In this paper, a statistical method is developed to improve predictive maintenance on railway track. The problem tackled is being able to predict when the next maintenance event should take place to guarantee a certain track quality class. To solve the problem, The prediction is made using track measurement data exclusively, with no maintenance history to support the data analysis. The dataset consists of track measurements taken over eleven years and 170 kilometres on the Bothnia line in Northern Sweden. Different track degradation models and machine learning approaches are discussed and implemented. In the end, the tool developed was able to predict track degradation with an error within reasonable bounds of the typical maintenance limit. This will allow an operator to predict the recommended date for the next maintenance event at all locations using only historical track measurements as an input and little to no user intervention on the programme.

I denna uppsats utvecklas en statistisk metod för att förbättra förebyggande underhåll av järnvägsspår. Det problem som utreds är att kunna förutsäga när nästa underhållsarbete bör äga rum för att garantera en viss kvalitetsklass på spåret. För att lösa problemet användes endast spårmätningar utan någon underhållshistorik som stöd för dataanalysen. Data består av spårmätningar som utförts under elva år och 170 kilometer på Botniabanan i norra Sverige. Olika modeller för spårförsämring och metoder för maskininlärning diskuteras och implementeras. I slutändan så kunde det utvecklade verktyget förutsäga spårets nedbrytning med ett fel som låg inom rimliga gränser av den typiska underhållsgränsen. Sammanfattningsvis så kommer detta att göra det möjligt för en operatör att förutsäga det rekommenderade datumet för nästa underhållsarbete på alla platser med endast historiska spårmätningar som indata och med liten eller ingen användarintervention i programmet.