Mit Machine Learning Anomalien erkennen: So sparen Sie Zeit und Kosten
Erhöhte Anlagenverfügbarkeit, reduzierte Wartungskosten, verbesserte Zuverlässigkeit, schnellere Problemdiagnose ... Die Vorteile der zustandsorientierten Instandhaltung inspirieren Zug- und Bahnbetreiber auf der ganzen Welt zum Handeln. Für sie gibt es keinen Weg zurück. Aber falls Sie dennoch zögern sollten, haben wir ein weiteres Argument für Sie: Ein neuer Ansatz für Machine Learning, der maximale Transparenz bei minimalem menschlichen Einsatz bietet.
Sicherheit und Zuverlässigkeit im Fokus
Die Bahn ist wohl die nachhaltigste Art des motorisierten öffentlichen Verkehrs. Sie kann uns im wahrsten Sinne des Wortes in eine grünere Zukunft bringen. Doch so vielversprechend dies auch klingen mag, wissen Sie wahrscheinlich besser als jeder andere, dass die Öffentlichkeit nur wenig Toleranz für Ausfälle aufbringt.
Jede Gleissperrung oder Zugstörung schadet Ihrem Ruf. Wie lassen sich solche Situationen am besten vermeiden? Indem Sicherheit und Zuverlässigkeit Priorität eingeräumt werden. Und genau hier kann die zustandsorientierte Instandhaltung einen entscheidenden Beitrag leisten.
Störungen erkennen, bevor sie auftreten
Bei der zustandsorientierten Wartung dreht sich alles um die Überwachung des Anlagenzustands in Echtzeit. Das Ziel: Störungen erkennen, bevor sie auftreten. So brauchen Sie Wartungsarbeiten nur im Bedarfsfall durchzuführen und vermeiden unnötige Ausfallzeiten und Kosten, die durch übermäßige oder unzureichende Wartung entstehen.
Die Hürde für die Einführung dieses Ansatzes ist heute viel niedriger als früher. Die Kosten für Überwachungssensoren sind gesunken, die Technologie zur Datenerfassung ist effizienter geworden und die Daten können nun problemlos offline gespeichert werden. Aber das ist nicht alles ...
Die Devise lautet: passiv statt aktiv
Die neueste Entwicklung im Bereich der zustandsorientierten Wartung ist das Machine Learning. „Früher mussten Sie genau wissen, welche Probleme bei Ihren Anlagen auftreten könnten und wie aktiv danach zu suchen ist“, sagt Mohamed Bentefrit, Forschungsingenieur bei Televic GSP.
„Dank der Algorithmen des unüberwachten Lernens ist das nicht länger der Fall, denn diese stützen sich weitgehend auf Datensätze, die kontinuierlich über unsere Datenerfassungsplattform COSAMIRA gesammelt werden. Die Algorithmen können daraus lernen und entsprechende Schlussfolgerungen ziehen, wenn Anomalien erkannt werden.
Durch die kontinuierliche Erfassung von Daten wird der Algorithmus im Laufe der Zeit intelligenter, sodass nur minimale menschliche Eingriffe zur Fehlerkorrektur erforderlich sind.“
Bleiben Sie auf dem Laufenden! Abonnieren Sie unsere News.
Michiel Vandecappelle, research engineer at Televic GSP
Umsetzung von Industrie 4.0
„Die Umwandlung von physischen in datengesteuerte Modelle bedeutet, dass weniger Fachwissen erforderlich ist, um mehr Informationen zu erhalten“, fügt Michiel Vandecappelle, Forschungsingenieur bei Televic GSP, hinzu. „Angenommen, Sie setzen einen neuen Zug auf einem unbekannten Schienennetz ein.
Sie haben keine Erfahrungswerte, auf die Sie sich stützen können, keine Streckenkenntnis. Kurzum, es gibt viele blinde Flecken. Aber ein Ansatz, der auf schnellen und kontinuierlichen Datenerhebungen basiert, kann sofort Aufschluss über das typische Verhalten in unterschiedlichen Situationen geben.
Sie merken dann sofort, ob etwas richtig oder falsch läuft, ohne dass Sie alle Eigenschaften des Zuges kennen müssen.“
Gut gewartete und sichere Strecken
Die neue Art der datengesteuerten Überwachung kommt auch den Bahnbetreibern zugute. Michiel Vandecappelle: „Wenn zum Beispiel alle Züge an einer bestimmten Kurve, Weiche oder anderen Stelle der Strecke Probleme haben, deutet dies auf eine Anomalie am Gleis hin.
Wenn jedoch nur ein Zug ein abweichendes Verhalten zeigt, liegt das Problem wahrscheinlich am Zug selbst. Eine sofortige Wartung kann dann weitere Schäden sowohl an dem fehlerhaften Zug als auch an der befahrenen Strecke verhindern.“
„Und auch die Sicherheit steht auf dem Spiel. Wenn ein Unwetter die Stabilität der Gleise beeinträchtigt, können die Züge ins Schwanken geraten.
Überwachungssensoren können eine solche gefährliche Situation melden und ermöglichen es Ihnen, sofort Maßnahmen zu ergreifen – und so eine Unterbrechung des Bahnverkehrs zu vermeiden.“
