Was steckt hinter Data Science?
Data Science – auf Deutsch Datenwissenschaft – bezeichnet generell die Extraktion von Wissen aus Daten, um daraus zu lernen. Data Science stellt Fragen und analysiert die Daten, während KI – insbesondere Machine Learning – hilft, Muster zu erkennen, Vorhersagen zu treffen und Prozesse zu automatisieren. Was genau macht nun ein Data Scientist in der Praxis? Mehr als die Hälfte seiner Zeit ist er damit beschäftigt, gezielt Daten zu sammeln, zu organisieren und zu bereinigen. Modelle mithilfe der gesammelten Parameter zu trainieren, macht nur einen kleinen Teil der gesamten Tätigkeit aus. Die Daten zu erfassen und diese aufzubereiten, sind also die Basis. Das Ziel ist es aber nicht, möglichst viele Daten zu sammeln, sondern möglichst gute, d. h. gekennzeichnete, spezifische Daten für den jeweiligen Anwendungsfall, die sich für die Visualisierung, die Entscheidungsfindung und das Training von Modellen eignen.

«Meine Vorgesetzten haben mir grosses Vertrauen geschenkt. Sie haben sich auf eine agile Vorgehensweise eingelassen.»
Daniel Stump, Fachexperte Data Science Rollmaterial

Die Rahmenbedingungen müssen stimmen
Zurück auf die grüne Wiese – und zur Kick-off-Sitzung, wo folgendes Ziel definiert wurde: eine zustandsbasierte Instandhaltung. Das heisst, dass Wartungsarbeiten nicht nach festen Intervallen, sondern abhängig vom tatsächlichen Zustand des Rollmaterials durchgeführt werden, um Kosten zu senken, die Verfügbarkeit zu erhöhen und Ausfälle zu vermeiden. Die Grundlage für eine zustandsbasierte Instandhaltung ist eine grosse Datenmenge aus unterschiedlichen Quellen. «Meine Vorgesetzten haben mir grosses Vertrauen geschenkt. Sie haben sich auf eine agile Vorgehensweise eingelassen. So konnte ich sehr schnell konkrete Anwendungsfälle – sogenannte Use Cases – angehen, ohne zuerst ein aufwendiges Gesamtkonzept zu erstellen. Nur so waren schnelle Erfolge möglich», erklärt Daniel, gelernter Automechaniker, der anschliessend Elektrotechnik studiert hat. In einem ersten Schritt hat er Interviews mit Mitarbeitenden und dem Management geführt, um Probleme, Kostentreiber und bestehende Ideen zu evaluieren. So konnte er sich einen umfassenden Überblick verschaffen und erste Anwendungsfälle auswählen, zum Beispiel das Detektieren von Luftverlusten im Zug oder die Überwachung des Zustands der Fahrzeugbatterien. Es waren nicht unbedingt jene mit dem grössten Potenzial – in erster Linie ging es ums Testen. «Zur agilen Vorgehensweise gehört auch, dass nicht jeder Use Case, den man anpackt, die erwünschten Resultate bringt. Fehlschläge sind ein natürlicher Teil des Prozesses – und genau das ist bei diesem Ansatz völlig in Ordnung», betont Daniel.

Die Relevanz des Radsatzmonitorings steigt
Das Thema Radsatzmonitoring stand bei der SOB nicht an oberster Stelle. Da sich viele andere Bahnunternehmen bereits mit diesem Thema beschäftigen, hat die SOB andere Schwerpunkte gesetzt. Doch ein Traverso gab im November 2023 den Anstoss, da dieser aufgrund eines markanten Radschadens nicht mehr rund rollte. Daraufhin mussten Fachpersonen der Instandhaltung ungefähr einen Drittel des Rades abdrehen, also eine dickere Schicht des Stahls abtragen, um den Schaden zu beheben. Dieser Fall landete auf Daniels Bürotisch – mit der Frage, ob man das frühzeitig hätte erkennen können. Und fortan war er mit dem Radsatzmonitoring beschäftigt. «Durch eine proaktive Datenanalyse können solche Vorfälle verhindert werden, da diese ein rechtzeitiges Eingreifen ermöglicht und somit den Weg in Richtung zustandsbasierte Instandhaltung ebnet», verdeutlicht Daniel.

Licht ins Dunkel
Die Zugkontrolleinrichtungen (ZKE) der SBB Infrastruktur sammeln unter anderem Daten zu Radfehlern. Das ist eine von mehreren Datenquellen, auf die Daniel für das Radsatzmonitoring zugreift und die auch beim besagten Traverso Licht ins Dunkel brachte. Der Radschaden lässt sich mithilfe des sogenannten dynamischen Beiwerts in den Daten nachweisen. Dieser Wert wird bei jeder Fahrt über eine entsprechend ausgerüstete Zugkontrolleinrichtung gemessen. Ein Wert von 1 steht für ein perfekt rundes Rad. Werte darüber deuten auf Radfehler hin. Ab einem Wert in der Grössenordnung von 1,5 nehmen Kundinnen und Kunden ein unruhiges Fahrverhalten des Zugs wahr.

Die Datenlandschaft beim Radsatzmonitoring
Daniel arbeitet beim Radsatzmonitoring aktuell mit acht Datenquellen. Dazu gehören zwei Handmessgeräte, die mittels Laser verschiedene Parameter eines Rads messen, die automatische Radsatzmessanlage der SOB im Gleisbereich in Herisau sowie die Unterflurdrehbank (UFD), wo die Messungen vor und nach dem Abdrehen bzw. der Reprofilierung des Rads stattfinden. Instandhaltungsmitarbeitende ergänzen die Messungen mit Rückmeldungen zur Schadensart, das sind z. B. Risse, Flachstellen usw. Weitere Datenquellen sind die erwähnten ZKE, die den dynamischen Beiwert liefern, und das Rail Diagnostic System (RDS), das die Parameter des Fahrzeugs übermittelt. Von der Software Railopt werden die Planungsdaten des Schienenverkehrs eingelesen, um Rückschlüsse zu ziehen, wo die Fahrzeuge im Einsatz waren. Auch Daten aus dem SAP, einer Software für das Management von Geschäftsprozessen, dienen als Datenquelle, die zum Beispiel Informationen dazu enthalten, bei welchem Fahrzeug welche Achse eingebaut ist. Die Rohdaten werden in sogenannten Datensilos gespeichert. Darauf folgt die Datenbereinigung und Aggregation, das heisst, Daniel komplettiert, bereinigt, ergänzt und kombiniert die Daten, um die gewünschten Informationen zu erhalten. Die verarbeiteten Daten sind im Data Warehouse zentral gebündelt und der Fachexperte bereitet sie für verschiedene Anwendungen auf. Dank des Dashboards – einer übersichtlichen Benutzeroberfläche – erhält die Anwenderin oder der Anwender eine Visualisierung der Achsparameter. Dazu gehören unter anderem Auswertungen basierend auf dem dynamischen Beiwert, Raddurchmesser, Spurkranzdicke sowie weitere relevante Messwerte. Zusätzlich sind Informationen wie die Laufleistung der Achsen und eine prognostizierte Restlaufzeit abrufbar. Die Grafiken sind mit den jeweiligen Warn- und Alarmierungsschwellen ergänzt. Werden diese Werte überschritten, erhalten die zuständigen Personen automatisch eine E-Mail-Benachrichtigung mit der Aufforderung, das Dashboard zu prüfen und erforderliche Massnahmen einzuleiten. In einem nächsten Schritt ist geplant, dass aufgrund der Prognosen automatisiert Arbeitsaufträge via SAP ausgelöst werden. Dafür wird unter anderem ein Algorithmus entwickelt, der alle Achsparameter eines Zuges analysiert und eine Handlungsempfehlung ableitet. Zusätzlich werden gewisse vorverarbeitete Daten wie der Raddurchmesser ins SAP importiert, um den Tausch von einzelnen Radsätzen zu planen. Daniel ergänzt: «Der aktuelle Arbeitsstand ist noch etwas von Machine Learning entfernt, aber wir nähern uns Schritt für Schritt. Zunächst müssen wir weitere Daten sammeln und analysieren, um ein besseres Verständnis zu gewinnen. Ich bin jedoch zuversichtlich, dass in diesem Anwendungsfall noch in diesem Jahr die ersten Machine-Learning-Modelle zum Einsatz kommen werden.»

«Daten haben Zukunft.»
Daniel Garcia, Leiter Transport

Ohne Umwege in die Praxis – mit spürbarem Mehrwert
Im Arbeitsalltag in den Service-Zentren zeigte sich, wie dringlich und praktikabel die Informationen aus dem Dashboard sind. Kaum standen die Datenanalysen zur Verfügung, nutzten die Instandhaltungsmitarbeitenden sie bereits aktiv in ihrer täglichen Arbeit. Daraufhin folgten zusätzliche Auswertungen zu den Reprofilierungsintervallen der Fahrzeuge auf der UFD sowie wöchentliche Flottenberichte, die Daniel ins Dashboard integrierte. Bisher erfolgte die Reprofilierung sämtlicher Räder eines Fahrzeugs abhängig von der Laufleistung, also nach 200000 gefahrenen Kilometern oder bei Meldungen über mangelnde Laufruhe. Dank der Datenanalyse erfolgen seit Längerem die Reprofilierungen der Räder nicht mehr präventiv, also nicht nach einer fixen Laufleistung. Zudem werden nicht mehr alle Achsen eines Fahrzeuges gleichzeitig reprofiliert, sondern nur noch einzelne Achsen nach Bedarf. Mittlerweile sind Radsätze mit Laufleistungen von über 350000 Kilometern seit der letzten Reprofilierung erfasst, was das Potenzial an Einsparungen aufzeigt. Die Instandhaltungsarbeiten, wie ein optimiertes Abdrehen der Räder, lassen sich besser planen. Hinzu kommt, dass sich die negativen Rückmeldungen von Kundinnen und Kunden sowie dem SOB-Personal bezüglich mangelnder Laufruhe deutlich reduziert haben.

«Die negativen Rückmeldungen bezüglich mangelnder Laufruhe haben sich deutlich reduziert.»
Daniel Stump, Fachexperte Data Science Rollmaterial

Data Science bei der SOB auf Wachstumskurs
Obwohl verschiedene Bahnunternehmen mit ähnlichen Herausforderungen konfrontiert sind und sich austauschen, gibt es keine universelle Lösung. Jede muss individuell erarbeitet werden und auch gekaufte Lösungen sind auf die Bedürfnisse des Unternehmens anzupassen. Das Cockpit, also eine zentrale Oberfläche zur Darstellung und Analyse aller relevanten Daten zu den verschiedenen Anwendungsfällen, hat Daniel selbst programmiert. Er kümmert sich nicht nur um die Daten im Hintergrund, sondern auch um die Visualisierung auf den Übersichtsseiten. Ein Schreibtischjob mit einem facettenreichen Berufsprofil, der den nebenberuflichen Tontechniker erfüllt: «Ich schätze die kurzen Dienstwege und die Nähe sowohl zu den Fachpersonen in der Werkstatt als auch zum Management sehr.» Sein Job erfordert ein hohes Mass an Eigeninitiative und Leidenschaft, um sich proaktiv den Aufgaben zu widmen und verborgene Potenziale zu erkennen. Da sich immer wieder neue Themen ergeben, ist Data Science bei der SOB seit Ende 2024 keine Ein-Mann-Show mehr: Pauli Samuli Rämö, ebenfalls Fachexperte Data Science im Bereich Rollmaterial, unterstützt Daniel seither tatkräftig. So hat sich die grüne Wiese zu einer komplexen Landschaft entwickelt, auf der die Datenarchitektur Schritt für Schritt Gestalt annimmt.

Text: Ramona Schwarzmann
Fotos: Hanspeter Schenk, Daniel Ammann