Vorausschauende Instandhaltung der Eisenbahnsysteme mit Hilfe der künstlichen Intelligenz

Sie sind hier: Homepage > Suche

Vorausschauende Instandhaltung der Eisenbahnsysteme mit Hilfe der künstlichen Intelligenz

Fink, Olga / Weidmann, Ulrich

Zustandsüberwachungssysteme und Diagnosesysteme generieren Daten die bei vielen Eisenbahnen zur Auslösung von Instandhaltungsarbeiten benutzt werden. In Zukunft sollten diese Maßnahmen nicht erst bei Überschreiten eines Grenzwertes, sondern durch einen zukünftigen, vorhersagbaren Zustand ausgelöst werden. Aus den vorhandenen Daten können durch selbstlernfähige Algorithmen Systemzustände abgeleitet werden, die den Zeitpunkt des Eingreifens bestimmen. Dies wird am Beispiel der Störungen von Türsystemen dargestellt. Die Datenbasis stammt aus einer europäischen Fahrzeugflotte mit 52 Fahrzeugen mit je vier Türen pro Wagen, der beobachtete Zeitraum betrug 313 Tage. Das Diagnosesystem erfasst 261 verschiedene Ereigniscodes. Die, als Zeitreihen vorliegenden Daten wurden in vierwöchige Zeitreihenintervalle geteilt, die jeweils um einen Tag rollierend über den gesamten Zeitraum verschoben wurden. Störungen wurden in drei Fuzzy-Klassen eingeteilt mit einem kurzen (11 Tage) mittleren (6 bis 37 Tage) und langfristigen (mehr als 30 Tage) Zeithorizont. Zur Prognose von Betriebsstörungen und zum Erkennen von Mustern wurde eine Kombination aus Restricted Boltzmann Machines und Echo State Networks eingesetzt. Um die Leistungsfähigkeit der Algorithmen zu evaluieren wurden 90 % der Datenmuster (1075 Datensätze) zum Training der Algorithmen verwendet, 10 % (119 Datensätze) um das praktische Verhalten zu erproben. Für die Klassen wurden folgende Wahrscheinlichkeiten ermittelt, prognostiziert/tatsächlich: Kurzfristig 97,4 %; mittelfristig 95,3 %; langfristig 97,3 %. Die entwickelte Methodik kann auch für andere Systeme und Komponenten verwendet werden.