Moderne Lokomotiven sind rollende Rechenzentren. Hunderte Sensoren messen Temperaturen, Ströme, Drücke, Schwingungen und Zustände einzelner Komponenten. Viele dieser Daten werden per Telematik laufend übertragen. Und doch wird ein großer Teil der Instandhaltung noch immer nach festen Intervallen geplant, als gäbe es diese Daten nicht.
Dabei liegt in ihnen ein enormes Potenzial. Wer erkennt, dass sich ein Bauteil anders verhält als sonst, kann handeln, bevor es ausfällt. Wer weiß, dass eine Komponente noch lange hält, muss sie nicht vorsorglich tauschen. Und wer Wartungen dann plant, wenn sie tatsächlich gebraucht werden, erhöht die Verfügbarkeit der Flotte und senkt die Kosten. In diesem Beitrag zeigen wir, wie vorausschauende Instandhaltung bei Lokomotiven funktioniert, welche Rolle künstliche Intelligenz spielt und warum Prognosen allein noch keine gute Planung ergeben.
Von festen Intervallen zu Zuständen
Die klassische Instandhaltung folgt festen Regeln. Nach einer bestimmten Zahl von Kilometern oder Tagen wird eine Inspektion fällig, nach einer bestimmten Laufleistung wird ein Bauteil getauscht. Das ist sicher und einfach zu planen, aber nicht besonders effizient. Manche Komponenten werden getauscht, obwohl sie noch lange halten würden. Andere fallen zwischen zwei Terminen aus, weil sie stärker beansprucht wurden als angenommen.
Bei der zustandsbasierten Instandhaltung richtet sich die Wartung nach dem tatsächlichen Zustand. Bei der vorausschauenden Instandhaltung geht man einen Schritt weiter und prognostiziert, wann ein Bauteil voraussichtlich an eine kritische Grenze kommt. Beide Ansätze setzen voraus, dass man den Zustand der Fahrzeuge kennt, und genau dafür sind die Daten aus der Flotte da.
Wie groß das Interesse an diesen Ansätzen ist, zeigt unter anderem das österreichische Forschungsprojekt TARO, in dem die ÖBB mit zahlreichen Partnern einen digitalen Zwilling für Fahrzeuge mit Blick auf zustandsbasierte und vorausschauende Instandhaltung entwickelt haben. Auch Fahrzeughersteller bauen ihre Plattformen zunehmend softwarebasiert aus.
Was die Daten verraten
Aus den Telematikdaten einer Lokomotive lässt sich viel ablesen. Steigende Temperaturen in einem Fahrmotor, veränderte Druckverläufe im Bremssystem, häufiger auftretende Fehlermeldungen einer bestimmten Komponente oder ungewöhnliche Schwingungen können frühe Hinweise auf einen beginnenden Schaden sein. Oft sind diese Signale für sich genommen unauffällig und werden erst im Vergleich mit anderen Fahrzeugen oder mit dem bisherigen Verhalten desselben Fahrzeugs sichtbar.
Genau hier liegt die Stärke von Verfahren des Machine Learning. Sie lernen aus großen Datenmengen, wie ein normales Verhalten aussieht, und erkennen Abweichungen, die ein Mensch übersehen würde. Mit genügend historischen Daten zu Ausfällen lassen sich zudem Modelle trainieren, die abschätzen, wie hoch die Wahrscheinlichkeit eines Ausfalls in den nächsten Wochen ist oder wie viel Restlebensdauer eine Komponente noch hat.
Eine große Flotte desselben Fahrzeugtyps ist dafür ein besonderer Vorteil. Je mehr baugleiche Loks Daten liefern, desto schneller lernen die Modelle, und desto verlässlicher werden die Prognosen. Wer eine große, einheitliche Flotte betreibt, sitzt also auf einem Datenschatz, der sich mit jedem Monat vergrößert.
Warum Prognosen allein nicht reichen
An dieser Stelle machen viele Projekte einen entscheidenden Fehler. Sie entwickeln ein gutes Prognosemodell, das Warnungen ausgibt, und hören dort auf. Dann steht in der Instandhaltungsplanung plötzlich eine Liste von Loks mit erhöhtem Ausfallrisiko, und niemand weiß, was damit zu tun ist.
Denn die eigentliche Frage lautet nicht, welche Lok ein Risiko hat, sondern was wir angesichts dieses Risikos tun sollen. Holen wir die Lok sofort in die Werkstatt, auch wenn sie gerade bei einem Kunden im Einsatz ist? Warten wir bis zur nächsten planmäßigen Inspektion in drei Wochen? Schicken wir vorsorglich eine Ersatzlok in die Region? Bestellen wir das Ersatzteil jetzt oder erst später?
Diese Entscheidungen hängen von vielen Faktoren ab. Vom Risiko selbst, von den Folgen eines Ausfalls, von der Verfügbarkeit von Werkstätten, Ersatzloks und Teilen und von den Zusagen gegenüber Kunden. Sie sind klassische Optimierungsprobleme. Deshalb verbinden wir Prognose und Entscheidung in einem System. Die KI schätzt das Risiko, die mathematische Optimierung berechnet die beste Reaktion, und die Instandhaltungsplanung entscheidet. Warum wir diese Trennung für so wichtig halten, erklären wir im Beitrag Operations Research oder KI.
Wie Prognosen in die Planung einfließen
In einem Optimierungsmodell für die Instandhaltung werden Prognosen zu einer zusätzlichen Information. Jede Lok hat nicht nur feste Fristen, sondern auch eine geschätzte Wahrscheinlichkeit, dass in einem bestimmten Zeitraum eine ungeplante Reparatur nötig wird. Das Modell kann dann abwägen, ob es günstiger ist, eine Arbeit vorzuziehen und mit einer ohnehin geplanten Inspektion zu bündeln, oder das Risiko bis zum nächsten Termin in Kauf zu nehmen.
Auf diese Weise entstehen Instandhaltungspläne, die sowohl die Fristen als auch das tatsächliche Risiko berücksichtigen. Loks mit hohem Risiko werden früher und gezielter gewartet, Loks mit geringem Risiko fahren länger. Die Werkstattkapazität wird dort eingesetzt, wo sie am meisten bringt. Wie ein solches Modell im Detail aussieht, beschreiben wir im Beitrag zur Instandhaltungsplanung für Lokflotten.
Ersatzteile vorausschauend planen
Ein Ausfall, der früh erkannt wird, lässt sich nur dann schnell beheben, wenn das Ersatzteil verfügbar ist. Gerade bei spezialisierten Komponenten sind Lieferzeiten lang. Wer aus den Prognosen ableitet, welche Teile in den nächsten Monaten voraussichtlich gebraucht werden, kann Bestände gezielt aufbauen und an die richtigen Werkstätten verteilen. Wie wir Bedarfs- und Lieferprognosen mit Bestelloptimierung verbinden, beschreiben wir unter Procurement Prediction.
Warum der Herbst der richtige Zeitpunkt ist
Viele Ausfälle häufen sich in der kalten Jahreszeit. Feuchtigkeit, Laub, Frost und Schnee belasten Bremsen, Sandungsanlagen, Kompressoren und elektrische Komponenten. Gleichzeitig ist die Nachfrage im Güterverkehr im Herbst hoch, sodass jeder Ausfall besonders schmerzt.
Wer im Herbst aus den Daten des vergangenen Winters lernt, welche Komponenten bei Kälte besonders anfällig waren, kann gezielt vorbeugen. Loks, deren Daten auf eine Schwäche hindeuten, werden vor dem Winter überprüft. Ersatzteile für typische Winterschäden werden rechtzeitig bereitgestellt. Und die Zahl der Ersatzloks für die kalten Monate lässt sich auf Basis der erwarteten Ausfallraten planen.
Die Datenfrage
Vorausschauende Instandhaltung braucht Daten, und bei Lokomotiven sind an diesen Daten oft mehrere Parteien beteiligt. Der Hersteller liefert die Telematik, der Vermieter oder Eigentümer ist für die Instandhaltung verantwortlich, und der Betreiber fährt die Lok im Alltag. Wem die Daten gehören, wer sie nutzen darf und wo sie gespeichert werden, sollte früh und klar geregelt sein.
Für die Auswertung braucht es eine Plattform, die große Mengen an Zeitreihen sicher speichert und für Modelle aufbereitet. Hex ist Teil der Anexia Gruppe, die Rechenzentren in Europa betreibt und nach ISO 27001 zertifiziert ist. Daten können so unter europäischem Recht verarbeitet werden, ohne Abhängigkeit von außereuropäischen Plattformen. Mehr dazu auf den Seiten zur Datenintegration, zu DevOps und Cloud und zu unseren Zertifizierungen.
Schrittweise einführen
Vorausschauende Instandhaltung muss nicht mit einem Großprojekt beginnen. Wir empfehlen, mit einer oder zwei Komponenten zu starten, bei denen Ausfälle häufig und teuer sind und genügend Daten vorliegen. Dort lässt sich schnell zeigen, ob die Prognosen verlässlich sind und wie sich die Planung verbessert. Danach werden weitere Komponenten ergänzt.
Wichtig ist dabei, dass bestehende Wartungsvorschriften weiterhin eingehalten werden. Die vorausschauende Instandhaltung ergänzt die Fristen, sie ersetzt sie nicht ohne Weiteres. Änderungen an Intervallen müssen im Instandhaltungssystem nachvollziehbar begründet und freigegeben werden. Ein Modell, das seine Empfehlungen erklärt, ist dafür eine gute Grundlage. Mehr zu unserem Ansatz auf der Seite zur KI-gestützten Disposition.
Welche Komponenten sich zuerst lohnen
Nicht jede Komponente eignet sich gleich gut für den Einstieg. Am meisten bringen Bauteile, deren Ausfall einen Zug stilllegt, deren Reparatur lange dauert oder teure Teile erfordert und für die gleichzeitig aussagekräftige Messdaten vorliegen. Bei Lokomotiven gehören dazu häufig Komponenten des Antriebsstrangs, der Kühlung, der Druckluftversorgung und der Bremsen, aber auch Stromabnehmer und elektronische Baugruppen.
Eine einfache Auswertung der Ausfallhistorie hilft bei der Auswahl. Welche Schäden haben in den vergangenen Jahren die meisten Stillstandstage verursacht? Für welche davon gibt es Signale in den Daten, die sich vor dem Ausfall verändern? Die Schnittmenge aus beiden Fragen ist der beste Startpunkt. Dort lässt sich am schnellsten zeigen, dass vorausschauende Instandhaltung im eigenen Betrieb funktioniert.
Sie möchten die Daten Ihrer Flotte für eine vorausschauende Instandhaltung nutzen? Sprechen Sie mit uns. Wir zeigen Ihnen, wie Prognose und Planung zusammenspielen können.
Häufige Fragen
Welche Daten braucht man für Predictive Maintenance?
Telematikdaten der Fahrzeuge, die Historie der Wartungen und Reparaturen und möglichst Informationen zu den Einsatzbedingungen. Je länger die Historie, desto besser die Prognosen.
Ersetzt vorausschauende Instandhaltung die festen Wartungsintervalle?
Nicht automatisch. Sie ergänzt sie und kann eine Grundlage sein, Intervalle begründet anzupassen. Die Freigabe erfolgt im Rahmen des Instandhaltungssystems.
Wie schnell zeigen sich Ergebnisse?
Bei einer Komponente mit guter Datenlage oft innerhalb weniger Monate. Der volle Nutzen entsteht, wenn Prognosen und Instandhaltungsplanung zusammenarbeiten.
Fällt vorausschauende Instandhaltung unter den europäischen AI Act?
Das hängt vom konkreten Einsatz ab. Systeme, die Prognosen liefern und bei denen Menschen die Wartungsentscheidung treffen, sind anders zu bewerten als Systeme, die sicherheitsrelevante Funktionen steuern. Wir empfehlen, das im Einzelfall zu prüfen, und bauen unsere Lösungen so, dass jede Empfehlung nachvollziehbar bleibt.