Institut für Fahrzeugsystemtechnik

Data Science im ÖPNV – datengetriebene Optimierung von Energieeffizienz, Komfort und Verschleiß

Hintergrund

Am Teilinstitut Bahnsystemtechnik wird aktuell in Kooperation mit den Verkehrsbetrieben Karlsruhe eine Straßenbahn mit umfangreicher Messtechnik ausgerüstet. Diese soll im regulären Fahrgastbetrieb eingesetzt werden und zu neuen Erkenntnissen zum Fahrzeug und zur Infrastruktur beitragen. Durch die flächendeckenden Langzeitmessungen im Karlsruher Netz fallen eine große Menge an Felddaten an, die im Rahmen einer Big Data-Analyse genauer untersucht werden.

 

Vielversprechende Punkte, die im Fokus der Untersuchungen stehen, sind eine automatische Detektion und die Vorhersage von Wartungsbedarf (Condition-based und Predictive Maintenance) in der Schieneninfrastruktur, im Getriebe und in den Achslagern. Des Weiteren soll durch eine mit künstlicher Intelligenz gesteuerte Klimaanlage die Energieeffizienz sowie der Komfort der Fahrgäste gesteigert werden. Zusätzlich gilt es, Möglichkeiten aufzuzeigen, wie das Quietschen der Schienenfahrzeuge reduziert werden kann, weswegen neben Sensorik zur Erfassung der äußeren Gegebenheiten auch Messmikrofone in die Messstraßenbahn integriert wurden. Außerdem bestehen Möglichkeiten, den bestehenden Betrieb zu optimieren und die Erweiterbarkeit der Messstraßenbahn hinsichtlich Vehicle2X-Technologien zu untersuchen, anhand derer weiter die Energieeffizienz des Gesamtsystems gesteigert werden kann.

 

Bestandteil weiterer Untersuchungen sind Wirtschaftlichkeitsbetrachtungen zum aufzeigten technischen Optimierungspotenzial. Ziel ist eine monetäre Bewertung anhand von ausgewählten Business Cases und eine Analyse, wie sich die gewonnen Erkenntnisse auf die gesamte Flotte von Verkehrsbetrieben projizieren lassen.

 

Mögliche Aufgabenstellungen

  • Recherche zum Stand der Technik von Data Science im ÖPNV
  • Messdatenanalyse
  • Entwicklung einer Datenbankarchitektur
  • Aufbau validierter Simulationsmodelle
  • Predictive Maintenance von Fahrzeug und Infrastruktur
  • Machine- & Deep-Learning in der Fahrzeugtechnik
  • Vehicle2X-Kommunikation
  • Aufstellung von Business Cases zur monetären Bewertung der technischen Optimierung

Voraussetzungen

  • Interesse an: Fahrzeugtechnik, Data Science, Machine Learning, Elektromobilität, ÖPNV
  • Bereits vorhandene Kenntnisse in MS-Office, Python und Matlab/Simulink sind von Vorteil
  • Gute Deutsch- und Englischkenntnisse sowie selbständiges und strukturiertes Arbeiten werden vorausgesetzt
  • ggf. informationstechnisches Basiswissen (Machine Learning, Big Data Analysis)
  • ggf. fahrzeugtechnisches Basiswissen (Heizung, Klima, Lüftung, Verschleiß, Rad-Schiene-Kontakt)

Haben Sie Interesse an diesem Arbeitsgebiet, Fragen zu möglichen Themenstellungen oder eigene Ideen?

 

Dann schreiben Sie mir einfach eine Mail!

 

Ansprechpartner

Name: Markus Tesar

Email:  markus.tesar∂kit.du

Tel.:     0721 / 608-4 1819