Langtitel: Wissensbasierte Optimierung des Flotten-Asset-Management

Zuordnung zu unseren (IMW) Forschungsschwerpunkten:  

  • Wissensbasierte Instandhaltung
  • Datenanalyse
  • CRISP-DM
  • Vorausschauende Instandhaltung und maschinelles Lernen

 

Dauer: 01.10.2023 – 30.09.2027

Kurzfassung:

Das Instandhaltungsmanagement von U-Bahn Flotten stützt sich derzeit ausschließlich auf die Analyse von Störfaktoren und der Erfahrung von Experten. Die Möglichkeiten zur fortlaufenden Optimierung der Flotten-Assets nun erschöpft. Es besteht ein Spannungsverhältnis zwischen Sicherheit, Zuverlässigkeit und Kosten, das eine optimale Weiterentwicklung beeinträchtigt. Im Rahmen dieses Projektes mit den Wiener Linien, sollen Sensordaten bzw. Störungsdaten eines konkreten Systems eines Schienenfahrzeuges, des V-Zugs, genutzt werden, um aussagekräftige Informationen zu Instandhaltungskennzahlen zu liefern. Diese Einbeziehung von multimodalen Daten erlaubt eine daten- und wissensbasierte Instandhaltung, die wiederum lebensdauerabhängige und dynamische Optimierungsentscheidungen für den Flotteneinsatz ermöglicht. Dadurch sollen zu jedem Zeitpunkt der Lebensdauer die optimalen und maximal möglichen Sicherheits-, Zuverlässigkeits- und Kosten-Kennzahlen simuliert werden.

 

Resultate:

Erforschung und Erstellung einer Methodik zur Abbildung und Simulation der Abhängigkeiten von Fahrzeugdaten, Störungen, Instandhaltungsdaten, Zuverlässigkeit, Verfügbarkeit, Instandhaltbarkeit und Unterstützbarkeit (RAMS), und Lebenszykluskosten (LCC) in einem lebensdauerabhängigen, dynamischen und wissensbasierten Modell, welches in der Lage ist, Optimierungen bzw. Veränderungen im Flotteneinsatz oder in der Flotteninstandhaltung und ihre Auswirkungen zu simulieren.

 

Partner:

 

Betreute Arbeiten im Rahmen des Projekts:

  • Structured Asset-Data for knowledge based maintenance of Rail Vehicles (Bachelorarbeit)

    Die Arbeit entwickelt eine standardisierte Zielstruktur für Asset- und Instandhaltungsdaten von Schienenfahrzeugen als Grundlage für ein wissensbasiertes Instandhaltungssystem. Im Fokus stehen Datenstandardisierung, regulatorische Anforderungen (EU 2019/779) sowie die Modellierung der Datenstruktur mittels Knowledge Graph und Entity-Relationship-Modell zur Unterstützung der WIN-Methodik.

  • Turning Raw Data into an Actionable Dataset for Metro Vehicle Maintenance (Bachelorarbeit)

    In dieser Arbeit wird ein softwarebasierter Framework-Ansatz entwickelt, der heterogene Sensor- und Instandhaltungsdaten von U-Bahn-Fahrzeugen in strukturierte, analysefähige Datensätze überführt. Durch HDF5-Speicherformate, Expert-in-the-Loop-Sensorbewertung und eine interaktive GUI wird eine skalierbare, transparente und reproduzierbare Datenaufbereitung im Kontext des WIN-Projekts ermöglicht.

  • Analysis of Maintenance Programs for Metro Vehicles (Bachelorarbeit)

    Diese Arbeit identifiziert instandhaltungsrelevante Komponenten von U-Bahn-Fahrzeugen und vergleicht aktuelle Instandhaltungsstrategien aus Literatur und industrieller Praxis mittels systematischer Analyse. Die Ergebnisse liefern eine strukturierte Grundlage für datenbasierte und vorausschauende Instandhaltungsansätze im Kontext des WIN-Projekts.

  • Pattern Recognition for Predictive Maintenance in Metro Trains (Diplomarbeit) 

    Diese Arbeit untersucht überwachte und unüberwachte Machine-Learning-Verfahren zur Anomalieerkennung in realen U-Bahn-Flottendaten auf Basis von Sensor- und Asset-Historien. Die Ergebnisse zeigen den starken Einfluss zeitlicher Fensterdefinitionen und kontextueller Asset-Daten auf die Leistungsfähigkeit von Predictive-Maintenance-Modellen im WIN-Projektkontext.

     

Konntaktdetails:

Dipl.-Ing. Andreas Steiner

E-Mail: andreas.steiner@tuwien.ac.at