turer 3 Metode 3.1 Klassifisering 3.2 Registrert kvantum 3.3 Beregnet uttak 3.3.1 Beregning nr

Detaljer

Samarbeid for å dyrke beste praksis - internt og eksternt Nøkkeltall og benchmarking Erfaringer

Samarbeid for å dyrke beste praksis - internt og eksternt Nøkkeltall og benchmarking Erfaringer Samarbeid for å dyrke beste praksis - internt og eksternt Nøkkeltall og benchmarking Erfaringer Kompetanse for bedre eiendomsforvaltning Kursdagene NTNU 7-8 januar 2010 Norges Bygg- og Eiendomsforening

Detaljer

Interaction between GPs and hospitals: The effect of cooperation initiatives on GPs satisfaction

Interaction between GPs and hospitals: The effect of cooperation initiatives on GPs satisfaction Interaction between GPs and hospitals: The effect of cooperation initiatives on GPs satisfaction Ass Professor Lars Erik Kjekshus and Post doc Trond Tjerbo Department of Health Management and Health Economics

Detaljer

Dagens. Faglærers bakgrunn IMT 1321 IT-LEDELSE. Faglærer : Tom Røise 11.Jan. 2010. IMT1321 IT-Ledelse 1

Dagens. Faglærers bakgrunn IMT 1321 IT-LEDELSE. Faglærer : Tom Røise 11.Jan. 2010. IMT1321 IT-Ledelse 1 Dagens Presentasjon av lærer Presentasjon av emnet Fremdriftsplan for emnet IT-systemenes rolle i virksomheter - modell over sentrale sammenhenger - 6 strategiske forretningsmål som bakgrunn for innføring

Detaljer

IMT 1321 IT-Ledelse IMT 1321 IT-LEDELSE IMT 1321 IT-LEDELSE. Faglærer : Tom Røise 13.Jan. 2011. IMT1321 IT-Ledelse 1. Dagens :

IMT 1321 IT-Ledelse IMT 1321 IT-LEDELSE IMT 1321 IT-LEDELSE. Faglærer : Tom Røise 13.Jan. 2011. IMT1321 IT-Ledelse 1. Dagens : IMT 1321 IT-Ledelse Dagens : Kort presentasjon av faglærer Presentasjon av emnet IT-systemer hva benyttes og hvorfor? IT-systemenes plass i virksomhetene Forsmak på enkelttemaer vi tar for oss og fremdriftsplan

Detaljer

Administrasjon av postnummersystemet i Norge Post code administration in Norway. Frode Wold, Norway Post Nordic Address Forum, Iceland 5-6.

Administrasjon av postnummersystemet i Norge Post code administration in Norway. Frode Wold, Norway Post Nordic Address Forum, Iceland 5-6. Administrasjon av postnummersystemet i Norge Frode Wold, Norway Post Nordic Address Forum, Iceland 5-6. may 2015 Postnumrene i Norge ble opprettet 18.3.1968 The postal codes in Norway was established in

Detaljer

Vekeplan 4. Trinn. Måndag Tysdag Onsdag Torsdag Fredag AB CD AB CD AB CD AB CD AB CD. Norsk Matte Symjing Ute Norsk Matte M&H Norsk

Vekeplan 4. Trinn. Måndag Tysdag Onsdag Torsdag Fredag AB CD AB CD AB CD AB CD AB CD. Norsk Matte Symjing Ute Norsk Matte M&H Norsk Vekeplan 4. Trinn Veke 39 40 Namn: Måndag Tysdag Onsdag Torsdag Fredag AB CD AB CD AB CD AB CD AB CD Norsk Engelsk M& Mitt val Engelsk Matte Norsk Matte felles Engelsk M& Mitt val Engelsk Norsk M& Matte

Detaljer

www.steria.no 08.09.2011 1 Konfidensiell - Navn på presentasjon.ppt

www.steria.no 08.09.2011 1 Konfidensiell - Navn på presentasjon.ppt 08.09.2011 1 Konfidensiell - Navn på presentasjon.ppt En praktisk tilnærming til tjenestekatalog Svein Erik Schnell, Senior Consultant Steria AS Tine Hedelund Nielsen, Consultant Steria AS Steria Agenda

Detaljer

Kompetanse omfang og nivå

Kompetanse omfang og nivå Læring i If Kompetanse omfang og nivå HR: Kompetanseområder Kompetansenivå Kompetansekartleggingsverktøy Industri Commercial Privat If Future Employee Basic Advanced Spesialist If Future Employee - funksjonsbasert

Detaljer

Balansert Målstyring (1. generasjons BMS)

Balansert Målstyring (1. generasjons BMS) Balansert Målstyring (1. generasjons BMS) 1 Innhold Balansert Målstyring i offentlig sektor sektor Historien bak Balansert Målstyring Elementene i styringsverktøyet Styringskortet Suksessfaktorer Litteratur:

Detaljer

Eksamensoppgave i SØK2008 Offentlig økonomi

Eksamensoppgave i SØK2008 Offentlig økonomi Institutt for samfunnsøkonomi Eksamensoppgave i SØK2008 Offentlig økonomi Faglig kontakt under eksamen: Fredrik Carlsen Tlf.: 73 59 19 31 Eksamensdato: 9. desember 2015 Eksamenstid (fra-til): 4 timer (09.00-13.00)

Detaljer

// Translation // KLART SVAR «Free-Range Employees»

// Translation // KLART SVAR «Free-Range Employees» // Translation // KLART SVAR «Free-Range Employees» Klart Svar is a nationwide multiple telecom store, known as a supplier of mobile phones and wireless office solutions. The challenge was to make use

Detaljer

RUTEPLANLEGGINGSSYSTEM BRUKERVEILEDNING

RUTEPLANLEGGINGSSYSTEM BRUKERVEILEDNING RUTEPLANLEGGINGSSYSTEM BRUKERVEILEDNING Prosjekt 18 Jørgen Mobekk Sørensen Morten Evje Tor Andreas Baakind Anders Gabrielsen Side 1 1 FORORD Dette dokumentet er brukerveiledningen, og skal være en veiledning

Detaljer

Energihandel og miljø 2020 Resultater fra delprosjekt III. Strömstad november 2012 Stig Ødegaard Ottesen

Energihandel og miljø 2020 Resultater fra delprosjekt III. Strömstad november 2012 Stig Ødegaard Ottesen Energihandel og miljø 2020 Resultater fra delprosjekt III Strömstad november 2012 Stig Ødegaard Ottesen Innhold Delprosjekt III ihht søknaden Utførte aktiviteter og oppnådde resultater Erfaringer 2 Hva

Detaljer

Juridiske aspekter ved publisering i åpne institusjonelle arkiv

Juridiske aspekter ved publisering i åpne institusjonelle arkiv Juridiske aspekter ved publisering i åpne institusjonelle arkiv Professor dr juris Olav Torvund Publisering i åpne institusjonelle arkiv Førstegangspublisering Masteroppgaver Doktoravhandlinger (?) Grålitteratur

Detaljer

Kognitiv og Organisasjons ergonomi, praktiske eksempler. Knut Inge Fostervold Psykologisk Institutt, Universitetet i Oslo

Kognitiv og Organisasjons ergonomi, praktiske eksempler. Knut Inge Fostervold Psykologisk Institutt, Universitetet i Oslo Kognitiv og Organisasjons ergonomi, praktiske eksempler Knut Inge Fostervold Psykologisk Institutt, Universitetet i Oslo Kognitiv ergonomi Menneske Maskin systemet er det primære innenfor kognitiv ergonomi.

Detaljer

OptioFM AS. Rådgivere med kompetanse med fokus på FDVU, tilhørende virksomhetsprosesser og effektiv anvendelse av støtteverktøy

OptioFM AS. Rådgivere med kompetanse med fokus på FDVU, tilhørende virksomhetsprosesser og effektiv anvendelse av støtteverktøy 1 OptioFM AS Rådgivere med kompetanse med fokus på FDVU, tilhørende virksomhetsprosesser og effektiv anvendelse av støtteverktøy FDVU faglig bistand Strukturering og standardisering, utarbeidelse av retningslinjer/spesifikasjoner,

Detaljer

Nye krav i ISO 9001, hvilke er de og hvordan implementere disse i TQM? Ragna Karoline Aasen

Nye krav i ISO 9001, hvilke er de og hvordan implementere disse i TQM? Ragna Karoline Aasen Nye krav i ISO 9001, hvilke er de og hvordan implementere disse i TQM? Ragna Karoline Aasen IMPLEMENTERINGSPLAN September 2015 ISO 9001:2015 publiseres Høst 2015 Akkreditering av sertifiseringsorganene

Detaljer

DIGITAL KOMMUNIKASJON

DIGITAL KOMMUNIKASJON DIGITAL KOMMUNIKASJON EIRIK NORMAN HANSEN 99 52 35 57 "Good evening. Today is Good Friday. There is no news today." AGENDA Hva vet vi nå? Hva handler det om? Verdiøkning i kontaktpunktene Digital

Detaljer

Sikkerhetskultur. Fra måling til forbedring. Jens Chr. Rolfsen 301012

Sikkerhetskultur. Fra måling til forbedring. Jens Chr. Rolfsen 301012 Fra måling til forbedring Jens Chr. Rolfsen Innhold Perspektiver på sikkerhet Rammeverk for vurdering av sikkerhetskultur Et praktisk eksempel Kultur og endringsevne 2 Perspektiver på sikkerhet Sikkerhet

Detaljer

UNIVERSITETET I OSLO ØKONOMISK INSTITUTT

UNIVERSITETET I OSLO ØKONOMISK INSTITUTT UNIVERSITETET I OSLO ØKONOMISK INSTITUTT Bokmål Eksamen i: ECON1210 Forbruker, bedrift og marked Exam: ECON1210 Consumer Behaviour, Firm behaviour and Markets Eksamensdag: 12.12.2014 Sensur kunngjøres:

Detaljer

Samarbeid for å dyrke

Samarbeid for å dyrke Samarbeid for å dyrke beste praksis ki i Norges Bygg og Eiendomsforening FM KONFERANSEN 2009 Norges Bygg og Eiendomsforening Studiesjef NBEF Styret Daglig leder / sekretariat Kunnskapsdeling Felles talerør

Detaljer

Finansiell analyse og modellering for strategiske og finansielle beslutninger

Finansiell analyse og modellering for strategiske og finansielle beslutninger Finansiell analyse og modellering for strategiske og finansielle beslutninger Financial Advisory November 2012 Vi skreddersyr finansielle analyser for våre klienter Deloitte finansiell analyse og modellering

Detaljer

Standard hva er nå det?

Standard hva er nå det? Veiledning i om NS-ISO 26000 Hege Thorkildsen hth@standard.nono Handelshøyskolen BI 2. februar 2011 Handelshøyskolen BI - 2. februar 2011 1 Standard hva er nå det? Beskriver et produkt et system en arbeidsprosess

Detaljer

En metodologisk studie av ulykkesgransking med Driving Reliability and Error Analysis Method (DREAM)

En metodologisk studie av ulykkesgransking med Driving Reliability and Error Analysis Method (DREAM) Sammendrag: TØI-rapport 912/2007 Forfatter: Fridulv Sagberg Oslo 2007, 50 sider En metodologisk studie av ulykkesgransking med Driving Reliability and Error Analysis Method (DREAM) Denne undersøkelsen

Detaljer