KI prognostiziert Ersatzteilbedarf für Class-77-Lokomotiven

Fehlende Ersatzteile können die Instandhaltung von Lokomotiven erheblich verzögern und Fahrzeugstillstände verursachen. Um Engpässe in der Ersatzteilversorgung zu vermeiden, hat DB Cargo das Projekt „Ersatzteilprognose 1.0“ gestartet. Ziel ist eine datenbasierte Planung, bei der Ersatzteile genau dann verfügbar sind, wenn sie benötigt werden, ohne gleichzeitig Lagerbestände unnötig zu erhöhen.

KI-basierte Prognose für die Instandhaltung
Im Logistikzentrum Darmstadt, dem Railport von DB Cargo, wurde ein KI-Modell entwickelt, das die Planung der Ersatzteilversorgung unterstützt. Das Modell kombiniert historische Verbrauchsdaten mit zusätzlichen Kontextinformationen wie Laufleistung der Fahrzeuge, Instandhaltungsfristen und Werkstattprozessen.

Die Entwicklung erfolgte durch ein Projektteam aus Materialplanung, Data Science und Fachbereichen der Instandhaltung. Durch die Integration mehrerer Datentypen verbessert das Modell die Prognosegenauigkeit insbesondere bei Bauteilen, die nur unregelmäßig benötigt werden.

Herausforderungen bei der Class-77-Flotte
Die Anwendung konzentriert sich zunächst auf die rund 60 Lokomotiven der Baureihe Class 77, die auf nicht elektrifizierten Strecken eingesetzt werden. Da diese Dieselloks ursprünglich in Kanada gebaut wurden, können Ersatzteile lange Lieferzeiten aufweisen – teilweise mehrere Monate.

Klassische Prognosemethoden stoßen bei solchen Bauteilen häufig an ihre Grenzen. Viele Komponenten werden nur sporadisch benötigt, wodurch reine historische Verbrauchsdaten nur begrenzte Vorhersagen ermöglichen. Die KI-basierte Analyse ergänzt diese Daten daher um betriebliche Kontextinformationen.

Beispiel aus der Praxis: Ölpumpenbedarf
Ein praktisches Beispiel liefert die Planung für eine Ölpumpe der Class-77-Lokomotiven. Während eine konventionelle Prognose keinen Bedarf erkannte, sagte das KI-Modell fünf benötigte Einheiten voraus. Der tatsächliche Verbrauch lag bei sechs Stück.

Angesichts von Lieferzeiten von etwa 500 Tagen kann eine solche Prognose darüber entscheiden, ob eine Lokomotive rechtzeitig instandgesetzt wird oder aufgrund fehlender Teile längere Zeit außer Betrieb bleibt.



Quelle: Tina Henze

Verbesserte Planungstools für Ersatzteillogistik
Parallel zur Einführung der KI-Prognose wurde das bestehende Planungstool weiterentwickelt. Die Parameter im bisherigen Excel-basierten System wurden systematisch analysiert und angepasst, um den Zielkonflikt zwischen kurzen Wartezeiten und geringer Kapitalbindung im Lagerbestand auszugleichen.

Dabei wurden für unterschiedliche Fahrzeugtypen spezifische Parameter-Sets definiert, um die Planung besser an reale Wartungszyklen und Einsatzbedingungen anzupassen.

Datenbasierte Ersatzteilplanung im Bahnbetrieb
Die KI-gestützte Prognose zeigt, wie datenbasierte Methoden die Instandhaltung von Schienenfahrzeugen unterstützen können. Durch präzisere Bedarfsplanung lassen sich lange Lieferzeiten kritischer Komponenten besser berücksichtigen und Wartungsprozesse stabilisieren.

Für Betreiber bedeutet dies eine höhere Fahrzeugverfügbarkeit und eine effizientere Nutzung von Lagerbeständen – ein zentraler Faktor für einen zuverlässigen Bahnbetrieb.

Edited by Industrial Journalist, Romila DSilva - Powered by AI