AISpare (Industrie)
Langtitel: AI-Driven Spare Parts Demand and Warranty Risk Prediction for Light Rail Vehicles
Kurzfassung:
Die zuverlässige Vorhersage des Ersatzteilbedarfs stellt in der Bahnindustrie eine zentrale Herausforderung dar, da sie Fahrzeugverfügbarkeit sichert, Lebenszykluskosten reduziert und langfristige Serviceverträge unterstützt. Dabei müssen sowohl planbare Bedarfe aus Verschleiß, Inspektionen und regulatorischen Austauschintervallen als auch zufällige, korrektive Bedarfe durch unerwartete Ausfälle berücksichtigt werden. Besonders kritisch sind ungeplante Ausfälle großer oder komplexer Komponenten mit langen Lieferzeiten, da sie Stillstände und Vertragsstrafen verursachen können. Bestehende Ansätze wie Condition-Based oder Predictive Maintenance nutzen Sensordaten zur Ausfallerkennung, berücksichtigen jedoch häufig keine historischen Bedarfsdaten und eignen sich daher nur eingeschränkt für langfristige Planungshorizonte von zwei bis über 30 Jahren.
Das Projekt entwickelt daher einen KI-getriebenen Ansatz zur Prognose von Ersatzteilbedarfen auf Basis historischer Felddaten von Light-Rail-Vehicles. Ziel ist es, technische und betriebliche Einflussfaktoren systematisch zu identifizieren, heuristische und algorithmische Prognosemethoden zu vergleichen und daraus belastbare Vorhersagen für Ersatzteilverbrauch und Gewährleistungsrisiken abzuleiten. Durch die Modellierung von Zusammenhängen zwischen Nutzung, Komponentenmerkmalen und Ausfallmustern sollen Fehlerrisiken quantifiziert und als Grundlage für fundierte Preis- und Planungsentscheidungen genutzt werden. Dadurch werden manuelle, fehleranfällige Berechnungen in der Angebotsphase reduziert und eine konsistente, datenbasierte Entscheidungsunterstützung ermöglicht.
Resultate:
Die Projektergebnisse umfassen die Erstellung eines strukturierten und bereinigten Datensatzes, in dem präventive und korrektive Wartungsereignisse systematisch klassifiziert werden. Mithilfe einer Failure Mode and Effects Analysis (FMEA) werden statistisch signifikante Einflussgrößen wie Alter, Laufleistung oder Nutzungszyklen identifiziert und priorisiert, um eine belastbare Grundlage für Prognosemodelle zu schaffen.
Darauf aufbauend werden verschiedene datengetriebene Vorhersageansätze entwickelt und anhand geeigneter Leistungskennzahlen bewertet. Dabei wird untersucht, in welchem Umfang algorithmische Modelle gegenüber erfahrungsbasierten heuristischen Schätzungen Vorteile hinsichtlich Genauigkeit, Anwendbarkeit und Praxistauglichkeit bieten. Die Modelle ermöglichen die Abschätzung von Ausfallwahrscheinlichkeiten sowie des zukünftigen Ersatzteilverbrauchs auf Flottenebene.
Abschließend wird ein konzeptionelles Framework bereitgestellt, das die gewonnenen Prognoseergebnisse in die Angebotsphase integriert und zur Berechnung von Gewährleistungsprämien nutzt. Dadurch können Risiken quantifiziert, Preisstrategien verbessert und langfristige Serviceverträge wirtschaftlicher gestaltet werden.
Partner: ALSTOM S.A., öffnet eine externe URL in einem neuen Fenster
Wissenschaftliche Einbettung:
Im Rahmen des Projekts wurde eine Masterarbeit in Kooperation mit ALSTOM verfasst:
Markus Haftel, Data-Driven Spare Parts Demand Forecasting for Light Rail Vehicles
Kontaktdetails:
E-Mail: andreas.steiner@tuwien.ac.at