Kunstig intelligens

Samarbejde sikrer færre nedbrud på din netforbindelse

En matematisk model og en ny måde at vedligeholde det kablede netværk er et af flere gode resultater fra et samarbejde mellem DTU og TDC NET. Målet var at reducere virksomhedens kørsel, men har også medført et mere stabilt net.

Mand reparerer en fibernetfordeler
 En tekniker reparerer en fibernetfordeler. Foto: Peter Theglev, FinalEyes.

Fakta

Projektet startede i 2021 og er afsluttet i 2025. 

Deltagere: TDC NET, DTU og QAMPO. 

Budget: 30 millioner kr. Innovationsfonden har investeret 15 millioner kr. i projektet. 

Mål: Ved hjælp af kunstig intelligens og decision science-teknologi at udvikle nye løsninger og software, der kan forbedre den intelligente styring af bilflåder. TDC NET forventer at kunne reducere antal kørte kilometer med 25 %. 

Softwareløsningen skal også tilbydes andre virksomheder og institutioner med en stor bilflåde.

Netværksstøj afslører behov for vedligehold

Reduktionen af kørslen er i første omgang sket ved at bruge eksisterende overvågningsdata på en ny måde. TDC NET måler hele tiden på kabelnetværket og kan på den måde se, når der sker ændringer i de elektriske spændinger.

”Vi kalder det netværksstøj og har udviklet en AI-model, der kan forudsige, hvornår der på baggrund af støjen er behov for vedligeholdelse af nettet,” siger Mads Bossen Hansen.

Støj kan opstå af mange årsager. Det kan være skiftende vejrforhold eller noget så simpelt som, at kablerne i de skabe, der forbinder netværksledningerne, er placeret nær en vej med kraftig trafik, hvilket forårsager vibrationer. Over tid kan disse vibrationer eller vejrforhold løsne kablerne, hvilket til sidst resulterer i, at forbindelsen bliver forringet eller går helt tabt.

”Løse ledninger medfører ændringer i spændingerne. Den diskrepans kan vi bruge til at forudse, hvornår det er nødvendigt at sende en tekniker ud for at skrue kablerne fast, inden de går helt løs, og forbindelsen bliver forringet eller afbrudt og fejlmeldt af en eller potentielt mange kunder,” siger Mads Bossen Hansen.

Det er TDC NET, der har barslet med ideen til modellen, som er blevet videreudviklet sammen med DTU. Herefter var den næste store opgave at få implementeret løsningen i TDC NET.

”Vores teknikere var tidligere vant til først at køre ud til opgaver, når en kunde for eksempel havde fejlmeldt en internetforbindelse. Men nu skal de ud til opgaver, hvor der endnu ikke er sket en fejl. Det betyder både, at planlæggerne og teknikerne skal ændre deres mindset, ligesom de er nødt til at notere, hvad de helt konkret reparerer, så vi kan indsamle erfaringer og bruge dem fremadrettet til vedligeholdelsesopgaverne,” siger Mads Bossen Hansen.

I dag har TDC NET fuldt ud taget den nye model i brug, hvor problemerne bliver løst, før de opstår. Den nye tilgang til vedligeholdelse er en del af årsagen til, at kørselsbehovet er blevet reduceret, og til at færre kunder i dag oplever nedbrud af nettet.

Inddeling i pizza slices skal reducere kørslen yderligere

Et andet resultat af samarbejdet med DTU kan blive anvendt, når TDC NET inden længe får et nyt it-system, der kan håndtere opgaven.

DTU har på baggrund af historiske data udarbejdet en matematisk model for, hvordan det fremover er muligt at begrænse den del af TDC NETs kørsel, der består af serviceopgaver. Altså ikke kørslen til akutte nedbrud, men til kunder, der for eksempel skifter netudbyder eller ønsker en ny tv-pakke.

”Vi har samkørt data for kørsel til serviceopgaver med de akutte opgaver, der dukker op i løbet af en dag, og som skal løses af de samme teknikere,” fortæller professor David Pisinger, DTU.

”Data er brugt til at beregne en løsning, der deler en region op i forskellige slices som en pizza eller et skivet brød. I et slice vil der for eksempel kun blive udført serviceopgaver om mandagen, i et andet slice om tirsdagen osv. Samtidig skulle slicene inddeles, så det altid er muligt at dække akutopgaver i hele ’pizza-området’.”

Puslespil af opgaver der skal tages hensyn til

Som testcase brugte forskerne Fyn. De gennemførte en lang række simuleringer af mulige sliceinddelinger, der blev afprøvet og efterfølgende optimeret. Herefter fulgte nye simuleringer, optimeringer og så videre, indtil de havde forfinet den algoritme, der kan angive den bedste måde at slice et område på, i den konkrete test altså Fyn.

”Ved at inddele en region i slices, kan vi begrænse kørslen med omkring 10 % ved blot at ændre, hvor ofte serviceopgaverne bliver udført –uden at det går ud over kørslen til akutopgaverne. Det kan lyde som en enkel løsning, men har krævet simulering af mange måneders kørsel for at kunne udforme det. Systemet skal nemlig også håndtere, at kørsler til serviceopgaver i et slice-område pludselig skal tage sig af akutte nedbrud og efterfølgende skal genoptages, hvor de slap. Det er et kæmpe puslespil, der skal gå op,” forklarer David Pisinger.

Den udviklede algoritme er udarbejdet på en måde, så TDC NET kan indføje historiske data fra kørsel i alle områder af Danmark, når de får et nyt it-program, og på den måde indarbejde de rette slices til vedligeholdelsesopgaver i de enkelte regioner.

Mads Bossen Hansen glæder sig, til det bliver muligt at implementere også dette resultat af projektet.

”Det er fantastisk, hvordan vi ved at fokusere på at nedbringe kørslen og inddrage den nyeste forskning har kunnet komme så langt. Vi håber stadig at kunne indfri vores ambitiøse mål om at skære 25% af vores samlede kørsel med hjælp fra den solide forskning, der er blevet lavet. Fra projektets side som helhed håber vi også, at denne forskning kan hjælpe andre virksomheder og institutioner, der har større bilflåder, med at reducere deres kørsel.”

Fakta

 

Softwarevirksomheden Qampo deltog som tredje part i Greenforce-projektet. Målet var, at virksomheden udviklede et system til intelligent planlægning af transport, som skulle kunne anvendes inden for flere forskellige brancher. Det software system, Qampo udviklede i projektet, anvendes ikke af TDC NET, men bliver for eksempel brugt af hjemmeplejen. (Pondoo er den del af Qampo, der arbejder med hjemmepleje).

Kommune sparer 44 procent af køretiden i ældreplejen med kunstig intelligens | Indland | DR


Fakta

Nielsen, C. C., & Pisinger, D. (2023). Tactical planning for dynamic technician routing and scheduling problems. Transportation Research Part E: Logistics and Transportation Review, 177, 103225.

Rasmussen, T. E., Sørensen, S., Pisinger, D., Jørgensen, T. M., & Baum, A. (2025). Topology reconstruction in telecommunication networks: Embedding operations research within deep learning. Computers & Operations Research, 176, 106960.

Gamst, M., & Pisinger, D. (2024). Decision support for the technician routing and scheduling problem. Networks, 83(1), 169-196.

Kontakt

David Pisinger

David Pisinger Professor Institut for Teknologi, Ledelse og Økonomi Telefon: 45254555

Mads Bossen Hansen AI Product Manager TDC NET