Predictive Maintenance: Zukunftsweisender Ansatz für meh ... / 5.2 Probleme bei Modellierung seltener, aber kumulierter Ereignisse

Risiken verzerrter Modelle

Trotz aller Leistungsfähigkeit eines solchen PdM-Vorhersagemodells ergeben sich jedoch auch dafür Grenzen: Diese können bspw. darin bestehen, dass die für das Modell verfügbaren Daten keine Situationen abdecken, die zwar nur sehr selten auftreten, aber dennoch möglich sind. Durch deren Vernachlässigung ist das Modell verzerrt und stellt nur einen Teil der Realität dar. Wenn sich Analytiker und Management dessen nicht bewusst sind, wird dies zu Problemen führen, es ist nur eine Frage der Zeit. Denn Machine Learning-Algorithmen wie die von DIANA besitzen natürlich nicht das Wissen der erfahrenen Techniker der Bahn.

Es wäre deshalb eine gute Strategie, für die Modellbildung für PdM für die Weichen vorliegende Störungsprotokolle von Weichen zu analysieren, um möglichst viele der möglichen Störungsursachen zu ermitteln und im Modell zu berücksichtigen. So lassen sich auf jeden Fall "Überraschungen" oder gar strategische Fehlentscheidungen vermeiden. Es kann allerdings schwierig und mühsam werden, wenn man dafür erst die Kritzeleien des Technikers auf Papier entziffern und erneut erfassen muss, d. h. wenn die Erfassung von Störungen nicht digital erfolgt.

Welche Konsequenzen dies haben kann zeigt das folgende aktuelle Beispiel:

Am 18. März 2018 führten kaum 20 Zentimeter Schnee und einstellige Frostwerte zum Stillstand aller Züge am Leipziger Hauptbahnhof. Verantwortlich für das Chaos waren nach Bahnangaben mehrere Weichen im Vorfeld des Hauptbahnhofes.

Es ist nicht bekannt (und auch für das Beispiel nicht erheblich), ob und wie viele Weichen des Hauptbahnhofs Daten an DIANA liefern und ob, wie in der Presse von ehemaligen Bahnmitarbeitern berichtet wurde, Weichenheizungen viel zu spät eingeschaltet wurden oder aus Kostengründen im Gleisbereich zwischen der Berliner Straße und der Rackwitzer Straße sogar Weichen ohne Heizungen verbaut wurden.^[1]

Kumulierte Schadensereignisse

In der Versicherungsbranche spricht man von kumulierten Schadensereignissen, wenn z. B. durch Wetterereignisse zahlreiche Systeme ausfallen. All das war durch genaue kleinräumige Wetterprognosen und einen normalen Winter sehr gut vorhersehbar.

Dass das funktioniert, zeigt der Einsatz von Siemens-Bahntechnik bei der russischen Eisenbahngesellschaft RZD. Diese hat eine Verfügbarkeit von 99,9 % – "während hierzulande Weichen und Türen einfrieren, rollen russischen Bahnen auch bei Temperaturen von bis zu minus 40 Grad."^[2]

Herausforderungen für das Management

Prädiktive Instandhaltung fordert das Management: Einmal für Ressourcenverschiebungen hin zu innovativen Projekte, um diesen einen Übergang von Forschung und Entwicklung hin zur operativen Lösung zu ermöglichen. Manager müssen aber auch entscheiden können, ob die digitalen Modelle ausreichend sind und zu welchen Auswirkungen Sparmaßnahmen und der Rückbau von Infrastruktur führen werden.

Mit Daten und Prescriptive Analytics lassen sich sogar hierfür Szenarien durchspielen, um Entscheidungshilfen zu erhalten.

[1] http://www.lvz.de/Leipzig/Lokales/GDL-Chef-Weselsky-Manager-sollten-die-Weichen-mit-nacktem-Hintern-auftauen, Abrufdatum 30.4.2018.

[2] https://www.computerwoche.de/a/big-data-meets-heavy-metal,3329549,3, Abrufdatum 30.4.2018.