Bora Man

Digital Twin – Das Schienenfahrzeug als virtuelles Asset im Flottenmanagement

Beitrag vom 30. Juni 2020

Kürzere Durchlaufzeiten und verbesserte Effizienz durch kontinuierliche Echtzeit-Datenanalyse. Profitieren Sie von einer ganzheitlichen Sicht auf Ihr Fahrzeug: 360° an 365 Tagen.

Neue Horizonte durch Digitalisierung

Durch den Einzug der IoT in die Digitalisierungswelt der Schienenfahrzeuge haben sich völlig neue Horizonte des Daten- und Informationsmanagements von Schienenfahrzeugen ergeben. Umfassende technologische Weiterentwicklungen im Bereich der Telemetrie, Sensorik, sowie der Telekommunikation ermöglichen die zeitnahe und umfassende Erfassung, Übermittlung, Speicherung und Verarbeitung von fahrzeugspezifischen Zustandsdaten und somit nunmehr die Abbildung des realen Objektes auf ein virtuelles Asset. Diese Daten umfassen zum einen klassische technische Informationen und Messwerte vom Fahrzeug und dessen Komponenten, welche als Grundlage für die Instandhaltungsentwicklung herangezogen werden können, und zum anderen Daten und Informationen aus dem Systemumfeld.

360°/365 Tage Sicht auf das Schienenfahrzeug

So ist es nun möglich und anzustreben, alle kontextbezogenen Informationen zum Schienenfahrzeug (Asset) miteinander logisch und chronologisch zu verknüpfen. Dazu ist es notwendig, eine integre, gekapselte und einheitliche Sicht auf das System „Schienenfahrzeug“ der Entität „Asset“ zu generieren. Dabei wird das System „Schienenfahrzeug“ als Summe seiner Komponenten im Teilsystem „Fahrzeuge“ im Sinne der TSI, sowie in Wechselwirkung mit dessen Umfeld (Interoperabilität) definiert.

Diese Datendomänen referenzieren zum einen zu den jeweiligen Teilsystemen der TSI, als auch zu logistischen und kommerziellen Informationsquellen über die Lebenszeit des Schienenfahrzeuges.

Durch die kausale Verknüpfung der Datendomänen und der Informationskategorien, wird eine 360° Sicht, 365 Tage ermöglicht. Daher wird eine umfassende Sicht auf den gesamtheitlichen Zustand des Schienenfahrzeuges generiert (Digital Twin), welche über die Zeitschiene verwendungs- und zustandsbezogen nachvollzogen werden kann, bzw. den wahrscheinlichen, zukünftigen Zustand des Schienenfahrzeuges ermitteln, bzw. einen optimierten Einsatz und Umlaufplan vorschlagen kann. Somit ist dies die Grundlage für „predictive Assetmanagement“ im Sinne der Weiterentwicklung und Optimierung der Instandhaltungsstrategien, der Zuverlässigkeit der Schienenfahrzeuge, der Einsatz- und Produktivitätsoptimierung, der kommerziellen Verwertung der vorliegenden und angereicherten Informationen, Grundlage für Forschung und Entwicklung weiterer integrierter Technologien, sowie die Generierung neuer Geschäftsmodelle auf Grundlage der vorliegenden Datenstrukturen.

 

Optimierung durch künstliche Intelligenz

Der daraus gewonnene Data-Lake bildet in Folge ebenso die Grundlage für die Implementierung von Anwendungen mit künstlicher Intelligenz zur Optimierung und Vorhersage von Wartungs- und Instandhaltungsempfehlungen Produktions-, Einsatz- und Umlaufoptimierungen der einzelnen Assets, der Flotte und folglich dem gesamten Flottenmanagement. Diese, durch Deep Learning von empirischen Daten und regelbasierte Algorithmen, generierten Handlungsempfehlungen und Vorhersagen, dienen zur Unterstützung und Automatisation des Managements des einzelnen Assets und des Fuhrparks. So können zum Beispiel anhand der empirischen Daten typische Verschleiß- und Wartungskurven, durch diese Lernmethoden, entwickelt werden, welche folglich, basierend auf den aktuell vorliegenden Zustandsinformationen von Komponenten, auf diese angewandt werden und so zukünftige Zustände, Ausfälle, Wartungsnotwendigkeiten, bzw. Restlaufleistungen vorhergesagt oder vorgeschlagen werden.

Die Wartungsnotwendigkeit wird hier grundsätzlich über die zu Grunde liegenden Instandhaltungsstrategien gemäß Fahrzeughersteller, bzw. Instandhaltungsentwickler (ECM2) vorgegeben. Durch Anwendung komponententypischer Verschleißkurven auf die aktuellen Verschleißkurven der jeweilig eingebauten Komponenten ergeben sich Vorschläge zur Restlaufleistungen und damit zur Notwendigkeit der Wartung oder Instandhaltung der Komponente. Dies bildet, über das gesamte Teilesystem des Fahrzeugs gelegt, die Möglichkeit zur zustandsbasierten Modularisierung von Wartungsintervallen.

Anforderungen an Enterprise Asset Management Software (EAM)

Um nun einen digitalen Zwilling eines Schienenfahrzeuges abbilden zu können, ist es notwendig, eine Software einzusetzen, welche den primären Fokus auf die Entität – Asset – (Schienenfahrzeug) gewährleistet. Das Asset ist der Dreh- und Angelpunkt des „Digital Twin“. So ist der Ausgangspunkt ein umfassendes Asset-Management-System, welche alle Datendomänen und Informationskategorien beherrscht. Um die Durchgängigkeit und Integrität der Daten und Prozesse sicherstellen zu können, ist ebenfalls die Sphäre der Instandhaltung und Wartung (ECM2-ECM4) abzudecken.

Eine Verbindung zu den produktionellen Systemen, abhängig vom primären Verwendungszweck des Schienenfahrzeuges (Personenverkehr, Güterverkehr, Nahverkehr, Fernverkehr, usw.) stellt eine obligatorische Rahmenbedingung zur gesamtheitlichen Abbildung des digitalen Zwillings dar.

Technologisch muss die Software imstande sein, ein ausgewogenes Maß an Standardprozessen und Schnittstellen „Out of the Box“ mitzuliefern und ebenso die Möglichkeit zur Anpassung (Customizing) oder individuellen Anpassung (Total Customizing) bieten. Dies wird in der BOOM RAIL SOLUTIONS durch die scharfe Abgrenzung und Zuweisung von Prozessen, Kompetenzen und Verantwortungen zu den einzelnen Modulen erreicht und damit die hohe Datenintegrität zur durchgängigen Abbildung und Verfolgung und Managements des Digitalen Zwillings – Schienenfahrzeug sichergestellt.

Die Abbildung zeigt den Implementierungsstand sowie die Roadmap zum aktuellen Stand der Technik der Entwicklung von „Digital Twin – Schienenfahrzeuge“ der Boom Software AG.

Demnach ist Digitalisierung bei Schienenfahrzeugen und generell im Eisenbahnwesen ein weites und großes Zukunftsthema und absolute Notwendigkeit, um die Sicherheit und Performance bei immer größer werdenden Leistungs- und Kapazitätsanforderungen erfüllen zu können.

Zurück zur Übersicht
Fokus auf
Bahn
Blog
Bora
Die Herausforderungen auf der Schiene 2021: digitaler Mauerfall zwischen ECM2 & ECM3
Beitrag vom 14. Januar 2021

2021 steht für uns bei Boom Software unter dem Motto „Effizienz auf der Schiene programmierbar machen“.

Mehr
Katharina
EVUs auf Erfolgskurs: mit Lean Smart Maintenance an die Spitze
Beitrag vom 28. Januar 2021

Die Lean Smart Maintenance steigert nicht nur die Effizienz, Zuverlässigkeit und Verfügbarkeit von Fahrzeugen und Werkstätten. Sie stellt auch klar einen betriebswirtschaftlichen und strategischen Vorteil für EVUs dar!

Mehr
Roman
Smart-Data und die Schiene: EVUs in der Pflicht
Beitrag vom 10. Februar 2021

Sensoren ermöglichen die Erfassung einer Vielzahl von Daten, die in Echtzeit Informationen über den Zustand von Schienenfahrzeugen liefern.

Mehr