Wie können Fahrzeugdaten genutzt werden, um Probleme in der Instandhaltung von Fahrzeugflotten zu erkennen und zu beheben? Fahrzeuge von heute generieren immense Datenmengen, aber diese werden noch nicht effektiv zur Steigerung der Servicequalität genutzt. Der realisierte PoC zeigt auf, wie Diagnosedaten von Fahrzeugen in eine visualisierte Form umgewandelt werden, um Störungen und Fehlermuster zu erkennen.
Welche Fahrzeuge bereiten Probleme in der Instandhaltung?
Fahrzeuge sind heute fahrende Rechenzentren, deren verschiedene Systemkomponenten während der Lebensdauer immense Datenmengen erzeugen. Eine ganze Fahrzeugflotte dementsprechend mehr. Noch viel zu wenig werden Daten jedoch zur Steigerung der Service-Qualität oder zur Kosteneinsparung genutzt. Je nach Betrachtungszeitraum lassen sich aus den Daten Problemmuster erkennen oder der aktuelle Zustand der Systemkomponenten herauslesen. Was einfach tönt, ist je nach Datenumfang eine Herkulesaufgabe. Die Interpretation bedingt grosses Wissen über die Fachlichkeit der Daten. Häufig liegen Daten aus Effizienzgründen in einer für Menschen nicht lesbarer Form vor und müssen zuerst interpretiert sowie in einen fachlichen Kontext überführt werden. Sobald die Transformation stattgefunden hat, ist es interessant, die Daten mit den geeigneten Werkzeugen darzustellen. Denn häufig ist nicht nur die einzelne Meldung interessant, sondern die aggregierte Form nach Auftrittshäufigkeit, Zeitpunkten oder auch der Vergleich unter den Fahrzeugen der gesamten Flotte. Für einen Kunden durften wir 7.5 GB Diagnose- und Zustandsdaten analysieren, um die Problemverursacher in der Flotte und unter den Systemkomponenten zu identifizieren. Die Erkenntnisse haben nicht nur uns überrascht.
Vorgehen
Für den PoC haben wir uns das Ziel gesetzt, die Diagnosedaten richtig zu interpretieren. Diese anschliessend zu prüfen und Doppelmeldungen zu eliminieren.
Für die Visualisierung nutzt man die bereinigten Daten und zieht Vergleiche über mehrere Fahrzeuge, um neue Erkenntnisse zu gewinnen. Auf diese Weise kann man nicht nur häufig auftretende Probleme erkennen, sondern auch diejenigen Fahrzeuge identifizieren, die am anfälligsten für Fehler sind und daher die meisten Wartungsarbeiten benötigen.
Resultate
Heatmap Darstellungen geben eine schnelle Übersicht über den Zustand der Züge und machen sichtbar, welche Systemkomponenten häufig von Störungen betroffen sind.
Im erstellten Dashboard besteht die Möglichkeit, verschiedene Alarmtypen/Kategorien speziell zu betrachten und diese nach gewissen Kriterien zu filtern. Auf der folgenden Darstellung über Fehler der Fahrgastinformationssysteme ist beispielsweise sehr schön erkennbar, dass die Züge 163 – 168 viel häufiger mit Problemen konfrontiert sind. Passagiere dieser Züge werden wohl die nötigen Informationen über Fahrplan und Anschlüsse nicht wie erwartet zur Verfügung haben.
Technische Basis
Die Diagnosedaten parst man mit einer kleinen Java-Applikation und interpretiert diese anschliessend mithilfe der Definitionsfiles (XML). Im DDS selber lässt sich die Herkunft sowie der Zeitpunkt des Fehlers erkennen. Erst durch die Interpretation wird ersichtlich, welche Komponente den Fehler verursacht hat und um welche Meldung es sich genau handelt.
Für die Visualisierungen der aggregierten Meldungen wird das Framework Streamlit verwendet, welches zahlreiche Varianten zur verständlichen Datenvisualisierung anbietet. Die Heatmap Darstellung bietet eine gute Möglichkeit, die Anzahl Meldungen visuell darzustellen und damit die fachlichen Aussagen zu unterstützen. Dafür wurde zusätzlich die Library seaborn, welche die statistische Datenvisualisierung unterstützt, verwendet.
Erkenntnisse
- Das Parsen und die Interpretation der DDS Files hat sehr viel Zeit in Anspruch genommen.
- Daten sind gut interpretier- und darstellbar – Dashboards über die gesamte Flotte sowie Drill-down auf einzelne Fahrzeuge sind effizient umzusetzen.
- Auf Basis der Diagnosedaten besteht auch ohne Anreicherung mit Umfeld- und Prozessdaten bereits ein Mehrwert im Sinne der Optimierung des Diagnosesystems (fachlicher Prozess).
- Fahrzeuge mit auffälligen Häufungen von Störungen werden identifiziert, bevor Kundenrückmeldungen oder geplanter Unterhalt stattfinden. Zusätzlich werden «verborgene» Fehler früher entdeckt.
- Um Trends und Ereignisse vor deren Eintritt zu erkennen (Predictive Maintenance) müssen die Diagnosedaten in den Kontext von Prozess- und Umfelddaten gesetzt werden.
- Bei der Darstellung der Meldungen für Fahrgastinformationssysteme war sogar der Kunde überrascht, dass ein Teil der Flotte viel mehr Probleme verursacht. Im Nachhinein wurde klar, dass dieser Zustand aufgrund eines Updates an einem Teil der Flotte resultiert.
Was machen wir damit
Dieser PoC ist ein erster Schritt in Richtung einer kosteneffizienteren Instandhaltung und Erhöhung der Servicequalität für uns Fahrgäste. Das Potenzial in den Daten ist vorhanden. Entscheidend sind die drei Punkte:
1. Identifizieren der Anwendungsfälle mit dem grössten Effekt
2. Das Vorhandensein des fachlichen Wissens für die Interpretation der Daten und deren Kontext
3. Die Umsetzung auf offenen Technologien
Aktuell ermitteln wir zusammen mit verschiedenen Betreibern der schienengebundenen Mobilität, welches die grössten Bedürfnisse im Umfeld der Instandhaltung sind, um genau diese Anwendungsfälle anzupacken und umzusetzen. Wo seid ihr dran und was könnte euch helfen, die Instandhaltung auf das nächste Level zu heben?
Hast du noch Fragen? Unser Autor beantwortet dir diese gerne.