Problemstellung

Eine hohe und zugleich wirtschaftlich effiziente Zuverlässigkeit von Stadtbahnen ist entscheidend, um die Attraktivität des ÖPNV im innerstädtischen Bereich zu erhöhen. Schadensfälle sollten dabei mit vertretbarem Wartungsaufwand vermieden werden. Mit Hilfe digitaler Methoden lassen sich Schadensentwicklungen im laufenden Betrieb vorhersagen und Stadtbahnflotten gezielt und effizient warten. Von der verbesserten Zuverlässigkeit und Kosteneffizienz profitieren Verkehrsbetriebe, Fahrgäste und Kommunen gleichermaßen.

Ergebnisse und Wirkung

Im Projekt wurde ein digitales Abbild einer Stadtbahnflotte entwickelt. Die Zustandsveränderungen einzelner Fahrzeuge wurden aus Messungen mit Standardsensoren abgeleitet und in einer Cloud-basierten Flottenbeschreibung für Straßenbahnbetreiber und Wartungsunternehmen zusammengeführt. Grundlage bildeten sowohl vorhandene Messdaten als auch eine eigens ausgestattete Messstraßenbahn. Durch digitale Datenerfassung und den Einsatz maschinellen Lernens können nun Ermüdung und Verschleiß von Bauteilen erfasst, Ursachen identifiziert und Schäden vorhergesagt werden, bevor sie zu Fahrzeugausfällen führen. Die digitale Bereitstellung dieser Informationen ermöglicht es Verkehrsbetrieben, Reparaturen zu vermeiden, Verfügbarkeiten besser zu planen und den Bahneinsatz zu optimieren – zum Nutzen von ÖPNV, Fahrgästen und Kommunen. Darüber hinaus wurden die erhobenen Daten der Öffentlichkeit zur Entwicklung weiterer Modelle bereitgestellt.