Archiv

In der Bahnbranche werden viele Daten von Mess- und Diagnosesystemen aller Art erfasst. Meist wird nur ein kleiner Teil der Daten verwendet, da schwer zu bestimmen ist, welche Teile der Daten wertvolle Informationen enthalten. Dadurch bleibt ein Großteil des Potenzials dieser Daten ungenutzt. Durch explorative Datenanalyse kann dieses Potenzial für Schienenfahrzeuge sowie Infrastruktur offengelegt und es können komplexe Abhängigkeiten erkannt werden, die zu neuen wertvollen Anwendungen verhelfen. Als praktisches Beispiel für die explorative Datenanalyse wird gezeigt, wie eine modulare Machine-Learning-Datenpipeline auf einen großen Datensatz aus einem bestehenden Onboard-Datendiagnosesystem einer S-Bahn-Flotte angewendet wird, das Daten von mehreren Onboard-Systemen aufzeichnet. Es wird ein erprobter Ansatz vorgestellt, um Use Cases zu extrahieren und Erkenntnisse aus einem bestehenden Datenpool zu generieren. 

Das Erhöhen der Bahnnutzung stellt einen wirksamen Ansatz dar, die Treibhausgasemissionen des Verkehrs­sektors zu reduzieren und so einen Beitrag zum Umwelt- und Klimaschutz zu leisten. Die Entscheidung für oder gegen das Nutzen der Bahn erfolgt jedoch nicht kontextfrei oder rein rational. Sie ist Teil eines komplexen kognitiven Prozesses, auf welchen Infrastruktur, Gewohn­heitsverhalten und weitere psychosoziale Faktoren Einfluss nehmen. Daher ist es herausfordernd und langwierig, Mobilitätsverhalten substantiell zu verändern. Die hier vorgestellte Studie „Akzeptanzbarometer Schienenverkehr in Deutschland 2021“ liefert Erklärungen für dieses Phänomen. Es wird deutlich, dass sich einerseits Gewohnheitsverhalten als großes Hemmnis darstellt, bisherige Nichtnutzende der Bahn dauerhaft als Neukundinnen und Neukunden zu gewinnen. Andererseits zeigt sich, dass das wahrgenommene Mobilitätsverhalten anderer Personen substantiell Einfluss auf individuelle Entscheidung für oder gegen das Nutzen der Bahn nimmt. Auf der Grundlage dieser Erkenntnisse werden Strategien zur Stärkung des Schienenpersonenverkehrs diskutiert.

Zur Steigerung der Wettbewerbsfähigkeit ist es essenziell, Fahrzeugstörungen weitestgehend zu vermeiden. Dies wird unter anderem durch eine proaktive Instandhaltungsplanung auf Basis des mittels Zustands­monitoring ermittelten Abnutzungs­vorrats von Komponenten ermöglicht. CbM/PM prognostiziert Risiken unerwünschter Betriebszustände und Ereignisse auf Basis der über das Condition Monitoring gewonnenen Erfahrungswerte. Weiters ist es erforderlich, Instand­haltungs­daten aus der Werkstatt in geeigneter Form in die Ursachen­analysen mit einzubeziehen. Im Folgenden werden die grundsätzlichen Anforderungen diskutiert, welche die Eisenbahnverkehrsunternehmen an moderne Daten­fern­übertragungs­systeme für Schienen­fahrzeuge stellen. Ferner erfolgt eine Betrachtung der landseitigen Datenauf­bereitung sowie beispielhafte Anwendungsfälle bei Lokomotiven. Durch Maßnahmen aufgrund der frühzeitigen Erkennung von kritischen Entwicklungen können kostenintensive Folgeschäden vermieden werden.

Mit dem Distributed Power System (DPS) können im Güterzug verteilte Lokomotiven funkbasiert ferngesteuert werden. Dies ermöglicht eine effizientere Zugförderung durch längere und schwerere Züge, auch innerhalb bestehender infrastruktureller Randbedingungen. Im Februar 2021 fand die Erprobung eines Prototyps mit drei DPS-fähigen Loks statt. Die durchgeführten Fahrten mit einem langen gemischten Güterzug in heraus­fordernder Umgebung zeigten überaus positive Resultate ¹⁾. Es wurden zum einen das DPS-System­ver­halten und zum anderen die längsdynamischen Reaktionen des Zuges in unterschied­lichen Betriebsmanövern unter­sucht. Dabei wurde insbesondere auch der Fall der Funk­unter­brechung betrachtet. Die gewonnenen Erkennt­nisse fließen in die Vorbereitungen zur Einführung des DPS im Regelbetrieb ein.