Siemens und Big Data

Datenanalyse macht die Bahn konkurrenzfähiger

| Autor / Redakteur: Ariane Rüdiger / Nico Litzel

Siemens stellt in München-Allach jährlich rund 120 Diesel- und Elektro-Loks her, die an Bahnbetreiber in aller Welt gehen.
Siemens stellt in München-Allach jährlich rund 120 Diesel- und Elektro-Loks her, die an Bahnbetreiber in aller Welt gehen. (Bild: Rüdiger)

Wie man mit Big Data und IoT die Transportbranche verändern kann, zeigt das Beispiel des Lok-Herstellers Siemens. Das Unternehmen hat am Standort Allach ein themenspezifisches Datalab mit 40 Mitarbeitern aufgebaut, das ausschließlich an neuen Anwendungen insbesondere für die Optimierung des Schienenverkehrs arbeitet.

Die Begeisterung ist Gerhard Kress, dem Leiter des Datalab der Siemens Mobility Data Services, anzusehen. Der Manager hat die Einrichtung mehr oder weniger im Alleingang hochgezogen. „Ich habe allein angefangen, mittlerweile sind wir auf etwa 40 Personen angewachsen“, berichtet er. Sein Team – die Datenanalysten sind zwischen 25 und 32 Jahren alt – arbeitet mit innovativen Methoden und Einfallsreichtum daran, die Daten, die Lokomotiven oder die Bahn-Infrastruktur produzieren, in geringere Ausfallzeiten, optimale Nutzung des Materials und die vorbeugende Vermeidung von Schäden und Unfällen umzusetzen. Inzwischen hat die Gruppe 15 Anwendungen umgesetzt, die sich in der „realen Welt“ im Einsatz befinden.

„Was wir tun, macht die Bahn wettbewerbsfähiger“, erklärt Gerhard Kress, Leiter des Siemens Mobility Datalab in München-Allach.
„Was wir tun, macht die Bahn wettbewerbsfähiger“, erklärt Gerhard Kress, Leiter des Siemens Mobility Datalab in München-Allach. (Bild: Rüdiger)

Siemens stellt in Allach jährlich rund 120 Diesel- und Elektro-Loks her, die an Bahnbetreiber in aller Welt gehen. Die von den in ihnen verbauten Sensoren überwachen besonders sensible Systeme wie den Antriebsstrang. Die entstehenden Daten dienen als Grundlage für vorbeugende Wartungsservices. „Weil Loks im Verhältnis zu ihrer hohen Fahrleistung ohnehin kaum ausfallen, ist jeder potenzielle Fehler ein sehr seltenes Ereignis. Deshalb brauchen wir besonders viele Daten und moderne Algorithmen, etwa rekursive neuronale Netze, um so etwas vorbeugend detektieren zu können“, erklärt Kress.

Zudem sei dafür unbedingt Domänenwissen notwendig. Im Einzelfall helfen langjährige Fahrzeugspezialisten, um aus einem komplexen Datenmuster die richtigen Schlüsse zu ziehen – es fließt also auch Engineering-Expertise, Wissen über Randbedingungen oder Simulationskurven in die Beurteilung der Daten ein. „In dieser Kombination von Daten- und Domänenwissen liegt der Unterschied zwischen Siemens und vielen anderen Anbietern auf dem Markt“, gibt sich Kress überzeugt.

Technologiemix aus Bewährtem und Neuem

Technologisch setzt das Datalab auf eine Mischung aus Bewährtem und Neuem: Als relationaler Datenspeicher dient eine Teradata-Datenbank, für NoSQL-Zwecke ergänzt um ein Hadoop-System. AWS liefert die IoT-Plattform nebst einigen Analytik-Anwendungen. Die entstehenden Tabellen können durchaus 900 Milliarden Datenpunkte und mehr haben – eine geradezu unvorstellbare Menge. Eine Lokomotive liefert mit ihren 200 bis 250 Sensoren im Jahr rund eine Milliarde Datenpunkte, dazu treten bei Analysen andere Datenquellen, beispielsweise Wetterdaten, Arbeitsaufträge, Ersatzteildaten oder Lokationsdaten.

Derzeit finden die Datenanalysen regelmäßig zwar in Echtzeit, aber außerhalb der Fahrzeuge in der Datenzentrale statt – allerdings wird sich das mit neuen Analyseanwendungen ändern, bei denen es sinnvoller ist, die anfallenden Datenmassen sofort mit Vor-Ort-Intelligenz zu bearbeiten, wo die intelligenten Module in der Lok dann auch gleich entsprechende Aktionen anstoßen sollen, wenn das die Situation erfordert.

„In der Zentrale trainieren wir dann nur noch die lernfähigen Algorithmen, ehe sie in den Lokomotiven zum Einsatz kommen. Dafür nutzen wir alle Flottendaten, die wir kriegen können.“ Dies gelte beispielsweise für Vibrationsanalysen, bei denen Vibrationsdaten mit hohen Messdichten abgetastet werden – hier müssten einfach zu viele Daten übertragen werden und möglicherweise wäre sofortiges Eingreifen nötig.

Einige Beispiele für das, was heute schon möglich ist. Bei einer Lösung, die Lager überwacht, wird dessen Temperatur gemessen, zudem sind Geschwindigkeit und bisherige Fahrtdauer der Lok bekannt. Aus den Flottendaten wird das normale Temperaturverhalten eines Lagers abgeleitet und laufend mit den aktuellen Messdaten verglichen. Gleichzeitig klopft das System die Ergebnisse darauf ab, ob auch ein defekter Sensor gemeldete Abweichungen vom Normalverlauf verursacht haben könnte. Kress: „Wenn der Zug auf freier Strecke anhält und die Passagiere raus müssen, weil ein Ausfall bevorzustehen scheint, letztlich aber nur der Sensor kaputt war, macht das beim Kunden keinen guten Eindruck.“ Inzwischen kann Siemens so mit einer Wahrscheinlichkeit von über 99 Prozent feststellen, dass ein Lager nicht mehr in Ordnung ist.

Tür auf – Tür zu

Eine Analyse der Türbewegungen an den Zügen eines Bahnbetreibers, dessen Züge in London und Umgebung fahren.
Eine Analyse der Türbewegungen an den Zügen eines Bahnbetreibers, dessen Züge in London und Umgebung fahren. (Bild: Rüdiger)

Ein anderer Anwendungsfall betrifft das Türmanagement. Bleiben die Türen auf Strecken mit dichter Zugfolge an mehreren Haltepunkten zu lange offen, entstehen dadurch Verspätungen, die sich aufsummieren und am Ende den Fahrplan durcheinander bringen. „Ab 15 Sekunden pro Station wird es kritisch“, weiß Kress. Auch hier hilft ein Algorithmus aus Allach, der bei einem Zugbetreiber mit Strecken in und um London im Einsatz ist. Dabei wurden zunächst die Daten von derzeit rund 1,5 Milliarden Türbewegungen ausgewertet. Vorhanden waren ein Positions- und ein Stromsensor, gemessen wurde alle 200 Millisekunden für eine sehr kurze Zeitspanne.

Die erhobenen Daten wurden aggregiert und korreliert (siehe Bild). Das rechte Diagramm zeigt die Summe aller Türpositionen. Bei der breiten, von links nach rechts abfallenden Linie in diesem Diagramm handelt es sich um die Summe der Positionsmessungen aller normalen Türschließungsbewegungen, bei den aufsteigenden um die Positionsmessungen bei Türöffnung. Unterhalb des blauen Linienbündels für den Schließvorgang fällt eine graue Linie aus der Reihe. Sie markiert einen Blockierungsvorgang, der anschließend wieder zum Öffnen der Tür führte (Linie steigt wieder an).

Gleichzeitig wird der Stromfluss gemessen (linkes Diagramm). Dieser ist bei normalem Verlauf während des Öffnens und Schließens der Tür immer dann besonders hoch, wenn die Türe verriegelt und entriegelt wird (am Anfang und am Ende). Gleichbleibend gering ist er, während die Tür an ihre Anfangs- oder Endposition gleitet. Auf dem Diagramm sind drei (rot dargestellte) Peaks zu erkennen. Zwei davon decken sich mit dem Zeitpunkt der Blockierung beziehungsweise dem, als die Tür wieder geöffnet wurde. Sie sind also dadurch zu erklären, dass das System versuchte, mit dem Hindernis umzugehen. Der erste Peak dagegen ist von dem Blockierungsereignis unabhängig und deutet daher möglicherweise auf einen Fehler im Antriebssystem der Tür oder dessen Stromversorgung hin.

Ein weiteres Beispiel ist die Detektion von Weichenproblemen. Hier griffen die Datenanalysten nicht auf Sensordaten, sondern lediglich auf die Meldungen zurück, die jede Weiche bei jedem Verstellvorgang an die Datenverarbeitung im Stellwerk schickt. Darin ist auch die Dauer der Aktion verzeichnet. Die praktischen Erfahrungen legten nahe, Stellvorgänge, die bis zu 6,5 Sekunden dauern, als normal zu betrachten. Bei mehr als 13 Sekunden wurde auf jeden Fall von einem Fehlversuch ausgegangen. Die Datenpunkte wurden nun in einem Diagramm abgebildet, bei dem die x-Achse den Zeitverlauf und die senkrechte y-Achse die Dauer des Stellvorgangs darstellte. Zu lange Stellvorgänge wurden so als einzelne, nach oben abweichende Datenpunkte deutlich erkennbar. Anhand dieser Daten lässt sich feststellen, wie normal sich einzelne Weichenantriebe verhalten und defekte Weichenantriebe können repariert werden.

Kommentare werden geladen....

Kommentar zu diesem Artikel abgeben

Anonym mitdiskutieren oder einloggen Anmelden

Avatar
  1. Avatar
    Avatar
    Bearbeitet von am
    Bearbeitet von am
    1. Avatar
      Avatar
      Bearbeitet von am
      Bearbeitet von am

Kommentare werden geladen....

Kommentar melden

Melden Sie diesen Kommentar, wenn dieser nicht den Richtlinien entspricht.

Kommentar Freigeben

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

Freigabe entfernen

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

copyright

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Infos finden Sie unter www.mycontentfactory.de (ID: 44499553 / Best Practices)