TRAINS – Teilvorhaben UV12: Digitale Methoden für vorausschauende Instandhaltung von Schienenfahrzeugen

Ermüdungserscheinungen von Bauteilen lassen sich durch Betriebsfestigkeitsnachweise beurteilen. Solche Tests weisen aber auch Fehler auf, sodass Schäden nie vollkommen ausgeschlossen werden können. Vielmehr liefert der Nachweis Aussagen zur statistischen Wahrscheinlichkeit eines Schadens. Für die Beurteilung im Fahrzeugbereich ist das jedoch problematisch, denn die Berechnung der Einsatzzeiten von technischen Systemen soll hier der Betriebssicherheit und der Verlängerung von Einsatzzeiten dienen. Die Sicherheit der voraussagenden Methoden hat deshalb einen besonderen Stellenwert, vor allem beim Antriebsstrang von Schienenfahrzeugen. Im Sinne der Instandhaltung weist dieser ein besonders hohes Optimierungspotenzial auf. Die Hauptnotwendigkeit der Wartung für Antriebsstränge ergibt sich aus der hochdynamischen, schwingenden Belastung aller Komponenten, als deren Konsequenz Ermüdungsschäden auftreten können.

Gesamtziel des vorliegenden Verbundvorhabens TRAINS – Teilvorhaben UV12 ist es, die digitalen Methoden des Industrie 4.0, Big Data-, Internet of Things- und Cloud-Technologien sowie die Datenauswertung mit Methoden des maschinellen Lernens in die Schienenfahrzeuginstandhaltung einzuführen. So sollen vorausschauende Instandhaltungsintervalle ermittelt werden, um sowohl die Zuverlässigkeit als auch die Lebensdauer der Fahrzeuge zu maximieren – was wiederum die Wartungs- und Betriebskosten minimieren soll.

Das Teilvorhaben wird von insgesamt sieben Partnern durchgeführt, die sich neben der Einführung von „HealthMonitoring“ in Triebwagen auch mit der Etablierung von Maschinellem Lernen für die Datenauswertung beschäftigen.

TRAINS - Sub-project UV12: Digital methods for predictive maintenance of rail vehicles

Fatigue phenomena of components can be assessed using fatigue strength tests. However, such tests also have errors, meaning that damage can never be completely ruled out. Rather, the verification provides information on the statistical probability of damage. However, this is problematic for assessment in the vehicle sector, as the calculation of the operating times of technical systems is intended to ensure operational safety and extend operating times. The reliability of the predictive methods is therefore of particular importance, especially for the drive train of rail vehicles. In terms of maintenance, this has a particularly high potential for optimization. The main necessity of maintenance for drivetrains results from the highly dynamic, oscillating load on all components, as a consequence of which fatigue damage can occur.

The overall aim of this joint project TRAINS - sub-project UV12 is to introduce the digital methods of Industry 4.0, big data, Internet of Things and cloud technologies as well as data evaluation using machine learning methods into rail vehicle maintenance. The aim is to determine predictive maintenance intervals in order to maximize both the reliability and service life of the vehicles - which in turn should minimize maintenance and operating costs.

The sub-project is being carried out by a total of seven partners who are working on the introduction of "health monitoring" in railcars as well as the establishment of machine learning for data evaluation.