Forschungsprojekt

Instandhaltung planen, bevor Handlungsbedarf entsteht.

Forschungsprojekt

Instandhaltung planen, bevor Handlungsbedarf entsteht.

Ergebnis Grün am Gleis: Gefährdungspotential einzelner Bäume

Vegetationsmanagement

Vegetation entlang von Bahnstrecken muss regelmäßig kontrolliert und gepflegt werden, um Risiken für den Bahnbetrieb frühzeitig zu erkennen. Die DB-Richtlinie 882 definiert hierfür unter anderem Anforderungen an Rückschnitts- und Stabili­sie­rungs­zonen. Vor-Ort-Kontrollen durch Fachpersonal sind jedoch zeit- und kostenintensiv.

Der von uns entwickelte Demonstrator bildet den Prozess von der Bestands- und Zustands­erfassung über die Wachstums­prognose bis zur bedarfsgerechten Planung von Kontrollen und Maßnahmen ab. Dafür lassen sich multispektrale und LiDAR-Daten von Zügen, Drohnen oder Flugzeugen sowie Satellitendaten nutzen. KI-gestützte Verfahren analysieren die Daten und ermöglichen es, einzelne Bäume zu erfassen, Totholz zu erkennen sowie Höhe und Abstand zum Gleis zu bestimmen.

In Verbindung mit Wachstums­modellen lässt sich abschätzen, wann ein kritischer Zustand erreicht werden könnte. Dadurch können Kontroll­intervalle und Pflege­maß­nahmen stärker am tatsächlichen Risiko ausgerichtet und unnötige Vor-Ort-Kontrollen reduziert werden.

Ergänzend wurde untersucht, wie sich freizuhaltende Sichtflächen an technisch nicht gesicherten Bahnüber­gängen automatisiert bestimmen und hinsichtlich kritischer Vegetation bewerten lassen.

Benutzeroberfläche des Demonstrators (Web-Applikation)

Lebensdauerverbrauch von Fahrzeugstrukturen

Strukturermüdung entsteht über lange Zeit und ist zunächst weder sichtbar noch unmittelbar als Funktionsverlust erkennbar. Für eine bedarfsgerechte Instandhaltung ist deshalb entscheidend, wie stark eine Fahrzeugstruktur tatsächlich beansprucht wurde und wie sich weitere Einsätze auf ihren Lebensdauerverbrauch auswirken.

Der Fahrzeug-Demonstrator verknüpft Streckencharakteristika wie Geschwindigkeit, Streckenverlauf, Weichen oder Halte mit den daraus resultierenden lokalen Strukturbeanspruchungen. Ein trainiertes Machine-Learning-Modell prognostiziert diese Beanspruchungen für eine gewählte Route; ein Betriebsfestigkeitsmodell leitet daraus die akkumulierte Schädigung ab.

Damit können gefahrene Strecken hinsichtlich ihres bisherigen Lebensdauerverbrauchs bewertet und für geplante Routen zusätzliche Beanspruchungen abgeschätzt werden. Instandhaltung könnte so stärker am tatsächlichen Nutzungsspektrum eines Fahrzeugs ausgerichtet werden. Für eine Übertragung auf reale Flotten sind weitere Validierungen erforderlich.

Von der Forschung zur konkreten Anwendung

Die entwickelten Demonstratoren sind Machbarkeitsnachweise und keine unmittelbar einsetzbaren Produkte. Sie zeigen jedoch, wie sich Daten, physikalische Modelle und Machine-Learning-Verfahren zu durchgängigen Diagnose- und Prognoseketten verbinden lassen.

Für konkrete Anwendungen können diese Ansätze an die jeweilige Infrastruktur, Fahrzeuge, verfügbaren Daten und betrieblichen Prozesse angepasst werden. Perspektivisch können solche Analyseketten auch Bausteine eines digitalen Zwillings bilden.

Kundenstimme

Projekt “Diagnose und Prognose für das Instandhaltungsmanagement im Schienenverkehr”

Das Projekt war geprägt von einer sehr kompetenten, verlässlichen und zugleich offen geführten Zusammenarbeit. Besonders positiv hervorzuheben ist die Bereitschaft, Alternativvorschläge und abweichende Lösungsansätze aufzunehmen und gemeinsam pragmatische Kompromisse zu finden. Die Ergebnisse wurden in hoher Qualität dokumentiert, Abstimmungen verliefen transparent und zielorientiert und die verlässliche Arbeitsweise ermöglichte eine effiziente Durchführung mit minimalen Steuerungsbedarf.

Insgesamt eine äußerst angenehme und professionelle Projektabwicklung.

Axel SimrothDeutsches Zentrum für Schienenverkehrsforschung beim Eisenbahn-Bundesamt (DZSF)
Kontakt