Problemstellung

Eine hohe Zuverlässigkeit und erschwingliche Preise von Stadtbahnen sind zwingend erforderlich, um die Attraktivität des ÖPNV im innerstädtischen Bereich zu erhöhen. Hierfür müssen Schadensfälle bei anforderungsgerechtem Wartungsaufwand vermieden werden. Mit Hilfe digitaler Methoden lassen sich Schadensentwicklungen in Betrieb befindlicher Bahnen vorhersagen und so eine zielgerichtete Wartung einer digitalen Stadtbahnflotte umsetzen. Von der Steigerung der Zuverlässigkeit und der Kosteneffizienz profitieren Verkehrsbetriebe, Fahrgäste und Kommunen gleichermaßen.

Projektziel

Es erfolgt die Entwicklung eines digitalen Abbildes einer Stadtbahnflotte. Hierbei werden die Zustände der Einzelbahnen aus Messungen mit Standardsensoren abgeleitet. Die digitale Datenerfassung und die Methoden des maschinellen Lernens erlauben es, Ermüdung oder Verschleiß für einzelne Bauteile vorherzusagen, bevor der eigentliche Schaden auftritt und zu einem Ausfall des Gesamtfahrzeuges führt. Durch die Einbindung dieser Informationen bei den Verkehrsbetrieben lassen sich Verfügbarkeiten besser planen und der Bahneinsatz optimieren.

Durchführung

Die Projektumsetzung erfolgt sowohl unter Auswertung vorhandener Messdaten als auch durch die Realisierung einer neuen Messstraßenbahn. Neue Messdaten werden in großem Umfang erhoben und ermöglichen die Herstellung des Zusammenhangs von erfasstem Straßenbahneinsatz und daraus folgendem Bahnzustand über kalibrierte Datenmodelle. Diese Modelle lassen sich dann auf jede Einzelbahn anwenden, womit eine Cloud-basierte Flottenbeschreibung für Straßenbahnbetreiber und Wartungsunternehmen entsteht.