Momentan sind es vor allem die Hersteller von Aufzugsystemen, die mit den Vorzügen einer Predictive Maintenance hausieren gehen. Aber das Thema betrifft im Prinzip alle Maschinenbauer beziehungsweise -betreiber. Wer drohendes Fehlverhalten oder gar Systemausfälle anhand von Verhaltensmustern vorhersagen kann, erspart sich viel Aufwand: nicht nur die mit einem Maschinenschaden verbundenen Folgekosten, sondern auch unnötige Wartungsprozesse.
Das haben mittlerweile auch die Bahnbetriebe erkannt. Seit 2013 macht sich die Deutsche Bahn - insbesondere der mit dem Gütertransport befasste Geschäftsbereich DB Schenker Rail - Gedanken, wie sich die Wartung von Lokomotiven mit Hilfe von datenbasierenden Vorhersagen ("Predictive Analytics") effizienter gestalten ließe. Davon berichtete Ingo Schwarzer, Chief Technology Officer (CTO) beim internen IT-Dienstleister der Deutschen Bahn, DB Systel, auf dem diesjährigen "CIO & IT Executive Summit", zu dem das Marktforschungs- und Beratungsunternehmen Gartner kürzlich nach München eingeladen hatte.
Von der Statistik zur Vorhersage
Die vier Stufen der Datenanalytik nach DB Systel
1. Die einfachste Form der Analyse ist die reine Statistik. Hier werden die gängigen Kennzahlen erfasst und gemäß ihrer Häufigkeit grafisch dargestellt. Die Aussagekraft dieser Information ist begrenzt.
2. Deutlich mehr Informationen lassen sich durch das Einführen zusätzlicher Dimensionen gewinnen. Hierbei handelt es sich um klassische Data-Warehouse-Technik (Online Analytic Processing = OLAP).
3. Mit dem Tracking von bestimmten Daten, beispielsweise über das Web, gewinnen Informationen eine neue Qualität: Sie lassen sich in eine zeitliche Abfolge bringen beziehungsweise in einen räumlichen Zusammenhang stellen.
4. Den höchsten Erkenntniswert liefert jedoch die vorausschauende Analyse ("Predictive Analytics"). Hier wird das künftige Verhalten von Systemen anhand von Modellen prognostiziert, die sich aus historischen Verhaltensdaten speisen.
Innovationsprojekt ohne RoI-Zwang
Wenn ein Güterzug ausfällt, kann das leicht Hunderttausende von Euro kosten. Und auch wenn eine einwandfrei funktionierende Lok wegen einer unnötigen Wartung stillsteht, geht dem Logistikunternehmen Umsatz verloren. Wie Schwarzer anmerkte, gelang es dem in derselben Branche wie DB Schenker tätigen US-Unternehmen Union Pacific, durch eine datengestützte Wartungsoptimierung rund 100 Millionen Dollar pro Jahr einzusparen.
Das muss die DB-Schenker-Führung beeindruckt haben. Jedenfalls rief sie vor zwei Jahren das Innovationsprojekt "Smart Freight Asset" ins Leben. Das Vorhaben wurde als Workshop im Rahmen der DB-eigenen Innovationsinitiative "MovingIDEAS" behandelt und musste damit keinen Business Case oder Return on Investment (RoI) nachweisen. Wie jedes Innovationsprojekt bei der Deutschen Bank war es kurz - es dauerte etwa sieben Wochen - und endete mit einem "Showcase", also einem vorzeigbaren Ergebnis. Die Projektleitung übernahm das Innovations-Management von DB Systel.
Die Ausgangsfrage lautete: Wie können wir aus den vorliegenden Bestandsdaten einen Mehrwert generieren? Und im zweiten Schritt: Welche Daten brauchen wir darüber hinaus, um verlässliche Aussagen über das künftige Verhalten eines Maschinentyps zu treffen?
Zielarchitektur für Sensordaten
Um die Antworten zu verfeinern, nahm DB Systel 2014 weitere Predictive-Analytics-Projekte in Angriff, darunter "TecLok" für DB Schenker Rail. Dessen Business-Ziel formulierte Schwarzer so: "Wir wollten ein Predictive-Analytics-Modell aus Diagnose- und Zusatzdaten entwickeln, das eine bessere Maintenance der Loks ermöglicht."
Damit verbunden war das technische Ziel, eine Zielarchitektur zur Verarbeitung von Sensordaten zu skizzieren. Sie musste mit der in einer Vorstudie erstellten Gesamtarchitektur korrelieren. Zentraler Bestandteil der Zielarchitektur war ein prototypischer Massendatenspeicher mit Anbindung an das DataLab. Wie Schwarzer verriet, sind die von DB Schenker Rail genutzten Güterzug-Loks bereits mit rund 300 Sensoren ausrerüstet, von denen sich derzeit 60 "abgreifen" ließen.