Use Case

DATENANALYSE UND PREDICTIVE MAINTENANCE FÜR SCHIENENFAHRZEUGE

Gemeinsam mit optiMEAS entwickelt die DB Systemtechnik GmbH ein Predictive-Maintenance-System mit dem Ziel, den „Gesundheitszustand“ relevanter Antriebskomponenten von ICEs vorhersagen und in den Depots und Werkstätten gezielt Instandhaltungsarbeiten einzuplanen zu können.

Dazu wurden in verschiedenen ICEs der Deutschen Bahn smartRAIL-Erfassungssysteme in Verbindung mit smartI/O-Modulen von optiMEAS installiert. Die Messdaten werden mit hohen Abtastraten erfasst und in der zentralen Cloud (optiCLOUD, bei der DB FALKOS genannt) als Historiendaten für Analysen bereitgestellt.

Jeden Tag kommen rund 50 Gigabyte an Daten zusammen. Um diese Menge an „Big Data“ entsprechend der Modelle verrechnen zu können, wird bei der DB ein Analyse-Cluster auf Hadoop-Basis zur parallelen Verarbeitung genutzt. Dabei kommen aktuelle Methoden für Machine und Deep Learning und die Parameterbestimmung für neuronale Netze zum Einsatz. Technologisch stehen Open-Source-Frameworks wie Tensorflow oder Keras dahinter.

Um künstliche Intelligenz in der Praxis anwenden zu können, ist die vielleicht wichtigste Komponente das Domänenwissen aus den Fach­abteilungen und Werkstätten. Das ist auch die Erfahrung der Ingenieure der DB System­technik: Erst durch Kombination von Mathematik, IT und Anwendungswissen können Muster identifiziert werden, die erlauben, Anomalien zu erkennen und Empfehlungen für die Instandhaltung zu geben.