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