Aufbauend auf den zwei vorangegangenen Beiträgen zum Thema der datengetriebenen, zustandsabhängigen Instandhaltung in El 11|14 und 03|15, vollzieht der vorliegende Beitrag mit der Diagnose und Prognose die letzten Schritte einer kontinuierlichen Überwachung von Infrastrukturelementen. Die so erzielte Fehlerursachenbestimmung als auch die bessere Planbarkeit von Instandhaltungsmaßnahmen können den Verkehrsträger Schiene in seiner Wettbewerbsfähigkeit wirkungsvoll stärken. Daher werden neben dem prinzipiellen Vorgehen auch Grundvoraussetzungen für eine erfolgreiche Umsetzung in die Praxis angesprochen. Die vorangegangenen Beiträge zeigten auf, wie sich anhand von Sensordaten informative Merkmale zum Zweck der Zustandsüberwachung von Infrastrukturelementen extrahieren und auf wenige, handhabbare Entscheidungsgrößen abbilden lassen. Eine datengetriebene Fehlerdetektion, also das automatisierte Erkennen von Auffälligkeiten, war somit bereits möglich. Der aktuelle Beitrag erweitert diese Wirkungskette, indem er zusätzlich die Fehlerlokalisierung adressiert. Erst somit ist eine Zustandsdiagnose der überwachten Infrastrukturelemente gegeben. Durch das automatisierte Erkennen von fehlerhaften (Sub)-Komponenten ist eine nutzbringende, datengetriebene Unterstützung bei den Instandhaltungsmaßnahmen zu erwarten. Hierzu wurde neben der zeitabhängigen Einteilung von Sensordaten das Verfahren des überwachten Lernens vorgestellt. Das prinzipielle Vorgehen wurde beschrieben und die Grundvoraussetzungen für eine erfolgreiche Umsetzung in die Praxis angesprochen. Aufbauend auf der Zustandsdiagnose erschließt die Zustandsprognose weitere Optimierungsmöglichkeiten. Anhand der Vorhersage von zukünftigen Zustandsentwicklungen der überwachten Infrastrukturelemente werden Instandhaltungsmaßnahmen besser planbar. Eine Reduktion von meist teuren Sofortmaßnahmen kann die Wettbewerbsfähigkeit des Verkehrsträgers Schiene stärken. Denn weniger Verspätungsminuten bedeuten geringere Kosten für den Eisenbahninfrastrukturbetreiber und mehr Komfort für den Reisenden. Aus diesem Grund entwickelt das Institut für Verkehrssystemtechnik die Algorithmen zur Zustandsdiagnose und -prognose weiter, erproben diese unter realitätsnahen Bedingen im Weichentestfeld von DB Training und unterstützen die Migration dieser Techniken in die praktische Anwendung als Innovationsbegleiter von Infrastrukturbetreibern.

    Building on the two previous contributions to the subject of data driven, condition based maintenance in El 11/14 and 03/15, the present article fulfils the last steps to a continuous supervision of infrastructure elements by diagnosis and forecasts. Causes of failures are detected in this way and it becomes easier to plan maintenance measures, which may lead to an effective strengthening of rail as a mode of transport in its competitive position. This leads from the procedure to follow in principle to mentioning the basic preliminary conditions for implementation in practical terms.


    Access

    Access via TIB

    Check availability in my library

    Order at Subito €


    Export, share and cite



    Title :

    Aspekte einer datengetriebenen, zustandsabhängigen Instandhaltung. (Teil 3) Zustandsdiagnose und -prognose


    Additional title:

    Aspects of data driven, condition based maintenance


    Contributors:

    Published in:

    Der Eisenbahningenieur ; 66 , 5 ; 43-49


    Publication date :

    2015


    Size :

    6 Seiten, Bilder, 13 Quellen



    Type of media :

    Article (Journal)


    Type of material :

    Print


    Language :

    German