SlideShare ist ein Scribd-Unternehmen logo
KI und Predictive Maintenance
am Beispiel von DB Cargo
Inspirient GmbH | DB Cargo AG – Start-up Your AI @ Fraunhofer IPA (23.02.2021)
Kurzvorstellung der Referenten
als jeweilige Teilprojektleiter im BMVI mFUND-Projekt „QUISS“
Inspirient GmbH | DB Cargo AG – Start-up Your AI @ Fraunhofer IPA (23.02.2021)
1
Dr. Georg Wittenburg
Geschäftsführer
Inspirient GmbH
Patrick Seeßle
Consultant
DB Systel GmbH
BMVI mFUND-Projekt QUISS: Qualitätssteigerung im Schienenverkehr
Heutige Ergebnisvorstellung von zwei der drei Projektpartner
Inspirient GmbH | DB Cargo AG – Start-up Your AI @ Fraunhofer IPA (23.02.2021)
Lehrstuhl für Informationsmanage-
ment im Maschinenbau (IMA)
RWTH Aachen
Spezialist für Optimierung, Automati-
sierung und Mustererkennung in
finanziellen und operativen
Geschäftsdaten mittels aktueller
KI-Technologien
Inspirient GmbH
Berlin
Eisenbahnverkehrsunternehmen
für Transport- und Schienen-
logistiklösungen in Deutschland
und Europa mit einer Schienen-
fahrzeugflotte von rund 2.700
Lokomotiven, 83.000 Güterwagen
und täglich ca. 4.500 Güterzügen
DB Cargo AG
Mainz
2
Predictive-Maintenance-Ansatz operationalisiert bei DB Cargo
als drei aufeinander aufbauende Ziele
Inspirient GmbH | DB Cargo AG – Start-up Your AI @ Fraunhofer IPA (23.02.2021)
3
01
02
03
Entwicklung von intelligenten, datenbasierten und selbstlernenden Anwendungen
zur Optimierung der Dispositionsaktivitäten von Schienenfahrzeugen
Erhöhung der Effizienz der eingesetzten Ressourcen
inkl. Triebfahrzeuge und Güterwagen, Triebfahrzeugführer, Instandhaltungsressourcen
und -kapazitäten
Erhöhung der Qualität des Schienenverkehrs gegenüber Kunden und Partnern
durch höhere Pünktlichkeit der Güterzüge, Verlässlichkeit der Zustellungs- /
Abholungszeiten und bessere Planbarkeit innerhalb der gesamten Schieneninfrastruktur
Drei komplementäre Ansätze mit jeweils eigenen Datenquellen
Inspirient GmbH | DB Cargo AG – Start-up Your AI @ Fraunhofer IPA (23.02.2021)
4
Wo ist ein Wagon?
Wie weit ist er gefahren?
Telemetrie
Bildauswertung
Lassen sich äußere Schäden am
Wagon erkennen (mittels
Kamerabrücken)?
Was ist einem Wagon passiert
(z.B. Stöße, Erschütterungen)?
Lassen sich daraus resultierende
Schäden vorhersagen?
Sensorik
Fokus dieses Vortrages
Stoßdaten
Güterwagen
Ortsgenau Telemetrie als wesentliche Grundlage für Vorhersagemodelle
Semantische Anreicherung der Telemetriedaten zur Schaffung einer ausreichenden Datengrundlage
Inspirient GmbH | DB Cargo AG – Start-up Your AI @ Fraunhofer IPA (23.02.2021)
Gleis-Mapping
Eigenschaft Ausgangslage Ziel
Messintervall Ca. alle 10 Minuten Ca. alle 10 Sekunden (interpoliert)
Genauigkeit Oftmals mehrere Meter neben Gleis Exakt auf Gleis
Information über gefahrene Gleisabschnitte Nicht verfügbar Verfügbar
Streckendistanz Nur Luftlinie Metergenau
5
Erklärung der Zielgröße mit der geschaffenen Datengrundlage
Konkret: Erklärung von Fällen langer Wiederbereitstellungsdauer angesichts Stammdaten und gefahrener (Tonnen-)Kilometer
Operative Messgröße
Wagon-Laufleistung in KM
Betriebswirtschaftliche Zielgröße
Wiederbereitstellungsdauer ab Werk
Inspirient GmbH | DB Cargo AG – Start-up Your AI @ Fraunhofer IPA (23.02.2021)
6
Auswertung als betriebswirtschaftliches Optimierungsproblem
Welche Maßnahmen (bzgl. der Eingabedimensionen) führen zur Verbesserung der Zielgröße?
Inspirient GmbH | DB Cargo AG – Start-up Your AI @ Fraunhofer IPA (23.02.2021)
7
Maßnahmen und Analyseergebnisse sind wiederum
von Fachbereichen zu kontextualisieren und zu bewerten
Inspirient GmbH | DB Cargo AG – Start-up Your AI @ Fraunhofer IPA (23.02.2021)
8
Quelle: Bitkom Big Data Summit 2017
Beispiel: Data-driven Inspiration® Workshop bei DB Station&Service AG
Predictive Maintenance als dreistufiger Prozess
…dessen ersten zwei Schritte sich mit KI automatisieren lassen
Inspirient GmbH | DB Cargo AG – Start-up Your AI @ Fraunhofer IPA (23.02.2021)
9
• Inspirients KI
identifiziert Muster in
Geschäftsdaten
• Entdecken von neuen,
potentiell relevanten
Erkenntnissen
• Abschätzen der ge-
schäftlichen Relevanz
der entdeckten
Erkenntnisse
• Priorisieren der
Erkenntnisse
• Entscheiden der
nächsten Schritte bzgl.
der relevantesten
Erkenntnisse
Veränderung
der Zielgröße
Entdecken Priorisieren Entscheiden
Tabellarischer
Geschäfts-
datensatz
KI-Einsatz Fachabteilung
Best Practices und Herausforderungen im KI-Projektverlauf
Beispiele anhand des QUISS-Projekts
Design
- KI kann viele Geschäfts-
probleme lösen, sollte aber
nicht auf alles angewendet
werden
- Ein Schritt nach dem
anderen: Nicht das größte
Problem beim ersten
Gehversuch angehen
- Bedarfsträger und
Dateneigner abholen
Inspirient GmbH | DB Cargo AG – Start-up Your AI @ Fraunhofer IPA (23.02.2021)
10
Implementierung
- Langweilig aber wahr –
eine KI-Einführung muss
gemanaget werden
- Erfolg bringt Erfolg, im
Großen und im Kleinen
- Wenn die Daten nicht zur KI
kommen, dann muss die KI
zu den Daten gehen
Vertragsgestaltung
- Garantierte Genauigkeit zu
geteilten Kosten
- Better safe than sorry:
Risiken und mögliche Abhilfe
im Vorfeld identifizieren
Training und Tests
- Fehlende, verspätete oder
knappe Trainingsdaten?
Kein Problem!
- Daten-Annotation durch
Fachexperten auf dem
kritischen Pfad
- Um einen Mensch zu über-
treffen muss man erst
wissen, wie gut der
Mensch ist
Ausbringung
- Endanwender brauchen kein
überbordendes KI-Erlebnis
- Bestehende Prozesse
müssen mit möglichst
wenigen Anpassungen
weiterlaufen
- Wenn Sich KI wie Magie
anfühlt, dann wird man ihr
nicht trauen
Offener Austausch aller Beteiligten und agiles Zielbild im gesamten Projektverlauf
Quelle: Whitepaper „KI produktiv setzen“ – Inspirient GmbH
Weitere Best Practices sind in unserem White Paper
„KI produktiv einsetzen“ zusammengefasst
Inspirient GmbH | DB Cargo AG – Start-up Your AI @ Fraunhofer IPA (23.02.2021)
11
https://www.inspirient.com/productionizing-ai/
Englische Version Deutsche Version
Typischer Projektablauf
(im Gegensatz zum vorgestellten BMVI-Projekt)
Inspirient GmbH | DB Cargo AG – Start-up Your AI @ Fraunhofer IPA (23.02.2021)
12
Stufenweiser
Roll-out
3-6 Monate
Schnelle
Validierung
2-3 Wochen
KI-unterstützte
Geschäftstätigkeit
fortlaufend
Agiler Proof of Concept (PoC) zur
Validierung des Ansatzes
• Testlauf mit 1-3 Datensätzen
• Workshops zur Validierung der Ergebnisse
und zur Abschätzung des Mehrwertes
Meilenstein-gesteuertes Projekt zur
Einbindung von Datenquellen und
Anpassung von Prozessen
• Einbindung wesentlicher Datenquellen
• Anpassung der automatischen Analysen
• Training des Empfehlungssystems
• Anpassung der Priorisierungsprozesse
Unterstützung der neuen
Geschäftsprozesse
• Fortlaufende Prozessunterstützung und ggf.
technische Nachjustierungen
Projektbeispiel #1
Anomalieerkennung in der Anlagenoptimierung
• Ausgangslage – Angesichts erwarteter Regulierung wollte
der Kunde das CO2-Einsparpotential seiner chemischen
Großanlagen abschätzen
• Ansatz – Telemetrie der Analagensensorik wurde über
mehrere Jahre und Anlagenkonfigurationen bzgl. Hebel zur
Reduzierung von CO2-Kennzahlen untersucht
• Ergebnisse – Treiberanalyse der Zielgrößen deckt
verbesserungsbedürftige Prozessschritte und
-rezepturen auf
Inspirient GmbH | DB Cargo AG – Start-up Your AI @ Fraunhofer IPA (23.02.2021)
13
Kundennutzen – Optimierte Anlagen-
steuerungsprozesse zur Baumittelherstellung
mit weniger CO2-Ausstoß
Projektbeispiel #2
Prozessoptimierung im Fuhrparkmanagement
• Ausgangslage – Fuhrparkbetreiber / Mobilitätsanbieter mit
mehreren Hundert Standorten im Bundesgebiet will
Überführungsfahrten der heterogenen Flotte reduzieren
• Ansatz – Netzwerkanalyse der Überführungsfahrten
zwischen den Standorten unter Abgleich mit Nachfrage der
internen Kunden
• Ergebnisse – Identifizierung von Nachfrageschwerpunkten,
Lastspitzen und vermeidbaren „Flensburg/Garmisch-
Fahrten“
Inspirient GmbH | DB Cargo AG – Start-up Your AI @ Fraunhofer IPA (23.02.2021)
14
Kundennutzen – Senkung der operativen Kosten
durch bessere Bereitstellungslogistik und Arbeit
mit Vielnutzern
Die Zukunft
Vollständige Automatisierung von Prozess- und Kennzahlanalytik
Inspirient GmbH | DB Cargo AG – Start-up Your AI @ Fraunhofer IPA (23.02.2021)
15
https://youtu.be/1EdA6OiecWg
Kontakt
Dr. Georg Wittenburg Patrick Seeßle
Inspirient GmbH DB Systel
georg.wittenburg@insprient.com Patrick.Seessle@deutschebahn.com
www.inspirient.com www.deutschebahn.com

Weitere ähnliche Inhalte

Ähnlich wie KI und Predictive Maintenance am Beispiel von DB Cargo

A4 Pavone@Lotusday2007
A4 Pavone@Lotusday2007A4 Pavone@Lotusday2007
A4 Pavone@Lotusday2007
Andreas Schulte
 
Scrum days 2016_scrum_bei_festo_frank-m.hoyer_nadine.kärcher
Scrum days 2016_scrum_bei_festo_frank-m.hoyer_nadine.kärcherScrum days 2016_scrum_bei_festo_frank-m.hoyer_nadine.kärcher
Scrum days 2016_scrum_bei_festo_frank-m.hoyer_nadine.kärcher
Juergen Hohnhold
 
BCC: Angebot fuer Anbieter von ergaenzenden SAP-Loesungen
BCC: Angebot fuer Anbieter von ergaenzenden SAP-LoesungenBCC: Angebot fuer Anbieter von ergaenzenden SAP-Loesungen
BCC: Angebot fuer Anbieter von ergaenzenden SAP-Loesungen
BCC_Group
 
Whitepaper Virtuelle Techniken in der Fabrikplanung
Whitepaper Virtuelle Techniken in der FabrikplanungWhitepaper Virtuelle Techniken in der Fabrikplanung
Whitepaper Virtuelle Techniken in der Fabrikplanung
Virtual Dimension Center (VDC) Fellbach
 
Andreas E. Noll - After-Sales-Consulting und Interim Management
Andreas E. Noll - After-Sales-Consulting und Interim ManagementAndreas E. Noll - After-Sales-Consulting und Interim Management
Andreas E. Noll - After-Sales-Consulting und Interim Management
no-stop.de
 
Resume mit CV TBreidbach 20151115
Resume mit CV TBreidbach 20151115Resume mit CV TBreidbach 20151115
Resume mit CV TBreidbach 20151115
Thomas Breidbach
 
Vortrag Anlagensubstanzbewertung zur Konferenz Smart Maintenance 2015
Vortrag Anlagensubstanzbewertung zur Konferenz Smart Maintenance 2015Vortrag Anlagensubstanzbewertung zur Konferenz Smart Maintenance 2015
Vortrag Anlagensubstanzbewertung zur Konferenz Smart Maintenance 2015
MCP Deutschland GmbH
 
Solutiontogo webinar top 5 tricks und templates für die Planung mit MS Excel
Solutiontogo webinar top 5 tricks und templates für die Planung mit MS ExcelSolutiontogo webinar top 5 tricks und templates für die Planung mit MS Excel
Solutiontogo webinar top 5 tricks und templates für die Planung mit MS Excel
solutiontogo
 
Von der Straße in die Cloud: Optimierung von Logistikprozessen mit Docker, Ku...
Von der Straße in die Cloud: Optimierung von Logistikprozessen mit Docker, Ku...Von der Straße in die Cloud: Optimierung von Logistikprozessen mit Docker, Ku...
Von der Straße in die Cloud: Optimierung von Logistikprozessen mit Docker, Ku...
Aarno Aukia
 
PLM Open Hours - Fertigungsgrobplanung (Capable to Promise)
PLM Open Hours - Fertigungsgrobplanung (Capable to Promise)PLM Open Hours - Fertigungsgrobplanung (Capable to Promise)
PLM Open Hours - Fertigungsgrobplanung (Capable to Promise)
Intelliact AG
 
Additive Manufacturing – Betätigungsfeld für Bastler oder Macher
Additive Manufacturing – Betätigungsfeld für Bastler oder Macher Additive Manufacturing – Betätigungsfeld für Bastler oder Macher
Additive Manufacturing – Betätigungsfeld für Bastler oder Macher
Anselm Magel
 
Forum Mobile Instandhaltung in Köln
Forum Mobile Instandhaltung in KölnForum Mobile Instandhaltung in Köln
Forum Mobile Instandhaltung in Köln
argvis GmbH
 
Raus aus dem Reaktions-Modus - Ansätze für eine clever Einkaufsorganisation b...
Raus aus dem Reaktions-Modus - Ansätze für eine clever Einkaufsorganisation b...Raus aus dem Reaktions-Modus - Ansätze für eine clever Einkaufsorganisation b...
Raus aus dem Reaktions-Modus - Ansätze für eine clever Einkaufsorganisation b...
Lean Knowledge Base UG
 
1.6 Kofax Partner Connect 2013 - Gewinnen mit Kofax saf Success Story
1.6 Kofax Partner Connect 2013 - Gewinnen mit Kofax saf Success Story1.6 Kofax Partner Connect 2013 - Gewinnen mit Kofax saf Success Story
1.6 Kofax Partner Connect 2013 - Gewinnen mit Kofax saf Success Story
Marc Combes
 
Roadshow 2019: Praxistipps für die erfolgreiche Einführung von Camunda in Ihr...
Roadshow 2019: Praxistipps für die erfolgreiche Einführung von Camunda in Ihr...Roadshow 2019: Praxistipps für die erfolgreiche Einführung von Camunda in Ihr...
Roadshow 2019: Praxistipps für die erfolgreiche Einführung von Camunda in Ihr...
camunda services GmbH
 
Webinar: Effiziente Digitalisierungsstrategien für den Mittelstand
Webinar: Effiziente Digitalisierungsstrategien für den Mittelstand  Webinar: Effiziente Digitalisierungsstrategien für den Mittelstand
Webinar: Effiziente Digitalisierungsstrategien für den Mittelstand
ELEKS
 
Skalierbare internetbasierte Geo-Services (German)
Skalierbare internetbasierte Geo-Services (German)Skalierbare internetbasierte Geo-Services (German)
Skalierbare internetbasierte Geo-Services (German)
Matthias Wauer
 
Sagar manjarekar Lebenslauf GER
Sagar manjarekar Lebenslauf GERSagar manjarekar Lebenslauf GER
Sagar manjarekar Lebenslauf GER
Hochschule für Technik und Wirtschaft Berlin
 
Stammdatenmanagement
StammdatenmanagementStammdatenmanagement
Stammdatenmanagement
patriziapesce
 

Ähnlich wie KI und Predictive Maintenance am Beispiel von DB Cargo (20)

A4 Pavone@Lotusday2007
A4 Pavone@Lotusday2007A4 Pavone@Lotusday2007
A4 Pavone@Lotusday2007
 
Scrum days 2016_scrum_bei_festo_frank-m.hoyer_nadine.kärcher
Scrum days 2016_scrum_bei_festo_frank-m.hoyer_nadine.kärcherScrum days 2016_scrum_bei_festo_frank-m.hoyer_nadine.kärcher
Scrum days 2016_scrum_bei_festo_frank-m.hoyer_nadine.kärcher
 
BCC: Angebot fuer Anbieter von ergaenzenden SAP-Loesungen
BCC: Angebot fuer Anbieter von ergaenzenden SAP-LoesungenBCC: Angebot fuer Anbieter von ergaenzenden SAP-Loesungen
BCC: Angebot fuer Anbieter von ergaenzenden SAP-Loesungen
 
Whitepaper Virtuelle Techniken in der Fabrikplanung
Whitepaper Virtuelle Techniken in der FabrikplanungWhitepaper Virtuelle Techniken in der Fabrikplanung
Whitepaper Virtuelle Techniken in der Fabrikplanung
 
Andreas E. Noll - After-Sales-Consulting und Interim Management
Andreas E. Noll - After-Sales-Consulting und Interim ManagementAndreas E. Noll - After-Sales-Consulting und Interim Management
Andreas E. Noll - After-Sales-Consulting und Interim Management
 
Resume mit CV TBreidbach 20151115
Resume mit CV TBreidbach 20151115Resume mit CV TBreidbach 20151115
Resume mit CV TBreidbach 20151115
 
Vortrag Anlagensubstanzbewertung zur Konferenz Smart Maintenance 2015
Vortrag Anlagensubstanzbewertung zur Konferenz Smart Maintenance 2015Vortrag Anlagensubstanzbewertung zur Konferenz Smart Maintenance 2015
Vortrag Anlagensubstanzbewertung zur Konferenz Smart Maintenance 2015
 
Solutiontogo webinar top 5 tricks und templates für die Planung mit MS Excel
Solutiontogo webinar top 5 tricks und templates für die Planung mit MS ExcelSolutiontogo webinar top 5 tricks und templates für die Planung mit MS Excel
Solutiontogo webinar top 5 tricks und templates für die Planung mit MS Excel
 
Von der Straße in die Cloud: Optimierung von Logistikprozessen mit Docker, Ku...
Von der Straße in die Cloud: Optimierung von Logistikprozessen mit Docker, Ku...Von der Straße in die Cloud: Optimierung von Logistikprozessen mit Docker, Ku...
Von der Straße in die Cloud: Optimierung von Logistikprozessen mit Docker, Ku...
 
PLM Open Hours - Fertigungsgrobplanung (Capable to Promise)
PLM Open Hours - Fertigungsgrobplanung (Capable to Promise)PLM Open Hours - Fertigungsgrobplanung (Capable to Promise)
PLM Open Hours - Fertigungsgrobplanung (Capable to Promise)
 
Additive Manufacturing – Betätigungsfeld für Bastler oder Macher
Additive Manufacturing – Betätigungsfeld für Bastler oder Macher Additive Manufacturing – Betätigungsfeld für Bastler oder Macher
Additive Manufacturing – Betätigungsfeld für Bastler oder Macher
 
Forum Mobile Instandhaltung in Köln
Forum Mobile Instandhaltung in KölnForum Mobile Instandhaltung in Köln
Forum Mobile Instandhaltung in Köln
 
Raus aus dem Reaktions-Modus - Ansätze für eine clever Einkaufsorganisation b...
Raus aus dem Reaktions-Modus - Ansätze für eine clever Einkaufsorganisation b...Raus aus dem Reaktions-Modus - Ansätze für eine clever Einkaufsorganisation b...
Raus aus dem Reaktions-Modus - Ansätze für eine clever Einkaufsorganisation b...
 
1.6 Kofax Partner Connect 2013 - Gewinnen mit Kofax saf Success Story
1.6 Kofax Partner Connect 2013 - Gewinnen mit Kofax saf Success Story1.6 Kofax Partner Connect 2013 - Gewinnen mit Kofax saf Success Story
1.6 Kofax Partner Connect 2013 - Gewinnen mit Kofax saf Success Story
 
Roadshow 2019: Praxistipps für die erfolgreiche Einführung von Camunda in Ihr...
Roadshow 2019: Praxistipps für die erfolgreiche Einführung von Camunda in Ihr...Roadshow 2019: Praxistipps für die erfolgreiche Einführung von Camunda in Ihr...
Roadshow 2019: Praxistipps für die erfolgreiche Einführung von Camunda in Ihr...
 
Webinar: Effiziente Digitalisierungsstrategien für den Mittelstand
Webinar: Effiziente Digitalisierungsstrategien für den Mittelstand  Webinar: Effiziente Digitalisierungsstrategien für den Mittelstand
Webinar: Effiziente Digitalisierungsstrategien für den Mittelstand
 
Skalierbare internetbasierte Geo-Services (German)
Skalierbare internetbasierte Geo-Services (German)Skalierbare internetbasierte Geo-Services (German)
Skalierbare internetbasierte Geo-Services (German)
 
2011 10 05 10-15 knut mertens
2011 10 05 10-15 knut mertens2011 10 05 10-15 knut mertens
2011 10 05 10-15 knut mertens
 
Sagar manjarekar Lebenslauf GER
Sagar manjarekar Lebenslauf GERSagar manjarekar Lebenslauf GER
Sagar manjarekar Lebenslauf GER
 
Stammdatenmanagement
StammdatenmanagementStammdatenmanagement
Stammdatenmanagement
 

Mehr von Inspirient

Beyond the Obvious: Harnessing Generative AI to Analyze Quantitative Survey D...
Beyond the Obvious: Harnessing Generative AI to Analyze Quantitative Survey D...Beyond the Obvious: Harnessing Generative AI to Analyze Quantitative Survey D...
Beyond the Obvious: Harnessing Generative AI to Analyze Quantitative Survey D...
Inspirient
 
Free Text Classification with Neural Networks: Training, Process Integration ...
Free Text Classification with Neural Networks: Training, Process Integration ...Free Text Classification with Neural Networks: Training, Process Integration ...
Free Text Classification with Neural Networks: Training, Process Integration ...
Inspirient
 
Inspirient's Pitch for the MRS Research Live Innovation of the Year Award 2023
Inspirient's Pitch for the MRS Research Live Innovation of the Year Award 2023Inspirient's Pitch for the MRS Research Live Innovation of the Year Award 2023
Inspirient's Pitch for the MRS Research Live Innovation of the Year Award 2023
Inspirient
 
Trustworthy Analytics with Generative AI: Four Use Cases for ChatGPT / GPT-4
Trustworthy Analytics with Generative AI: Four Use Cases for ChatGPT / GPT-4Trustworthy Analytics with Generative AI: Four Use Cases for ChatGPT / GPT-4
Trustworthy Analytics with Generative AI: Four Use Cases for ChatGPT / GPT-4
Inspirient
 
Standardized Annotations for Survey Datasets: Enabling Automated Quality Assu...
Standardized Annotations for Survey Datasets: Enabling Automated Quality Assu...Standardized Annotations for Survey Datasets: Enabling Automated Quality Assu...
Standardized Annotations for Survey Datasets: Enabling Automated Quality Assu...
Inspirient
 
Diminishing Returns: When Should Real- world Surveys Stop Sampling?
Diminishing Returns: When Should Real- world Surveys Stop Sampling?Diminishing Returns: When Should Real- world Surveys Stop Sampling?
Diminishing Returns: When Should Real- world Surveys Stop Sampling?
Inspirient
 
Complementing Political / Social Research with AI for a Deeper Understanding ...
Complementing Political / Social Research with AI for a Deeper Understanding ...Complementing Political / Social Research with AI for a Deeper Understanding ...
Complementing Political / Social Research with AI for a Deeper Understanding ...
Inspirient
 
Lessons from Analyzing All of Europe's Data
Lessons from Analyzing All of Europe's DataLessons from Analyzing All of Europe's Data
Lessons from Analyzing All of Europe's Data
Inspirient
 
Insights beyond Human Intuition: Comprehensively Mining Survey Data
Insights beyond Human Intuition: Comprehensively Mining Survey DataInsights beyond Human Intuition: Comprehensively Mining Survey Data
Insights beyond Human Intuition: Comprehensively Mining Survey Data
Inspirient
 
Digital Crime Scene Investigation
Digital Crime Scene InvestigationDigital Crime Scene Investigation
Digital Crime Scene Investigation
Inspirient
 
Scalability and Autonomous Analytics
Scalability and Autonomous AnalyticsScalability and Autonomous Analytics
Scalability and Autonomous Analytics
Inspirient
 
Future Roles in AI-enabled Organisations
Future Roles in AI-enabled OrganisationsFuture Roles in AI-enabled Organisations
Future Roles in AI-enabled Organisations
Inspirient
 

Mehr von Inspirient (12)

Beyond the Obvious: Harnessing Generative AI to Analyze Quantitative Survey D...
Beyond the Obvious: Harnessing Generative AI to Analyze Quantitative Survey D...Beyond the Obvious: Harnessing Generative AI to Analyze Quantitative Survey D...
Beyond the Obvious: Harnessing Generative AI to Analyze Quantitative Survey D...
 
Free Text Classification with Neural Networks: Training, Process Integration ...
Free Text Classification with Neural Networks: Training, Process Integration ...Free Text Classification with Neural Networks: Training, Process Integration ...
Free Text Classification with Neural Networks: Training, Process Integration ...
 
Inspirient's Pitch for the MRS Research Live Innovation of the Year Award 2023
Inspirient's Pitch for the MRS Research Live Innovation of the Year Award 2023Inspirient's Pitch for the MRS Research Live Innovation of the Year Award 2023
Inspirient's Pitch for the MRS Research Live Innovation of the Year Award 2023
 
Trustworthy Analytics with Generative AI: Four Use Cases for ChatGPT / GPT-4
Trustworthy Analytics with Generative AI: Four Use Cases for ChatGPT / GPT-4Trustworthy Analytics with Generative AI: Four Use Cases for ChatGPT / GPT-4
Trustworthy Analytics with Generative AI: Four Use Cases for ChatGPT / GPT-4
 
Standardized Annotations for Survey Datasets: Enabling Automated Quality Assu...
Standardized Annotations for Survey Datasets: Enabling Automated Quality Assu...Standardized Annotations for Survey Datasets: Enabling Automated Quality Assu...
Standardized Annotations for Survey Datasets: Enabling Automated Quality Assu...
 
Diminishing Returns: When Should Real- world Surveys Stop Sampling?
Diminishing Returns: When Should Real- world Surveys Stop Sampling?Diminishing Returns: When Should Real- world Surveys Stop Sampling?
Diminishing Returns: When Should Real- world Surveys Stop Sampling?
 
Complementing Political / Social Research with AI for a Deeper Understanding ...
Complementing Political / Social Research with AI for a Deeper Understanding ...Complementing Political / Social Research with AI for a Deeper Understanding ...
Complementing Political / Social Research with AI for a Deeper Understanding ...
 
Lessons from Analyzing All of Europe's Data
Lessons from Analyzing All of Europe's DataLessons from Analyzing All of Europe's Data
Lessons from Analyzing All of Europe's Data
 
Insights beyond Human Intuition: Comprehensively Mining Survey Data
Insights beyond Human Intuition: Comprehensively Mining Survey DataInsights beyond Human Intuition: Comprehensively Mining Survey Data
Insights beyond Human Intuition: Comprehensively Mining Survey Data
 
Digital Crime Scene Investigation
Digital Crime Scene InvestigationDigital Crime Scene Investigation
Digital Crime Scene Investigation
 
Scalability and Autonomous Analytics
Scalability and Autonomous AnalyticsScalability and Autonomous Analytics
Scalability and Autonomous Analytics
 
Future Roles in AI-enabled Organisations
Future Roles in AI-enabled OrganisationsFuture Roles in AI-enabled Organisations
Future Roles in AI-enabled Organisations
 

KI und Predictive Maintenance am Beispiel von DB Cargo

  • 1. KI und Predictive Maintenance am Beispiel von DB Cargo Inspirient GmbH | DB Cargo AG – Start-up Your AI @ Fraunhofer IPA (23.02.2021)
  • 2. Kurzvorstellung der Referenten als jeweilige Teilprojektleiter im BMVI mFUND-Projekt „QUISS“ Inspirient GmbH | DB Cargo AG – Start-up Your AI @ Fraunhofer IPA (23.02.2021) 1 Dr. Georg Wittenburg Geschäftsführer Inspirient GmbH Patrick Seeßle Consultant DB Systel GmbH
  • 3. BMVI mFUND-Projekt QUISS: Qualitätssteigerung im Schienenverkehr Heutige Ergebnisvorstellung von zwei der drei Projektpartner Inspirient GmbH | DB Cargo AG – Start-up Your AI @ Fraunhofer IPA (23.02.2021) Lehrstuhl für Informationsmanage- ment im Maschinenbau (IMA) RWTH Aachen Spezialist für Optimierung, Automati- sierung und Mustererkennung in finanziellen und operativen Geschäftsdaten mittels aktueller KI-Technologien Inspirient GmbH Berlin Eisenbahnverkehrsunternehmen für Transport- und Schienen- logistiklösungen in Deutschland und Europa mit einer Schienen- fahrzeugflotte von rund 2.700 Lokomotiven, 83.000 Güterwagen und täglich ca. 4.500 Güterzügen DB Cargo AG Mainz 2
  • 4. Predictive-Maintenance-Ansatz operationalisiert bei DB Cargo als drei aufeinander aufbauende Ziele Inspirient GmbH | DB Cargo AG – Start-up Your AI @ Fraunhofer IPA (23.02.2021) 3 01 02 03 Entwicklung von intelligenten, datenbasierten und selbstlernenden Anwendungen zur Optimierung der Dispositionsaktivitäten von Schienenfahrzeugen Erhöhung der Effizienz der eingesetzten Ressourcen inkl. Triebfahrzeuge und Güterwagen, Triebfahrzeugführer, Instandhaltungsressourcen und -kapazitäten Erhöhung der Qualität des Schienenverkehrs gegenüber Kunden und Partnern durch höhere Pünktlichkeit der Güterzüge, Verlässlichkeit der Zustellungs- / Abholungszeiten und bessere Planbarkeit innerhalb der gesamten Schieneninfrastruktur
  • 5. Drei komplementäre Ansätze mit jeweils eigenen Datenquellen Inspirient GmbH | DB Cargo AG – Start-up Your AI @ Fraunhofer IPA (23.02.2021) 4 Wo ist ein Wagon? Wie weit ist er gefahren? Telemetrie Bildauswertung Lassen sich äußere Schäden am Wagon erkennen (mittels Kamerabrücken)? Was ist einem Wagon passiert (z.B. Stöße, Erschütterungen)? Lassen sich daraus resultierende Schäden vorhersagen? Sensorik Fokus dieses Vortrages Stoßdaten Güterwagen
  • 6. Ortsgenau Telemetrie als wesentliche Grundlage für Vorhersagemodelle Semantische Anreicherung der Telemetriedaten zur Schaffung einer ausreichenden Datengrundlage Inspirient GmbH | DB Cargo AG – Start-up Your AI @ Fraunhofer IPA (23.02.2021) Gleis-Mapping Eigenschaft Ausgangslage Ziel Messintervall Ca. alle 10 Minuten Ca. alle 10 Sekunden (interpoliert) Genauigkeit Oftmals mehrere Meter neben Gleis Exakt auf Gleis Information über gefahrene Gleisabschnitte Nicht verfügbar Verfügbar Streckendistanz Nur Luftlinie Metergenau 5
  • 7. Erklärung der Zielgröße mit der geschaffenen Datengrundlage Konkret: Erklärung von Fällen langer Wiederbereitstellungsdauer angesichts Stammdaten und gefahrener (Tonnen-)Kilometer Operative Messgröße Wagon-Laufleistung in KM Betriebswirtschaftliche Zielgröße Wiederbereitstellungsdauer ab Werk Inspirient GmbH | DB Cargo AG – Start-up Your AI @ Fraunhofer IPA (23.02.2021) 6
  • 8. Auswertung als betriebswirtschaftliches Optimierungsproblem Welche Maßnahmen (bzgl. der Eingabedimensionen) führen zur Verbesserung der Zielgröße? Inspirient GmbH | DB Cargo AG – Start-up Your AI @ Fraunhofer IPA (23.02.2021) 7
  • 9. Maßnahmen und Analyseergebnisse sind wiederum von Fachbereichen zu kontextualisieren und zu bewerten Inspirient GmbH | DB Cargo AG – Start-up Your AI @ Fraunhofer IPA (23.02.2021) 8 Quelle: Bitkom Big Data Summit 2017 Beispiel: Data-driven Inspiration® Workshop bei DB Station&Service AG
  • 10. Predictive Maintenance als dreistufiger Prozess …dessen ersten zwei Schritte sich mit KI automatisieren lassen Inspirient GmbH | DB Cargo AG – Start-up Your AI @ Fraunhofer IPA (23.02.2021) 9 • Inspirients KI identifiziert Muster in Geschäftsdaten • Entdecken von neuen, potentiell relevanten Erkenntnissen • Abschätzen der ge- schäftlichen Relevanz der entdeckten Erkenntnisse • Priorisieren der Erkenntnisse • Entscheiden der nächsten Schritte bzgl. der relevantesten Erkenntnisse Veränderung der Zielgröße Entdecken Priorisieren Entscheiden Tabellarischer Geschäfts- datensatz KI-Einsatz Fachabteilung
  • 11. Best Practices und Herausforderungen im KI-Projektverlauf Beispiele anhand des QUISS-Projekts Design - KI kann viele Geschäfts- probleme lösen, sollte aber nicht auf alles angewendet werden - Ein Schritt nach dem anderen: Nicht das größte Problem beim ersten Gehversuch angehen - Bedarfsträger und Dateneigner abholen Inspirient GmbH | DB Cargo AG – Start-up Your AI @ Fraunhofer IPA (23.02.2021) 10 Implementierung - Langweilig aber wahr – eine KI-Einführung muss gemanaget werden - Erfolg bringt Erfolg, im Großen und im Kleinen - Wenn die Daten nicht zur KI kommen, dann muss die KI zu den Daten gehen Vertragsgestaltung - Garantierte Genauigkeit zu geteilten Kosten - Better safe than sorry: Risiken und mögliche Abhilfe im Vorfeld identifizieren Training und Tests - Fehlende, verspätete oder knappe Trainingsdaten? Kein Problem! - Daten-Annotation durch Fachexperten auf dem kritischen Pfad - Um einen Mensch zu über- treffen muss man erst wissen, wie gut der Mensch ist Ausbringung - Endanwender brauchen kein überbordendes KI-Erlebnis - Bestehende Prozesse müssen mit möglichst wenigen Anpassungen weiterlaufen - Wenn Sich KI wie Magie anfühlt, dann wird man ihr nicht trauen Offener Austausch aller Beteiligten und agiles Zielbild im gesamten Projektverlauf Quelle: Whitepaper „KI produktiv setzen“ – Inspirient GmbH
  • 12. Weitere Best Practices sind in unserem White Paper „KI produktiv einsetzen“ zusammengefasst Inspirient GmbH | DB Cargo AG – Start-up Your AI @ Fraunhofer IPA (23.02.2021) 11 https://www.inspirient.com/productionizing-ai/ Englische Version Deutsche Version
  • 13. Typischer Projektablauf (im Gegensatz zum vorgestellten BMVI-Projekt) Inspirient GmbH | DB Cargo AG – Start-up Your AI @ Fraunhofer IPA (23.02.2021) 12 Stufenweiser Roll-out 3-6 Monate Schnelle Validierung 2-3 Wochen KI-unterstützte Geschäftstätigkeit fortlaufend Agiler Proof of Concept (PoC) zur Validierung des Ansatzes • Testlauf mit 1-3 Datensätzen • Workshops zur Validierung der Ergebnisse und zur Abschätzung des Mehrwertes Meilenstein-gesteuertes Projekt zur Einbindung von Datenquellen und Anpassung von Prozessen • Einbindung wesentlicher Datenquellen • Anpassung der automatischen Analysen • Training des Empfehlungssystems • Anpassung der Priorisierungsprozesse Unterstützung der neuen Geschäftsprozesse • Fortlaufende Prozessunterstützung und ggf. technische Nachjustierungen
  • 14. Projektbeispiel #1 Anomalieerkennung in der Anlagenoptimierung • Ausgangslage – Angesichts erwarteter Regulierung wollte der Kunde das CO2-Einsparpotential seiner chemischen Großanlagen abschätzen • Ansatz – Telemetrie der Analagensensorik wurde über mehrere Jahre und Anlagenkonfigurationen bzgl. Hebel zur Reduzierung von CO2-Kennzahlen untersucht • Ergebnisse – Treiberanalyse der Zielgrößen deckt verbesserungsbedürftige Prozessschritte und -rezepturen auf Inspirient GmbH | DB Cargo AG – Start-up Your AI @ Fraunhofer IPA (23.02.2021) 13 Kundennutzen – Optimierte Anlagen- steuerungsprozesse zur Baumittelherstellung mit weniger CO2-Ausstoß
  • 15. Projektbeispiel #2 Prozessoptimierung im Fuhrparkmanagement • Ausgangslage – Fuhrparkbetreiber / Mobilitätsanbieter mit mehreren Hundert Standorten im Bundesgebiet will Überführungsfahrten der heterogenen Flotte reduzieren • Ansatz – Netzwerkanalyse der Überführungsfahrten zwischen den Standorten unter Abgleich mit Nachfrage der internen Kunden • Ergebnisse – Identifizierung von Nachfrageschwerpunkten, Lastspitzen und vermeidbaren „Flensburg/Garmisch- Fahrten“ Inspirient GmbH | DB Cargo AG – Start-up Your AI @ Fraunhofer IPA (23.02.2021) 14 Kundennutzen – Senkung der operativen Kosten durch bessere Bereitstellungslogistik und Arbeit mit Vielnutzern
  • 16. Die Zukunft Vollständige Automatisierung von Prozess- und Kennzahlanalytik Inspirient GmbH | DB Cargo AG – Start-up Your AI @ Fraunhofer IPA (23.02.2021) 15 https://youtu.be/1EdA6OiecWg
  • 17. Kontakt Dr. Georg Wittenburg Patrick Seeßle Inspirient GmbH DB Systel georg.wittenburg@insprient.com Patrick.Seessle@deutschebahn.com www.inspirient.com www.deutschebahn.com