Digitalisierung im Bahnverkehr

Der Bahnverkehr auf den stark frequentierten Strecken stößt an seine Grenzen. Insbesondere die Infrastruktur der Fern- und S-Bahn-Gleise ist ausgelastet. Schon kleinste Verzögerungen im Ablauf führen zu Verspätungen und verärgern Reisende und Pendler. Die weitere Digitalisierung von Prozessen sowie echtzeitnahe Datenanalysen könnten den Bahnbetreibern wieder Planungsluft verschaffen.

Vor dem März fürchteten sich die Pendler, die täglich mit der S-Bahn zur Arbeit nach Köln fahren. Rund sechs Wochen lang saniert und erneuert die Deutsche Bahn Gleise und Weichen im gesamten S-Bahn-Knoten Köln. 60.000 Pendler sind davon betroffen. Selbst ohne Baustellen sind die Gleise rund um den Kölner Hauptbahnhof ein Nadelöhr für den Nah- und Fernverkehr. Besonderer Brennpunkt: die Hohenzollernbrücke über den Rhein mit nur sechs Gleisen, zwei davon für den S-Bahn-Verkehr reserviert. Mit etwa 1220 Zugfahrten pro Tag ist sie eine der meistbefahrenen Eisenbahnbrücken in Deutschland. Wenn Zugpläne hier ins Stottern geraten, wirkt sich das auf den gesamten Schienenverkehr in Nordrhein-Westfalen aus.

Predictive Maintenance, Operations und Analytics
Ein Beispiel, warum Bahnbetreiber mit Hochdruck daran arbeiten die logistischen Abläufe der bis an die Grenzen ausgelasteten Netzinfrastruktur zu optimieren. Denn auf dem bestehenden Netz müssen sie künftig deutlich mehr Fahrgäste transportieren. Und dem Ausbau des Schienennetzes sind nicht nur in Köln Grenzen gesetzt. Wie können die Bahnen also mehr Reisende bei gleichen Ressourcen möglichst pünktlich befördern? Die Unternehmen setzen dafür auf Digitalisierung mit Hilfe neuer IT-Lösungen wie Predictive Maintenance, Predictive Operations und Predictive Analytics.

Stichwort unterbrechungsfreier Betrieb, aus Sicht des Operators eine ständige Herausforderung. Mit vorausschauender Disposition ließen sich mehr Personen und Güter mit der selben Infrastruktur transportieren. Studien zeigen, dass 35 Prozent der Initialverspätungen - also der auslösenden Verspätungen - auf Störungen und Defekte von rollendem Material - Lokomotiven, Triebwagen, Personen- und Güterwagen - und Infrastrukturkomponenten basieren. Dies obwohl die Bahnen ein bis ins Detail durchgeplantes Wartungskonzept einsetzen, dass inzwischen jedoch keine signifikanten Prozessverbesserungen mehr erzielt. Die Grenzen der reaktiven Wartung sind erreicht.

Union Pacific Railroad spart Millionen
Die fortlaufende sensorgestützte Analyse von Rollmaterial und Infrastruktur dagegen könnte signifikante Verbesserungen ergeben. Loks, Triebwagen und Co senden dabei laufend Zustandsdaten von Maschinen, Motoren und kritischen Bauteilen, spezielle Software analysiert diese Daten und meldet Fehler bevor sie tatsächlich zum ungeplanten Stillstand führen. Predictive Maintenance. Die Union Pacific Railroad, eine der beiden großen Eisenbahngesellschaften im Westen der Vereinigten Staaten, setzt Jahren auf die vorrausschauende Wartung ihrer Lokomotiven und spart nach eigenen Angaben rund 100 Millionen Dollar pro Jahr. Auch zukünftig wird die Wartungsstrategie sowohl aus reaktiven als auch zeitplanbasierte Elementen bestehen. Doch während heute die vorausschauende Wartung nur einen geringen Anteil ausmacht, kann sie zukünftig mehr als 50 Prozent betragen.

Methoden der Predictive Operations gehen einen Schritt weiter, da die Datenanalysen auch Informationen einbeziehen, die nicht mit den Maschinenzuständen zu tun haben. Ein Beispiel: betriebliche Zwangsbremsungen. Ein Zug wird auf seiner Route permanent hinsichtlich Geschwindigkeitsabweichung beobachtet. Bei Abweichungen kommt es zu betrieblichen Zwangsbremsungen auf freier Strecke, die oft auch Verzögerungen für nachfolgende Züge mit sich bringen. Die Geschwindigkeitsermittlung kann durch ein durchdrehendes Rad auf fehlerhaften Messwerten beruhen, so dass die Automatik unnötige Zwangsbremsungen einleitet.

Daten verschiedener Quellen verknüpfen
Moderne Predictive Operations-Lösungen verknüpfen Umweltdaten, GPS-Koordinaten und geographischen Daten mit den Zugdaten und erkennen Fehlmessungen, zum Beispiel auf Anstiegen oder verursacht durch Starkregen. Für die identifizierten Gefahrenstellen werden entsprechend angepasste Fahrverhalten definiert und so unnötige Zwangsbremsungen vermieden – was die Zahl der Verspätungen verringert.

Ein weiteres Phänomen ist das Bügelspringen, bei dem der Stromabnehmer bei der Fahrt kurzzeitig den Kontakt zur Oberleitung verliert. Tritt dies häufiger auf bestimmten Streckenabschnitten auf, deutet dies auf Probleme mit der Oberleitung hin. Eine Analyse im Rahmen von Predictive Operations erkennt die Abschnitte mit vermehrtem Bügelspringen. Bahnbetreiber können diese Abschnitte dann gezielt sanieren, Verspätungen verringern und sich teure Messfahrten sparen.

Den höchsten Erkenntniswert liefert die vorausschauende Analyse – Predictive Analytics – die auf Methoden der künstlichen Intelligent beruhen. Mathematische Algorithmen prognostizieren das künftige Verhalten von Systemen anhand von historischen Verhaltensdaten – vergleichbar mit einem EKG das Normalzustände mit aktuell gemessenen Daten vergleicht und Risiken erkennt. Bei Maschinen lassen sich durch diese Methodik Daten analysieren, wie sie typisch für den Zeitpunkt vor dem Eintritt eines Schadens waren.

Reisende besser informieren
Methoden der Predictive Analytics lassen sich auch für die bessere Information der Reisenden nutzen. Denn sie wünschen sich genauere Informationen darüber, ob ein unvorhergesehenes Ereignis ihre Abfahrtszeit verändert und ungeplante Wartezeiten entstehen. Umfragen zeigen, dass sich Bahnfahrer weniger über Verspätungen ärgern, da auch Fahrten mit dem Auto selten pünktlich sind. Reisende fühlen sich schlecht informiert, wenn Verspätungsdurchsagen vage Angaben über das tatsächliche Eintreffen machen. Oder schlimmstenfalls stehen sie auf zugigen Bahngleisen und es gibt keine Informationen.

Auf der CeBIT stellt T-Systems eine Data Analytics-Lösung vor, die Liniendienste und deren Kunden automatisiert und in Echtzeit über Abfahrtszeiten von Fernzügen und -bussen informiert. Die Data Analytics-Plattform von T-Systems berechnet innerhalb von zehn Sekunden die Auswirkungen von veränderten Zugankünften auf Anschlussverbindungen für das komplette Liniennetz eines europäischen Bahnanbieters mit bis zu 40.000 täglichen Zügen berechnen.
Dazu gleicht die Lösung fortlaufend die theoretischen Fahrplandaten mit der aktuellen Verkehrslage und den regelmäßigen Statusmeldungen der einzelnen Verkehrsmittel ab. Aus diesen Daten wird eine Prognose über die voraussichtliche Ankunftszeit und gleichzeitig deren Effekt auf mögliche Anschlüsse erstellt. Fahrgäste können damit bis zu 90 Minuten vor der geplanten Abfahrt per Smartphone in Echtzeit über die reale Abfahrtszeit informiert werden. T-Systems nutzt für Data Analytics sowohl SAP HANA als auch Hadoop - auch aus der Cloud. Dabei werden die Services in zertifizierten Hochsicherheits-Rechenzentren erbracht, die den strengen deutschen Datenschutz erfüllen.

Die Digitalisierung des Bahnverkehrs ist mit den Predictive-Ansätzen noch nicht am Ende. Auch die Qualität von WLAN im Zug wird ansteigen und auch die Bahnen denken darüber, Züge autonom – also ohne Lokführer - fahren zu lassen. Dafür allerdings ist Kommunikation in Echtzeit erforderlich, die mit dem Einzug des nächsten Mobilfunkstandards 5G möglich sein könnte. Bis 2020 soll 5G marktreif sein und dann einen hundertfach höheren Datendurchsatz bei einer Reaktionszeit von gerade einer Millisekunde und extremer Verlässlichkeit ermöglichen. Eine Basis für neue Geschäftsmodelle in allen Branchen – auch bei der Bahn.