Alle mFUND Projekte Alle mFUND Projekte
Projektillustration Premabu

Quelle: maiot GmbH

Problemstellung

Unvorhergesehene Stillstände führen im öffentlichen Personennahverkehr zu Verspätungen, Verkehrsbeeinträchtigungen und Unzufriedenheit der beförderten Personen. Sie stellen für den Verkehrsbetreiber erhebliche Probleme im Bereich Planung und Koordination seiner Flotte dar. Unvorhergesehene Ausfälle haben neben der Beeinträchtigung des Verkehrsflusses weitere schwerwiegende Folgen für den Betreiber.

Bei frühzeitiger Erkennung können diese durch vorbeugende Maßnahmen verhindert werden. Hierzu fehlt es aktuell jedoch an exakter Wartungsplanung und dem Wissen, wann ein Schaden tatsächlich auftreten wird.

Im Forschungsvorhaben PreMaBu sollte herausgefunden werden, ob bzw. wie große Datenmengen und der Einsatz neuartiger Algorithmen dazu beitragen können, diese Schäden vorzeitig vorherzusagen und damit womöglich zu vermeiden.

Ergebnisse und Wirkungen

Das Projekt PreMaBu umfasste folgende Schritte zur Untersuchung der Machbarkeit von vorausschauender Wartung im öffentlichen Nahverkehr:

  • Serverinfrastruktur: Erforschung und Entwicklung einer hochverfügbaren und sicheren Datenextraktion aus dem CAN-Bus und automatischen Datenübertragung aus den Flottenfahrzeugen auf ein cloudbasiertes Serversystem
  • Hardware: Installation von 100 Telematik-Geräten nach projektspezifischer Konfiguration mit drahtloser und verschlüsselter Datenübertragung
  • Datenpriorisierung: Erhebung von relevanten und realen Werkstattdaten aus den Flottenfahrzeugen
  • Datenveredelung: Zusammenführen der Datensätze aus Telematik-Geräten und Werkstattberichten
  • Training: Erstellung verschiedener Algorithmen zur Vorhersage von Schäden an den Fahrzeugen und deren Komponenten.

Das Forschungsvorhaben konnte neuste Technologien anwenden, um hochkomplexe CAN-Bus Daten aus den Fahrzeugen zu extrahieren, transformieren und zu veredeln. Diese stehen auf der mCloud zur Verfügung, um beispielsweise auch weitere Anwendungsfälle wie das autonome Fahren mit Datengrundlagen zu versorgen.

Bei der weiteren Verarbeitung der Daten („Training“) hat sich gezeigt, dass es äußerst komplex ist, alle Daten von verschiedenen Herstellern zu konsolidieren und zu standardisieren. Technisch sind Schadensvorhersagen bereits möglich, jedoch wegen gesetzlicher Vorschriften oder des Risikos einer verfallenden Fahrzeuggarantie noch nicht in der Realität umsetzbar. Sobald derartige Restriktionen gelockert werden, können Verkehrsbetriebe Wartungszyklen verkürzen und optimieren.

Verbundkoordinatormaiot GmbH, München
Projektvolumen868.560
(davon 75 % Förderanteil durch BMVI)
Projektlaufzeit04/2019 – 07/2021
ProjektpartnerStadtwerke München GmbH, München
AnsprechpartnerInstitution: BMVI, DG 21
E-Mail: mfund@bmvi.bund.de