)
Das Schienennetz in unseren Logistikzentren
In unseren Logistikzentren transportieren Elektrohängebahnen (EHBs) Paletten hängend an einem Schienensystem, ähnlich wie man es von Achterbahnen aus Freizeitparks kennt. Das Schienensystem selbst besteht aus vielen einzelnen Monorailblocks. Durch die permanente Belastung verschieben sich diese Blöcke mit der Zeit leicht, wodurch ein Versatz zueinander entsteht. Das passiert insbesondere an den Weichenabschnitten.
Durch diesen Versatz können Wartungsfälle entstehen. Diese reichen von leichten bis schweren Fällen, also vom Stehenbleiben der EHB bis zum Abreißen der Stromleiter.
Unser Ziel ist es, kritische Schienenabschnitte zu identifizieren, bevor daraus eine Störung entsteht (Predictive Maintenance). Durch die Auswertung von Daten lassen sich theoretische Vorhersagen über den Verschleiß oder Ausfall von Maschinenteilen treffen. Somit können Wartungen durchgeführt oder Maschinenteile ausgetauscht werden, bevor diese ausfallen.
Bisher prüfte ein Team das Schienensystem manuell bei der halbjährlichen Kontrolle und zusätzlich bei Stillstand der Anlage. Dies bedeutet einen enormen manuellen Aufwand. Zudem birgt der feste Prüfzyklus die Gefahr, dass ein Schienenabschnitt zwischen zwei Kontrollen zu einem kritischen wird, der bis zur nächsten Kontrolle nicht entdeckt wird. Deshalb haben wir uns gefragt, wie wir das gesamte Schienennetz automatisch und passiv überwachen können, um gezielte Wartungen durchführen und potenziell die manuelle Untersuchung sogar ablösen zu können.
Unser erster Ansatz ist gescheitert. Was wir daraus gelernt haben, erfährst Du in diesem Beitrag.
Wie können wir das gesamte Schienennetz automatisch überwachen?
Die EHBs nutzen die Schienen durchgehend, wodurch jede Fahrt eine potenzielle Messgelegenheit ist. Wir haben nach einer Lösung gesucht, wie wir eine EHB mit IoT-Sensorik ausstatten können, um die kritischen Abschnitte im Netz zu identifizieren, anstatt wie bisher das gesamte Netz blind abzulaufen.
Was ist das Internet of Things?
Das Internet of Things (IoT) ist ein Netzwerk aus physischen Geräten, in unserem Fall Sensoren, die unter Verwendung von Software und Netzwerkverbindungen Daten erfassen und über das Internet an zentrale Systeme übertragen. Dort werden die Daten gespeichert, ausgewertet und für Anwendungen wie Monitoring oder Predictive Maintenance genutzt.
Schritt 1: Proof of Concept im Logistikzentrum Wustermark
Als Standort für ein Proof of Concept und den ersten Prototyp hat sich unser Logistikzentrum in Wustermark angeboten. Zum einen wurde der Bedarf von Kollegen vor Ort geäußert, zum anderen ist das Schienennetz dort erheblich kleiner als in unseren anderen deutschen Logistikzentren in Waghäusel und Weilerswist. Außerdem wird es in Wustermark nur für den Transport von Paletten genutzt, nicht für die Kommissionierung. Das machte den Standort ideal für einen ersten Test. Ohne die zusätzlichen Stopps und Bewegungsmuster der Kommissionierung lassen sich unsere Messwerte unter deutlich kontrollierteren Bedingungen validieren, bevor wir den Ansatz auf komplexere Netze übertragen.
Schritt 2: Können kritische Schienenabschnitte mit einem Vibrationssensor erkannt werden?
In früheren Predictive-Maintenance-Projekten haben wir bereits Erfahrung mit Vibrationssensoren gesammelt. Daraus entstand die Idee, dass wir anhand der Vibrationen an einer umgebauten EHB Rückschlüsse auf die Unregelmäßigkeiten im Schienennetz ziehen können.
Die Sensoren erfassen die Messdaten direkt an der Elektrohängebahn. Über eine IoT-Plattform gelangen sie in StreamPipes. Dort bereiten wir die Daten auf und werten sie aus. Für die Datenübertragung nutzen wir MQTT, einen in IoT-Anwendungen verbreiteten Kommunikationsstandard.
StreamPipes ist eine Open-Source-Software unseres Partners Bytefabrik AI, die wir für die Vorverarbeitung und Auswertung von IoT-Daten nutzen.
)
Ein Barcodescanner sorgt dafür, dass wir die Daten den richtigen, durch Barcodes markierten Monorailblöcken zuordnen können.
In der Praxis zeigte sich schnell, dass die EHBs aus unterschiedlichen Gründen anhalten und wieder anfahren, wobei jedes Mal eine Vibration entsteht, welche nichts mit einem Schienenschaden zu tun hat. Dadurch ließen sich die Daten nicht zuverlässig auswerten und wir konnten letztendlich nicht sagen, welcher Abschnitt Wartung benötigt.
Uns war klar: Wir brauchten einen neuen Ansatz.
Schritt 3: Neuer Lösungsansatz. Können wir durch Abstandssensoren den Versatz an den Schienenabschnitten erkennen?
)
Beim Einbau der Sensorik an unserer ersten Test-EHB fiel uns auf, dass oberhalb der Schienen genug Platz für das Anbringen von Abstandssensoren vorhanden war. Also ersetzten wir den Vibrationssensor durch zwei Abstandssensoren und brachten diese oberhalb des Schienensystems an, jeweils einen für die belastete und einen für die unbelastete Schiene. Die beiden Sensoren zeichnen den Abstand zur Schiene permanent auf. Die Änderungen der Abstände geben Rückschlüsse auf den Versatz der Schienenabschnitte zueinander.
Ab wann ein Versatz als kritisch gilt, haben wir gemeinsam mit den Technikern vor Ort festgelegt, da sie die Schwachstellen im Netz am besten kennen.
Da so ein Versatz nie plötzlich entsteht, sondern sich über die Zeit verschlechtert, bieten die generierten Daten den Kollegen die Möglichkeit, die Abstände effektiv zu überwachen und gezielte Wartungen zu planen und durchzuführen.
Es besteht die Möglichkeit, die Daten live in StreamPipes anzuschauen und auszuwerten. Zusätzlich werden sie automatisch wöchentlich per E-Mail in zwei Listen versendet: zum einen der schlechtesten Schienenabschnitte, zum anderen der Abschnitte, die sich am meisten verändert haben. So kann das Team vor Ort Wartungen gezielt planen, statt das Netz auf Verdacht abzulaufen.
Schritt 4: Was lernen wir aus dem produktiven Betrieb?
Die Technik vor Ort arbeitet bereits mit StreamPipes und der E-Mail-Benachrichtigung.
Für das Pilotprojekt in Wustermark liegt noch keine direkte Auswertung vor. Aktuell werden dort laufend Daten generiert und gespeichert. Künftig möchten wir prüfen, diese Daten mit Unterstützung von KI über Snowflake auszuwerten und zu vergleichen. Die grundsätzliche Infrastruktur hierzu wird derzeit aufgrund anderer Projekte aufgebaut, wodurch sinnvolle Synergien entstehen, die wir für unseren Anwendungsfall nutzen können.
Die Daten möchten wir mit unseren Materialflussdaten, den Wartungs- und Instandhaltungsdaten unserer Technik, sowie den Daten aus StreamPipes abgleichen.
Schritt 5: Funktioniert der Ansatz auch auf einem größeren Schienennetz?
In Weilerswist läuft aktuell unser Folgeprojekt zum abgeschlossenen Piloten aus Wustermark. Die Sensorik ist bereits an einer EHB eingebaut. Da das Schienennetz mit rund fünf Kilometern auf drei verschiedenen Ebenen deutlich größer ist als das in Wustermark, werden wir mehrere EHBs mit Sensoren ausstatten. Hierdurch erhalten wir zum einen eine Redundanz. Zum anderen erhöhen wir die Wahrscheinlichkeit, dass zu allen Schienenabschnitten aktuelle Daten generiert werden, da nicht jede EHB immer an jedem Abschnitt vorbeifährt. Dies wird im Laufe des Projekts weiter untersucht.
Da sich die Versätze über einen längeren Zeitraum entwickeln, halten wir diesen Ansatz für mehr als ausreichend. Sollte sich im Laufe des Projekts Gegenteiliges herausstellen, haben wir auch die Möglichkeit, das Schienennetz gezielt durch die umgebauten EHBs abfahren zu lassen.
Eine weitere Anpassung ist die Einstellung der Sensorik. Der Barcodescanner musste erst auf die Gegebenheiten in Weilerswist eingestellt werden. Die Barcodes wurden zwar korrekt erkannt, aber zunächst falsch interpretiert.
Ebenso wurden die Abstandssensoren kalibriert, das Mapping in StreamPipes durchgeführt und die Daten validiert.
Ausblick: Wie geht es weiter?
Von der ersten Idee mit den Vibrationssensoren bis zu den Abstandssensoren, die heute in Wustermark produktiv genutzt werden, verlief der Weg nicht geradlinig. Der erste Ansatz hat uns vor allem gezeigt, was für unseren Anwendungsfall nicht funktioniert und wonach wir suchen mussten. Genau dieser Umweg war nötig, um zu verstehen, welche Daten tatsächlich verlässliche Aussagen über den Zustand unserer Schienen liefern können.
Auch in unserem aktuellen Schritt, dem Übertragen des Ansatzes aus Wustermark auf ein deutlich größeres und komplexeres Schienennetz in Weilerswist, arbeiten wir stetig an der Verbesserung unserer Datengenerierung. Dabei testen wir neue Funktionen unserer verwendeten Technik zur Optimierung unserer Ergebnisse.
Nach dem Abschluss des Projekts in Weilerswist möchten wir als weiteres Folgeprojekt EHBs in Waghäusel mit Sensorik ausstatten, einem weiteren Logistikzentrum mit einem hinsichtlich der Größe und Komplexität ähnlichen Schienennetz wie in Weilerswist.
Wustermark, Weilerswist, bald Waghäusel: Mit jedem Standort verstehen wir ein bisschen besser, wie sich Predictive Maintenance in der Praxis wirklich umsetzen lässt.