DB Cargo verbessert die vorausschauende Instandhaltung durch automatisierte Flottenüberwachung

DB Cargo plant, die Verfügbarkeit seiner Lokomotivflotte durch den Einsatz eines Predictive-Maintenance-Systems zu optimieren, das Diagnosedaten mithilfe intelligenter Algorithmen verarbeitet. Dieses digitale Bahnsystem nutzt Echtzeitüberwachung im Schienengüterverkehr, um den Verschleiß von Komponenten frühzeitig zu erkennen und die Werkstattplanung zu automatisieren.

Telemetrieintegration und Architektur für Ferndiagnosen
Das Unternehmen nutzt eine integrierte Anwendung namens SherLok, um Telemetriedaten der gesamten Lokomotivflotte zu erfassen und auszuwerten. Die Software verarbeitet Fahrzeugstatusdaten wie Motorleistung, Betriebstemperaturen, Kraftstoffverbrauch und standardisierte Diagnosemeldungen. Diese Telemetriedaten werden kontinuierlich mit Geolokalisierungsdaten und historischen Werkstattinformationen abgeglichen. Anstatt spezialisierte Datenbankabfragen durch Data Scientists durchführen zu lassen, ermöglicht die webbasierte Architektur autorisiertem Betriebspersonal den Zugriff auf Diagnoseoberflächen über mobile Endgeräte. Dank dieser Ferndiagnose können Techniker die Leistung einzelner Komponenten beurteilen, während die Lokomotiven unter voller Last im Einsatz sind, und so Belastungsdaten erfassen, die bei stationären Werkstattinspektionen nicht reproduzierbar wären.




Algorithmische Verarbeitung und automatische Generierung von Arbeitsaufträgen
Das Zustandsüberwachungssystem nutzt spezielle Algorithmen zur Analyse der aggregierten Zeitreihendaten, um Wartungsbedarf zu erkennen, bevor strukturelle Bauteilausfälle auftreten. Erkennt das System eine Leistungsabweichung, werden die entsprechenden Instandhaltungsprozesse direkt in der Unternehmenssoftware ausgelöst. Arbeitsaufträge werden automatisch erstellt, ohne dass eine manuelle Dateneingabe oder administrative Verzögerungen erforderlich sind. Durch die kontinuierliche Überwachung des Fahrzeugbestands erhalten Werkstattteams und mobile Wartungseinheiten bereits vor dem Eintreffen der Lokomotive präzise Diagnosedaten. Diese frühzeitige Datenübermittlung ermöglicht die rechtzeitige Bereitstellung der erforderlichen Materialien sowie die Einsatzplanung des technischen Personals, wodurch die Stillstandszeiten der Fahrzeuge verkürzt und die Instandhaltungskosten im Schienengüterverkehr gesenkt werden.




Zusätzlicher Kontext:
Dieser Abschnitt enthält technische Spezifikationen und Wettbewerbsvergleiche, die in der ursprünglichen Produktankündigung nicht enthalten waren

Im Bereich des Asset Managements für Schienenfahrzeuge werden Predictive-Maintenance-Systeme anhand ihrer Fähigkeit zur Sensorintegration, der Datenverarbeitungslatenz und der Genauigkeit automatisierter Diagnosen bewertet. Vergleichbare Plattformen für die Zustandsüberwachung sind unter anderem Siemens Mobility Railigent und Alstom HealthHub. Bei diesen Systemen steht insbesondere die Fähigkeit im Vordergrund, hochfrequente Zeitreihendaten aus mehreren Subsystemen einer Lokomotive gleichzeitig auszuwerten, um Ausfallzeitpunkte vorherzusagen. Ein entscheidendes Unterscheidungsmerkmal ist der Integrationsgrad in Enterprise-Resource-Planning-Systeme: Lösungen, die Arbeitsaufträge automatisch generieren und Ersatzteile im Voraus disponieren, erzielen eine höhere betriebliche Effizienz als reine Diagnose-Dashboards. Der Übergang von laufleistungsbasierter, planmäßiger Wartung hin zu zustandsbasierten, automatisierten Instandhaltungsmaßnahmen gilt heute als etablierter Standard für Bahnunternehmen, die die Auslastung ihres Rollmaterials maximieren möchten.

Bearbeitet von Natania Lyngdoh, Induportals-Redakteurin, mit Unterstützung von KI.

www.dbcargo.com