KI im Bahnsektor: Vorausschauende Instandhaltung auf der Hochgeschwindigkeitsstrecke Tours-Bordeaux

Wusstet ihr, dass man Künstliche Intelligenz auch im Bahnsektor einsetzen kann?

Die Entwicklung von einer traditionellen korrektiven Instandhaltung (d.h. Instandhaltungseingriffe, sobald ein System ausfällt oder Leistungsparameter nicht mehr erfüllt sind) hin zu einer zustandsorientierten Instandhaltung war eine der wichtigsten technologischen Verbesserungen im Betriebsablauf innerhalb des Bahnsektors in den letzten Jahrzehnten.

Ermöglicht wurde dieser Wandel durch den zunehmenden Einsatz von IoT-Sensorik, welche nun erstmalig Echtzeit-Datenerfassung erlaubte. Dadurch konnte der Lebenszyklus von Anlagen verlängert und die Verfügbarkeit von Infrastrukturen erhöht werden. Für den Infrastrukturbetreiber oder die Eisenbahngesellschaft bedeutete dies mehr Nachhaltigkeit der Infrastrukturinvestments, weniger Ausfälle, geringere Instandhaltungskosten; für den Fahrgast: weniger Zwischenfälle, weniger Verspätungen.

Moderne Data Science treibt diesen beschriebenen Wandel jedoch noch einen bedeutenden Schritt weiter und ermöglicht die Umsetzung neuerer Ansätze wie der vorausschauenden Instandhaltung (d.h. der zeitlichen Vorhersage von notwendigen zukünftigen Instandhaltungsbedarfen). [1] [2]

Warum ist die vorausschauende Instandhaltung für das Infrastrukturmangement im Bahnsektor so wichtig?

Grundsätzlich ist festzuhalten: Eine regelmäßige Instandhaltung von Gleisanlagen ist entscheidend für die Einhaltung von Qualitäts- und Sicherheitsstandards. Gleisinstandhaltungsarbeiten sind jedoch teilweise destruktiv, d.h. jede Aktivität verschlechtert geringfügig die geometrischen Eigenschaften von Gleisschotter und Schienen, was zu einer Erhöhung von Abnutzungsgraden und Laufeigenschaften der Gleise führt. Kurz gesagt: je mehr man instand hält, desto mehr muss man instand halten und desto früher müssen investitionsintensive Erneuerungsarbeiten durchgeführt werden. Das Ideal einer “Just-in-time”-Wartung ist daher ein Ziel von entscheidender Bedeutung.

Fallbeispiel: Nutzung von AI für die vorausschauende Instandhaltung auf der Hochgeschwindigkeitsstrecke Tours-Bordeaux

Diese Herausforderung sind die beiden französischen Unternehmen LISEA (Konzessionsinhaber) und MESEA (Instandhaltungsunternehmen) gemeinsam angegangen, um das Leistungsniveau und den Infrastrukturlebenszyklus der Hochgeschwindigkeitsstrecke Tours-Bordeaux zu optimieren. Mit Hilfe eines eigenen physischen Datensammlers, einem Messwagen namens “DRING”, werden wöchentlich hochwertige Gleisgeometriedaten auf nicht-invasive Weise erhoben. Die Daten fließen in ein prädiktives Modell ein, das über die Verschlechterung der Gleise, die Entwicklung von Verschleiß sowie die Auswirkungen von Instandhaltungsmaßnahmen Aussage treffen kann. Bei der Modellentwicklung unterstützte VINCI mit dem AI-Programm im Rahmen der Initiative Leonard. Den Unternehmen liegt damit ein Werkzeug vor, das Experten bei der Planung von Aktivitäten unterstützt, die Einfluss auf die Gleisgeometrie haben können, wobei diese Einflüsse sowohl kurzfristig (wenige Monate) als auch mittelfristig (bis zu 3 Jahre) wirksam werden.

Unter Nutzung der gesammelten Daten und verschiedener maschineller Lernverfahren haben LISEA & MESEA bereits folgende Benefits realisiert:

  1. Das grundsätzliche Verständnis über die Zusammenhänge von Gleisabnutzung und Instandhaltungsmaßnahmen hat sich bedeutend verbessert. Auch konnten mehrere grundlegende Faktoren identifiziert werden, die von weiteren datenbezogenen Untersuchungen profitieren könnten.
  2. Der zeitliche Aufwand, der für die Überwachung der Infrastruktur und der Planung von Instandhaltungsmaßnahmen aufgewendet wird, hat sich stark verringert. Die Experten können ihre Zeit nun auf Aufgaben mit höherem Mehrwert verlagern.
  3. Und, was am wichtigsten ist, die Häufigkeit der Wartungsarbeiten selbst konnte erheblich reduziert werden. Dies spart Zeit und Geld und verlängert den Lebenszyklus der Anlagen, während gleichzeitig die Einhaltung von Qualitäts- und Sicherheitsstandards sichergestellt wird.

Dieses entscheidungsunterstützende Instrument war besonders in der Anfangszeit von COVID-19 nützlich, als die Wartungspläne kurzfristig und ressourcenschonend überarbeitet werden mussten.

Dieses Projekt zeigt die Relevanz der Anwendung maschineller Lerntechniken für die Instandhaltung im Eisenbahnsektor und demonstriert den unmittelbaren und längerfristigen Nutzen, der daraus gezogen werden kann.

Dieser Artikel ist Teil einer Serie, an der die Teilnehmer des AI-Programms von Leonard beteiligt sind. Das Programm wurde speziell entwickelt, um die Nutzung von AI-Technologien innerhalb des VINCI-Konzerns zu beschleunigen. Es besteht aus einer fünfmonatigen Inkubationszeit, in der ausgewählte VINCI-Mitarbeiter einen Learning by doing-Prozess durchlaufen, in dem sie unter Anleitung und Betreuung des Leonard-Teams und von externen Beratern wie eleven strategy consultants einen AI-basierten Anwendungsfall umsetzen.

Eisenbahninfrastruktur ist mit massiven Baukosten verbunden und wird daher traditionell staatlich finanziert. Im Jahr 2017 eröffnete LISEA, ein Unternehmen, das sich teilweise im Besitz von VINCI, Caisse des Dépôts et Consignations, Méridiam und Ardian befindet, die erste öffentlich-private französische Partnerschaft für eine Hochgeschwindigkeitsstrecke zwischen Tours und Bordeaux [3]. Das Geschäftsmodell dieses PPP-Projekts (öffentlich-private Partnerschaft): Der Konzessionsinhaber trägt die Kosten für Finanzierung, Bau, Instandhaltung und Erneuerung (DBOFM) und trägt auch die Leistungs- und Verkehrsrisiken. In einem solchen leistungsabhängigen Vertrag spielen Wartung, Investition und Planung für einen Konzessionseigentümer eine strategische Rolle.

 

Quellen:

  1. The rail sector’s changing maintenance game – Mc Kinsey – February 2018
  2. Track geometry degradation and maintenance modelling: A review – July 2016
  3. La LGV Tours-Bordeaux, première ligne ferroviaire sous concession privée – le Monde – July 2017

Der Originalartikel unseres französischen Geschäftsbereichs ist zugreifbar unter https://www.linkedin.com/pulse/ai-rail-infrastructure-management-towards-predictive-h%C3%A9las-othenin/

Teilen Sie den Artikel auf