KI-gestützte vorausschauende Instandhaltung im Schienenverkehr: Für sicherere und zuverlässigere Verkehrsnetze

Weltweit werden die Schienennetze dazu aufgefordert, mehr Fahrgäste und mehr Güter zu befördern – bei höheren Geschwindigkeiten und größeren Taktfrequenzen – und das bei einer geringeren Toleranz gegenüber Betriebsstörungen als je zuvor. Gleichzeitig altert ein Großteil der zugrunde liegenden Infrastruktur, und der Fachpersonalbestand, der traditionell die Gleise abging und den Fuhrpark inspizierte, schrumpft. 

In meinen Gesprächen mit Führungskräften der Bahnbranche kommt dies häufig zur Sprache: „Man kann eine Eisenbahn des 21. Jahrhunderts nicht mit einer Wartungsphilosophie des 20. Jahrhunderts betreiben.“ Und die Branche ist sich dessen bewusst.

Deshalb entwickelt sich die KI-gestützte vorausschauende Instandhaltung im Schienenverkehr von einem vielversprechenden Pilotthema zu einer Priorität auf Vorstandsebene. Die Frage ist nicht mehr, ob man sie einführt, sondern wie schnell die Betreiber die Reifekurve erklimmen können – von der Reparatur von Anlagen nach einem Ausfall über die Vorhersage von Ausfällen, bevor sie eintreten, bis hin zu Systemen, die von selbst die richtigen Maßnahmen empfehlen. 

KI-gestützte vorausschauende Instandhaltung im Schienenverkehr

Vorausschauende Instandhaltung im Schienenverkehr ist die Disziplin, bei der Sensordaten und maschinelles Lernen genutzt werden, um vorherzusagen, wann eine bestimmte Anlage voraussichtlich ausfallen wird, damit sie genau zum richtigen Zeitpunkt gewartet werden kann. Man kann sie am besten als einen Punkt auf einer Reifekurve verstehen, auf der sich jeder Betreiber bewegt:

• Reaktiv: Reparieren, wenn es kaputtgeht.
• Präventiv: Wartungin festgelegten Intervallen, damit es nicht kaputtgeht.
• Vorausschauend: Anhand vonDaten vorhersagen, wann es kaputtgehen wird, und es entsprechend reparieren.
• Präskriptiv:noch einen Schritt weitergehen– das System empfiehlt, wie der vorhergesagte Ausfall gänzlich vermieden werden kann.

Eine funktionierende vorausschauende Instandhaltungslösung basiert auf drei Ebenen. Die erste ist die Datenerfassung: ein dichtes Netz aus streckenseitigen und fahrzeugseitigen Sensoren, hochauflösenden und Wärmebildkameras, Laserprofiler, LiDAR, Akustik- und Schwingungssensoren, Drohnen sowie Daten, die direkt aus OEM-Systemen stammen. Die zweite Ebene ist die Analyse, die sowohl am Netzrand als auch in der Cloud stattfindet – Edge-Verarbeitung, damit eine kritische Anomalie in Echtzeit in der Nähe der Anlage einen Alarm auslösen kann, ohne auf eine Verbindung warten zu müssen; und Cloud-Analysen, um Muster über die gesamte Flotte und das gesamte Netz hinweg im Zeitverlauf zu korrelieren. Der dritte Bereich ist die KI selbst: Modelle, die Defekte erkennen und klassifizieren, normalen Verschleiß von echten Risiken unterscheiden und die verbleibende Nutzungsdauer prognostizieren.

Bei LTTS halten wir es für sinnvoll, diese Modelle in drei sich ergänzende Familien zu unterteilen. 

Die physikalische KI stützt Vorhersagen auf die deterministische ingenieurphysikalische Grundlage von Schienensystemen, sodass eine Prognose mit dem tatsächlichen Verhalten der Anlage übereinstimmt. Die generative KI hilft Ingenieuren und Betreibern dabei, diese Informationen in natürlicher Sprache abzufragen und dabei auf Handbücher, Datenblätter und historische Aufzeichnungen zurückzugreifen. Und die agentische KI beginnt, die Arbeitsabläufe rund um eine Vorhersage zu automatisieren – vom Erstellen des Arbeitsauftrags über die Planung des Eingriffs bis hin zum Abschluss des Prozesses. In Verbindung mit einem echten ingenieurtechnischen Ergebnis – und nicht nur als Neuheit – macht dies die Vorhersage vertrauenswürdig genug, um darauf zu reagieren.

KI-gestützte vorausschauende Instandhaltung für Schienenfahrzeuge

Bei Schienenfahrzeugen liefert die vorausschauende Instandhaltung oft die sichtbarsten Sicherheits- und Kostenvorteile, da ein Defekt an einem fahrenden Fahrzeug unmittelbare Folgen hat. Räder, Lager, Bremsen, Drehgestelle, Türen und Antriebssysteme verschleißen auf eine Weise, die messbare Spuren hinterlässt.

Radprofilmesssysteme scannen mittlerweile die Räder eines fahrenden Zuges berührungslos mit einer Genauigkeit von wenigen hundert Mikrometern – und zeigen so Laufflächenverschleiß und Flanschdefekte auf, die sowohl das Entgleisungsrisiko als auch Gleisschäden begünstigen. „Hot-Box“-Detektoren erkennen überhitzte Lager und schleifende Bremsen frühzeitig und erfassen genau jene Zustände, die andernfalls zu Achsbrüchen oder Bränden führen können. Bildverarbeitungssysteme lesen Wagen- und Loknummern automatisch aus und erkennen mechanische Mängel in Echtzeit, sobald ein Zugverband in einen Rangierbahnhof einfährt, wodurch langsame und subjektive manuelle Kontrollen überflüssig werden. 

Und die zustandsbasierte Überwachung von Bremsbelägen, Antrieb und Motorzustand ermöglicht es den Teams, auf der Grundlage von Fakten statt von Vermutungen einzugreifen – in einem Einsatzfall konnten so die Austauschzeiten für Bremsbeläge um rund 15 Prozent reduziert und gleichzeitig die Sicherheit verbessert werden. Der rote Faden ist einfach: Das Fahrzeug teilt Ihnen mit, was es benötigt, und Sie handeln, bevor aus einem Defekt ein Ausfall wird.

KI-gestützte Gleis- und Infrastrukturüberwachung

Gleise und streckenseitige Infrastruktur stellen im Gegensatz zum rollenden Material eine ganz andere Herausforderung dar – es handelt sich nicht um ein einzelnes bewegliches Objekt, sondern um Tausende von Kilometern fester Infrastruktur, die kontinuierlich inspiziert werden muss. Hier haben Computer Vision und Edge-Analytik die Möglichkeiten grundlegend verändert.

Unsere eigenentwickelte, patentierte Gleisinspektionsplattform TrackEi™ ist ein gutes Beispiel dafür. Hochauflösende Mehrwinkelkameras und 2D-Laserprofiler, kombiniert mit einer auf etwa einen Meter genauen GPS-RTK-Positionsbestimmung, erkennen und klassifizieren eine Vielzahl von Mängeln – Oberflächenverschleiß und Welligkeit, Haarrisse, Spurweitenabweichungen, geometrische Abweichungen, gebrochene Schienen und Verbindungsfehler – in Echtzeit, ergänzt durch prädiktive Analysen, die vorhersagen, wo sich der nächste Defekt wahrscheinlich entwickeln wird. In der Praxis hat diese Art von Funktionalität die Inspektionszeiten um etwa die Hälfte verkürzt und eine Fehlererkennungsgenauigkeit von rund 90 Prozent erreicht, während die Inspektion von einem periodischen Ereignis zu einem kontinuierlichen, datenreichen Bild des Zustands des Schienennetzes geworden ist.

Für den schwerwiegendsten Ausfall von allen – einen Schienenbruch – kommen mittlerweile mehrere sich ergänzende Technologien in Bereichen zum Einsatz, in denen die Signalabdeckung gering oder gar nicht vorhanden ist. Die auf Gleisstromkreisen basierende Erkennung von Schienenbrüchen weist extrem niedrige Falsch-Positiv-Raten auf und lokalisiert einen Bruch auf einen bestimmten Gleisabschnitt. Die Akustikemissionsmessung erfasst die hochfrequenten Signaturen von Mikrorissen und kann einen Alarm auslösen, bevor es zu einem vollständigen Schienenbruch kommt, wobei das Ereignis auf wenige Dutzend Meter genau lokalisiert wird. Zunehmend kann dieselbe KI-Verarbeitungskette von Drohnen aufgenommene Bilder verarbeiten und so die autonome Inspektion auf Bauwerke und Streckenabschnitte ausweiten, die zu Fuß schwer oder unsicher zu erreichen sind.

Das Geschäftsmodell: Sicherheit, Zuverlässigkeit und Verfügbarkeit der Anlagen

Trotz der hohen Ausgereiftheit der Technologie beruht das Argument für die KI-gestützte vorausschauende Instandhaltung auf einer Handvoll Ergebnisse, die jeder Verantwortliche im Eisenbahnwesen anerkennt:

Sicherheit geht vor: DieErkennungvonSchienenbrüchen, überhitzten Lagern und strukturellen Schäden, bevor diese eskalieren, senkt direkt das Risiko von Entgleisungen und Störfällen entlang der Strecke. Durch Vorhersagen wird die Sicherheit von einem reaktiven zu einem präventiven Ansatz verlagert.

Zuverlässigkeit und Verfügbarkeit: Indemnur dann eingegriffen wird, wenn eine Anlage es wirklich benötigt – und immer noch vor dem Ausfall –, reduzieren Betreiber ungeplante Ausfallzeiten drastisch; Plattformen für vorausschauende Instandhaltung haben die Ausfallzeiten von Anlagen im Betrieb um bis zu 40 Prozent gesenkt. Weniger unerwartete Ausfälle bedeuten weniger Verspätungen und einen zuverlässigeren Fahrplan.

Kosten und Produktivität: Wennzustandsbasierte Eingriffe die Verschwendung durch übermäßige Wartung intakter Anlagen und die weitaus höheren Kosten katastrophaler Ausfälle beenden. Automatisierte, KI-gestützte Inspektionen halbieren den Inspektionsaufwand in etwa und entlasten die knappen Fachkräfte, sodass diese sich auf die Beurteilung statt auf die Datenerfassung konzentrieren können.

Nachhaltigkeit und Personal: DieVerlängerung der Anlagenlebensdauer,dieOptimierung des Energieverbrauchs und die Reduzierung von Wartungsverschwendung unterstützen Nachhaltigkeitsziele – während KI eine alternde, schrumpfende Fachkräftebasis ergänzt, anstatt sie zu ersetzen, und so hart erarbeitetes Fachwissen im System selbst bündelt.

Was nach der Vorhersage kommt

Die interessanteste Herausforderung ist nicht mehr die Vorhersage an sich, sondern das, was geschieht, sobald ein Ausfall vorhergesagt wurde. Die präskriptive Instandhaltung schließt die Lücke zwischen Erkenntnis und Handeln – das System warnt nicht nur davor, dass ein Lager ausfallen wird, sondern empfiehlt auch die optimale Reaktion und kann mit agentenbasierter KI zunehmend den darauf folgenden Arbeitsablauf koordinieren. 

Hier nehmen autonome Arbeitsabläufe im Schienenbau und im Betrieb Gestalt an: eine Intelligenz, die den Einsatz von Mensch und Maschine plant, terminiert und koordiniert, der erforderlich ist, um ein Netz am Laufen zu halten.

Meine eigene Überzeugung, nachdem ich viele Jahre im gesamten Mobilitätsbereich tätig war, ist, dass diese Technologie ihren Platz nur dann verdient, wenn sie zweckorientiert ist – entwickelt für technische Ergebnisse, nicht für den äußeren Schein. KI-gestützte vorausschauende Instandhaltung ist eines der deutlichsten Beispiele für dieses Prinzip in der Praxis – und sie steht den Betreibern bereits heute zur Umsetzung bereit.