Kaputte Türen und Klimaanlagen: Digitaler Zwilling soll die Bahn zuverlässiger machen

Das Bahn-Bashing wegen Türdefekten und nicht korrekt funktionierender Klimaanlagen ist schon fast legendär, in vielen Fällen auch berechtigt. Jetzt hat der Verkehrskonzern, der an einer Reihe von Innovationsprojekten im Rahmen der Digitalisierung arbeitet, angekündigt, zusammen mit dem Hersteller Stadler das erste virtuelle Abbild eines Zuges entwickeln und einsetzen zu wollen. Dieser digitale Zwilling soll dazu beitragen, dass mithilfe umfangreicher Echtzeitdaten im Rahmen eines Predictive-Maintenance-Konzepts vorausgesagt werden kann, wann Türen oder Klimaanlagen ausfallen werden. Die Wartung kann dann rechtzeitig übernommen werden, bevor die Wahrscheinlichkeit für einen Ausfall zu hoch wird.
Das virtuelle Abbild des kompletten Zuges verarbeitet Daten aus dem realen Fahrzeug in Echtzeit und kann damit Störungen oder den Ausfall eines Zuges verhindern. Nach den Worten der beiden Unternehmen ist das eine bisher einzigartige Kooperation zwischen einem Bahnunternehmen und einem Fahrzeughersteller und damit ein Vorbild für andere Bahnunternehmen.
Dabei fragt man sich schon, warum das so ist. Denn ein digitaler Zwilling, der sonst vor allem bei großen Industrieanlagen im Industrie-4.0-Umfeld zum Einsatz kommt, hat aufgrund der zahlreichen Daten gleichartiger „Fälle“ (respektive Züge) gerade bei Zügen seine Daseinsberechtigung. Denn je mehr der vergleichbaren Daten hier einfließen, umso besser wird die Prognose für die Wartung.
Predictive Maintenance: Wartung nicht nach festem Turnus
Die Wartung erfolgt dann nämlich nicht, wie früher, nach festgelegten Zeitintervallen, sondern auf der Basis von Messwerten dann, wenn man erwartet, dass Fehler auftreten können. So können beispielsweise Temperaturwerte dazu beitragen, dass erkannt wird, wann ein Motor einer Klimaanlage hitzebedingt im Sommer aussteigen wird. Der digitale Zwilling verbessert nicht nur die Treffsicherheit in Hinblick auf mögliche Ausfälle, sondern spart auch nachweisbar Geld ein. Denn die Wartung erfolgt gegebenenfalls nicht „auf Verdacht“ deutlich zu früh, sondern pünktlich dann, wenn es anhand des immer umfangreicher werdenden Daten sinnvoll erscheint.
Allerdings ist es bis zu einem flächendeckenden Einsatz einer solchen Predictive-Maintenance-Lösung noch ein weiter Weg – und der betrifft erst einmal nicht die IC/EC-Züge oder gar ICE-Züge, sondern zunächst nur den Nahverkehr. Die ersten Züge, der einen digitalen Zwilling bekommen, sind die der Baureihe 429.1 von Stadler. Die DB betreibt 28 dieser Triebzüge im Regionalverkehr in Rheinland-Pfalz, Hessen, in Teilen Baden-Württembergs und im Saarland. Derzeit wird ein Prototyp mit der Technik zur Aufzeichnung und Übermittlung von Daten ausgerüstet. Nach Inbetriebnahme dieses ersten Zuges folgen die weiteren Fahrzeuge der Flotte. Ende 2021 soll der digitale Zwilling erstmals voll funktionsfähig sein.
Die Schwerpunkte des virtuellen Abbilds liegen zunächst auf der Klimaanlage, den Türen und den Radsätzen des Zuges. Die aus diesen Systemen gewonnenen Daten werden mithilfe von künstlicher Intelligenz verarbeitet, um die Funktionen des Fahrzeuges zu simulieren. Dabei werden nicht nur Mechanik, Elektrik oder Software des Fahrzeugs berücksichtigt, sondern auch sein physikalisches Verhalten.
Grundsätzlich ist die Idee, bei Zügen mit hoher Stückzahl auf einen digitalen Zwilling zu setzen, so naheliegend wie vernünftig. Die Kooperation der Bahn mit Stadler ist daher ein Schritt in Richtung eines digitalisierten Bahnbetriebs. Doch bis derartige Services flächendeckend funktionieren und in Kooperation mit allen Herstellern am Start sind, dürften noch einige Jahre vergehen. Die Hersteller von Fahrzeugen im Bahnverkehr können das aber in der Theorie alle – doch die Umsetzung und das Handling der Daten sind ein aufwendiger Prozess. Andererseits ist all das aber nicht nur im Interesse des Kunden, der damit häufiger pünktlich ankommt, sondern es ist auch ein Schritt zu mehr Nachhaltigkeit durch Optimierung des Obsoleszenzmanagements.
Tobias Weidemann