Das Industrie-4.0-Zeitalter ist auf der Schiene angekommen

Maschinen- und Anlagenbauer beschäftigen sich schon seit längerer Zeit mit Predictive Maintenance  – der modernen Art, Störungen schon weit vor ihrem eigentlichen Eintritt auf den Leim zu gehen. Siemens Mobility hat das Konzept nun erfolgreich für den Schienenverkehr umgesetzt. Es bietet das Potenzial, eine Art Modellcharakter für die gesamte Transportbranche einzunehmen.

Hand aufs Herz: Wer hat sich im S-Bahn-Verspätungstrubel nicht schon einmal Gedanken darüber gemacht, ob es möglich ist, den Zugverkehr vollständig beherrschbar zu machen? Auch Siemens Mobility hat in diese Fragestellung in den letzten Jahren viel Zeit investiert. Nun hat das Unternehmen einen intelligenten Lösungsansatz vorgestellt, der sich physikalischen Zusammenhängen, komplizierten mathematischen Algorithmen und modernen Big-Data-Analysemethoden bedient. Im Lokomotiven-Werk am Münchener Standort Allach betreibt der Konzern seit gut zwei Jahren eine Art Datenlabor, mit dessen Hilfe die Mitarbeiter Fehler im Bahnbetrieb erkennen können – und zwar im Idealfall schon mehrere Wochen bevor ausfallverursachende Schäden im Getriebe, am Fahrwerk oder anderen Zugkomponenten zum Leidwesen von Reisenden und Handelsgütern zum Tragen kommen.

Siemens befasst sich mit den Fragen rund um die Performance-Verbesserung des Schienenverkehrs nicht ohne Grund. In dem historischen Industriekomplex am Rande von München ist das Unternehmen nicht nur darauf spezialisiert, tonnenweise Stahl, Kabelstränge und High-Tech-Komponenten in einem großenteils noch auf Handarbeit beruhenden Prozess zu hochmodernen Lokomotiven zusammenzubauen. Siemens übernimmt dort für Bahnbetreiber sowie für deren Vermietungs- und Leasinggesellschaften gleichzeitig auch die regelmäßig anfallenden Wartungs- und Instandhaltungsarbeiten. Und hier gilt die gleiche Devise, wie in jedem betriebswirtschaftlich organisierten Krankenhausbetrieb:  Die gute Vorbereitung aller notwenigen Arbeitsschritte soll für exakt ineinander übergreifende Prozesse und eine möglichst kurze Verweildauer der Patienten sorgen.

Ausfallzeiten drehen an der Kostenschraube
Schon im Vorfeld konkret zu wissen, welche Arbeiten an einem in die Werkstatt rollenden Zug verrichtet werden müssen? Das ist jedoch längst nicht nur für Siemens als Wartungsbetrieb von hohem Interesse. Auch die Bahnbetreiber profitieren in erheblichem Maße von der auf den Fortschritten im Bereich der künstlichen Intelligenz aufbauenden Service-Methode. Denn nicht nur der Bahnbetrieb an sich verschlingt einiges Geld. Auch durch die Anschaffung der Schienenfahrzeuge entstehen Millionenkosten. Die meisten Bahngesellschaften sind im zurückliegenden Jahrzehnt deshalb dazu übergegangen, ihren Bestand an Ersatzfahrzeugen erheblich herunterzufahren.

Jede Minute, die ein Zug wegen unerwarteter technischer Probleme auf offener Strecke verbringt, wirkt in dem System wie ein zusätzlicher Kostentreiber. Besonders im Güterverkehr können durch störungsbedingte Wartezeiten gravierende Folgen entstehen. Nicht selten kommt es vor, dass aufgrund der Vorfahrtsregel für Personenzüge bereits kleinste Verzögerungen im Minutenbereich mehrtägige Standzeiten und kostenschwere Regressansprüche nach sich ziehen. Im Service-Konzept von Siemens spielt deshalb nicht nur die Planbarkeit von Werkstattaufenthalten, sondern auch die verlässliche Ausfallprognostik eine zentrale Rolle. „Unser Konzept zielt darauf ab, dem Bahnbetreiber mitzuteilen, wann genau ein bestimmtes Bauteil ausgetauscht werden muss ”, sagt Johannes Emmelheinz, der bei Siemens Mobility für das komplette Dienstleistungsspektrum rund um den Schienenverkehr verantwortlich ist. „Wir wollen, dass unsere Kunden die Wartung einplanen können, bevor ein Zug mit 2.000 Fahrgästen auf der Strecke stehen bleiben muss.“

Von Schwellenwerten zu Musterdaten
Zwischen 70 und 80 Prozent der im Siemens Mobility Data Services Center (MDS) Tag für Tag auflaufenden Daten geht auf die Messung bestimmter Schwellenwerte bei den Zügen zurück. Das kann die durchschnittliche Fahrgeschwindigkeit eines Zuges sein oder aber sein typisches Bremsverhalten. Auch andere Messwerte wie die Temperatur der Achslager und der Transformatoren, der Zustand von Hydraulikölen oder die Vibrationen der Drehgestelle kommen in den komplexen Rechenmodellen der von Siemens engagierten Data Scientists zum Tragen. Die von den Onboard-Units der Schienenfahrzeuge zur Verfügung gestellten Daten werden in das Münchener Datenlabor über hochgradig abgesicherte Mobilfunkverbindungen übertragen. Die blitzschnelle Übermittlung ist dabei Pflicht. Denn ohne die Echtzeit-Analyse der Betriebsdaten sei es angesichts von Taktzeiten, die im Münchener U-Bahnnetz im Bereich von unter einer Minute liegen, heutzutage gar nicht mehr möglich, ein funktionierendes Verkehrsangebot aufrechtzuerhalten, sagt Emmelheinz, der Siemens-Manager.

Die wichtigste Aufgabe der Datenspezialisten im MDS besteht darin, aus den Diagnosedaten Muster abzulesen. Muster, mit denen sich zum Beispiel voraussagen lässt, unter welchen Umständen ein Getriebe, ein elektrischer Türantrieb oder ein Radsatz ausfallen werden und wann der Verschleiß oder spontane Fehlermeldungen ein Eingreifen erfordern. Durch maschinelles Lernen werden die Prognosesysteme ständig weiterentwickelt. Das Ergebnis ist ein System, das für eine Lokomotiv- oder Zugfamilie automatisch vorhersagt, wann eine Instandhaltung unvermeidbar ist.

Die Siemens-Data Scientists orientieren sich bei ihrer Arbeit jedoch nicht nur an Standardgrößen wie der Geschwindigkeit, dem Bremsverhalten oder dem Kilometerstand. Auch externe Daten fließen in die Berechnungen ein, beispielsweise die Beschaffenheit der Schienen, die Funktionalität der Weichen, die Taktung der Züge oder auch die äußeren Witterungseinflüsse. „Für die Zukunft des Mobility-Geschäfts sind Fahrzeuge allein nicht entscheidend“, betont Gerhard Kreß, Leiter der rund 20-köpfigen Mannschaft des MDS. „Es geht für unsere Kunden um die Lebensdauerkosten der Fahrzeuge und ihren effizienten Einsatz. Das gelingt nur mithilfe der gebündelten Daten der Fahrzeuge, der Infrastruktur und des Betriebs.“

Terabyte an Daten
Eines der wichtigsten Themen besteht für Kreß im Handling der riesigen und immer größer werdenden Datenberge. In einer Lok aus der Vectron-Baureihe von Siemens sind mehr als 260 Sensoren verbaut. Alle Züge der dreistelligen Vectron-Flotte zusammengenommen laufen in dem cloudbasierten Datenanalyse-System Monat für Monat Datenmengen von rund einem Terabyte zusammen. Nur durch eine strategische Big-Data-Allianz mit dem Datenbankenspezialisten Teradata werden die Data Scientists von Siemens Mobility unter diesen Voraussetzungen in die Lage versetzt, die für die Auswertungen und Prognose erforderlichen Daten in Echtzeit zusammenzuführen.

Das Siemens Mobility Data Services Center in München-Allach hat aktuell bereits rund 500 Züge unterschiedlicher Siemens-Baureihen permanent im Blick  und wirbt damit, durch die Zuhilfenahme künstlicher Intelligenz heute schon Verfügbarkeiten von 99 Prozent und mehr zu gewährleisten.  Ob sich mittelfristig deshalb auch eine vermehrte Nachfrage durch die Betreiber firmenfremder Fahrzeuge ergeben wird? Das wird sich angesichts des stark international geprägten Kontexts von Bahnverkehren –  darüber hinaus aber auch mit den vielen noch offenen Fragen rund das Thema Datensicherheit – wohl erst noch weisen.

E-Paper: E-Paper
E-Paper:PDF Download