Intelligente Züge: Wie künstliche Intelligenz die Bahnindustrie verändern wird

Nach Aussagen des Branchenverbandes Bitkom wird der europäische Markt für Künstliche Intelligenz (KI) von rund drei Milliarden Euro in 2019 auf 10 Milliarden Euro im Jahr 2022 wachsen. Dies ergibt ein jährliches durchschnittliches Wachstum von 38 Prozent. Zum Vergleich: Im vergangenen Jahr lag das Marktvolumen gerade einmal bei 2 Milliarden Euro.

Grundsätzlich steht die Nutzung von künstlicher Intelligenz in Deutschland erst am Anfang. Nach einer aktuellen BitKom Umfrage setzen lediglich 12% der deutschen Industrieunternehmen KI ein.

KI und Machine Learning werden zum Megatrend und beinhalten ein immenses Potential der Automatisierung und Effizienzsteigerung in den unterschiedlichsten Branchen und Anwendungsfeldern und werden auch den Bahnmarkt wesentlich verändern.

Während künstliche Intelligenz die oberste Ebene bildet und erforscht, ob und wie Computer Dinge tun können, die wir Menschen heute noch besser können, wie etwa das Auswendiglernen von Texten, das Malen von Bildern oder das Erlernen von Sprachen, ist Machine Learning ein Teilgebiet der KI und beschreibt mathematische Techniken, die einer Maschine das selbstständige Erlernen neuer Erkenntnisse aus bereits bestehendem Wissen ermöglicht. Machine Learning selbst lässt sich wiederum in drei Arten untergliedern:

  • Supervised Learning (überwachtes Lernen)

Beim Supervised Learning gibt es eine sogenannte Grundwahrheit (ground truth). Es gibt Trainings Daten, bei denen die Eingangs-Parameter sowie das Ergebnis bekannt sind. Aus den Trainings Daten werden Modelle erstellt, die zusammen mit den Machine Learning Algorithmen das Ergebnis liefern.

  • Unsupervised Learning (unüberwachtes Lernen)

Beim Unsupervised Learning weiß das System nicht, was es erkennen soll. Es erkennt Muster und teilt die Daten in Cluster oder Kategorien auf, jedoch ohne zu wissen, um welche Kategorien es sich handelt, bzw. unter welches Label sie fallen.

  • Reinforcement Learning (verstärkendes Lernen)

In Abgrenzung zu den beiden anderen Methoden werden beim Reinforcement Learning vorab keine Daten benötigt. Stattdessen werden diese in einer Simulationsumgebung in vielen Durchläufen in einem Trial-and-Error-Verfahren während des Trainings generiert und gelabelt.

 

Im Bahnmarkt treibt auch der Münchener Siemens Konzern das Thema Machine Learning unter dem Motto „Smart Data“ voran. Beispielsweise schafft es Siemens mit Hilfe von Künstlicher Intelligenz, die Brennsteuerung einer Gasturbine automatisiert bedienen zu lassen, bei welcher der Stickoxid-Wert um 20 Prozent reduziert werden kann. Dabei regelt ein im System integriertes neuronales Modell die Verteilung des Brennstoffes in den Brennern und ermöglicht so eine Senkung der Emissionen. Da jedoch nicht jede Turbine den gleichen Aufbau und die gleiche Funktionsweise hat, muss diese auf die verschiedensten Einflussfaktoren Bezug nehmen. Ein solches System, benötigt auf Basis der vorhandenen Betriebsdaten mehrere Wochen Lernzeit, bis dieses nutzbringend und selbstständig agieren kann.

 

Auch für den Bahnbetrieb hat Siemens eine KI-Lösung entwickelt: Züge, die zu 99,9% verfügbar sind und eine Verspätungsquote von nur 0,04% aufweisen, sind Ergebnisse genutzter Machine Learning Verfahren. In den sogenannten KI-Labs werden neben Daten der Onboard-Units eines Zuges auch Informationen über Heizung, Lüftung und Klimaanlage, Zustände des Hydrauliköls, Ströme der Türantriebe, Temperaturen der Achslager und Transformatoren sowie Vibrationen der Drehgestelle gespeichert. Zusammen mit verschiedensten Auswertungsdaten der Zugführer, Protokollen der Werkstätten und Ersatzteilanforderungen, entsteht ein sich ständig selbst weiterentwickelndes Prognosesystem, woraus letztlich auch die Plattform Railigent entstand.

Bereits über 500 Züge aus ganz Europa interagieren mit Railigent. So auch die Eisenbahnen der spanischen Staatsbahn Renfe auf der Hochgeschwindigkeitsstrecke Barcelona-Madrid, welche dank modernster Datenanalytik eine extrem hohe Zuverlässigkeit aufweisen. Hier tritt bei etwa 2.300 Fahrten lediglich eine Verspätung auf. Auch in Russland, wo Fahrzeuge unter starken Temperaturabfällen von bis zu minus 40 Grad betrieben werden müssen, fahren die Züge der russischen Staatsbahn RZD mit einer Verfügbarkeit von über 99%. Dank künstlicher Intelligenz, welche die zustandsbasierten Wartungs- und Überwachungssysteme (Condition Monitoring) mit einer Vielzahl an auswertbaren Sensoren unterstützen, können Züge auch bei extremen Umweltbedingungen planmäßig fahren.

Aber auch in Deutschland werden unter anderem die Züge der DB-Cargo nach und nach mit Condition Monitoring Systemen ausgerüstet. Die sogenannten DB-„TechLoks“ ermöglichen dank verbauter Telematiksysteme, eine zustandsbasierte und prädiktive Instandhaltung. Kontinuierlich erfasste Daten werden dabei von Siemens Mitarbeitern in Zusammenarbeit mit der DB Cargo analysiert und aufbereitet. Die daraus entstehenden Anwendungs- und Datenanalysemodelle werden wiederum mit IoT-Systemen und Analytikmodellen der Railigent-Plattform verknüpft und können so aufgrund sich abzeichnender Fehler und Störungen eine Vorhersage für flexible und zustandsbasierte Instandhaltungen darstellen und damit eine unplanmäßige Betriebsunterbrechung verhindern.

 

Weitere Anwendungsfelder der künstlichen Intelligenz finden sich unter anderem auch an deutschen Bahnhöfen. Hier wurde im Dezember 2018 an ca. 22 Bahnhöfen ein Pilotprojekt gestartet, welches als Ziel einen schnee- und eisfreien Bahnhof verfolgte. Dabei wurden die bereits installierten und zur Überwachung genutzten Kameras der Bahnsteige genutzt, um ein regelmäßig erstelltes Bild zu analysieren und in ein neurales Netzwerk einfließen zu lassen. Dank einer Reihe spezifischer Indikatoren erkennt das System einen möglichen Schneefall und informiert automatisch die zuständige Verkehrszentrale der Bahn, welche wiederum einen Räumdienst beauftragen kann. Die korrekte Schneeerkennung lag seinerzeit bei über 90%, wodurch etliche automatisch ausgelöste Räumungseinsätze erfolgreich ausgeführt werden konnten.

Auch vor den Bahnhöfen im Bereich der Weichen findet KI bereits ihren Einsatz. So ist es mithilfe von smarten Sensoren und künstlicher Intelligenz möglich, eine Weichenanalytik durchzuführen, wodurch Funktionsstörungen eines Weichensystems verhindert werden können und einen reibungslosen Bahnbetrieb ermöglichen, sowie Verspätungen und hohe Instandhaltungskosten mindern. Die Firma KONUX liefert genau die entsprechende Messtechnik als auch die KI-basierten Analytik-Modelle, mit dessen eine gesamtheitliche Zustandsbetrachtung realisiert werden kann. Dabei sollen zunächst Anomalien detektiert werden, um auf mögliche Störrungen aufmerksam zu machen. Anschließend wird durch eine Datenauswertung die Ursache für die Störung diagnostiziert um schnell und gezielt auf das Problem eingreifen zu können. Abschließend wird aus den Ausgewerteten Daten ein Prognosemodell erstellt, mithilfe dessen im Vorfeld geplant eingreifen zu können und weitere Ausfälle zu verhindern.

Der Bremssystemhersteller Knorr-Bremse investierte erst kürzlich zehn Millionen US-Dollar in ein israelisches Start-up. Das Unternehmen entwickelt Systeme zur vollautomatischen Hinderniserkennung, die Basis für autonom fahrende Züge.

Der Bahntechnikanbieter Thales ließ Ende 2018 in Karlsruhe Straßenbahnen fahrerlos in die Depots rangieren. Auch sie sollten lernen, verschiedene Hindernisse automatisch zu erkennen.

Mit ähnlichem Vorgehen arbeitet auch die SIGNON Deutschland AG an einer automatisierten visuellen Bilderkennung von Infrastrukturelementen mit Hilfe neuronaler Netze als Basis einer automatisierten Bahninfrastrukturplanung. Mittels neuronaler Netze lernt das System selbstständig Objekte zu erkennen und diese verschiedenen Kategorien zuzuordnen (Bild 1).

 

Abbildung 1: Trainstep 1
Abbildung 1: Trainstep 1

 

Abbildung 2: Trainstep 4000
Abbildung 2: Trainstep 4000

Die ersten Erfolge mit künstlicher Intelligenz und Machine Learning konnten bereits in Pilotprojekten verzeichnet werden. Diese Projekte zeigen, was für enorme Potenziale zur Automatisierung durch neue technologische Konzepte vorhanden sind und noch entstehen werden. Bis zu einem komplett vernetzten System, bei dem jeder Zug, jeder Bahnhof und jedes einzelne Bauteil des Bahnsystems mit einem intelligenten vernetzten Sensor ausgestattet sein wird, dauert es wohl noch einige Jahre.

Die intelligente Bahn wird die Robustheit des Systems erhöhen, die Pünktlichkeit und Sicherheit steigern und die Wirtschaftlichkeit verbessern und insgesamt für den Reisenden ein attraktives Verkehrsmittel sein, das den Backbone der Verkehrswende bildet.

 

 

Quellen:

(1) computerwoche.de: „KI und Machine Learning im praktischen Einsatz“, 04.2018

(2) Siemens: „Siemens mit zahlreichen digitalen Neuheiten“, ETR, 09/2018, S. 41.

(3) Dipl.-Inf. Cengiz Genc (Signon Deutschland GmbH): „Automatisierte Erkennung von Infrastrukturelementen mit neuralen Netzen“, SIGNAL+DRAHT, 09/2018, S. 54.