Ein gutes Verständnis der Verschleißmechanismen bei Radsätzen von Lokomotiven ist eine wichtige Voraussetzung für genaue Vorhersagen hinsichtlich der Abnutzung und Wartungsanforderungen. Zusammen mit den Schweizerischen Bundesbahnen (SBB) hat ABB ein Projekt zur Erfassung und Analyse entsprechender Daten ins Leben gerufen, um ein besseres Verständnis des Radverschleißes und der Abnutzung von Radsätzen an Lokomotiven der Baureihe Re 460 zu entwickeln.
Andrea Cortinovis, Lucas Schmid, Christian Huber ABB Traction Turgi, Schweiz, andrea.cortinovis@ch.abb.com, lucas.schmid@ch.abb.com, christian.huber@ch.abb.com; Robert Birke Corporate Research Baden-Dättwil, Schweiz robert.birke@ch.abb.com
Um Personen und Güter transportieren zu können, muss eine Lokomotive eine Traktionskraft auf die Schienen ausüben. Dies funktioniert nur, wenn die Räder auf den Schienen „greifen“. Mit anderen Worten, die Traktionskraft, die den Zug beschleunigt, muss auf die Adhäsionskraft (Haftkraft) zwischen Rad und Schiene abgestimmt sein. Übersteigt die ausgeübte Traktionskraft unter normalen Bedingungen die Haftgrenze, geht die Haftung verloren und die Räder drehen durch. Dieses Phänomen wird als Radschlupf bezeichnet. Radschlupf zählt zusammen mit Torsionsschwingungen, Beschleunigungs- und Bremskräften zu den wichtigsten Faktoren, die den Verschleiß beeinflussen. In diesem Zusammenhang wird die Rad-Schienen-Interaktion von verschiedenen Faktoren beeinflusst wie das Gewicht, das auf die Kontaktfläche zwischen Rad und Schiene wirkt, die Steigung der Strecke, das Verhalten des Lokführers und die Umgebungsbedingungen (z. B. Wetter, Feuchtigkeit, Verschmutzung der Schienen usw.).
Interaktion zwischen Rad und Schiene
Die mechanischen Effekte an der Kontaktfläche zwischen Rad und Schiene spielen eine zentrale Rolle für die Leistungsfähigkeit, die Sicherheit, die Betriebskosten und die Zuverlässigkeit des Bahnbetriebs. Dies wird in [1] beschrieben. Eine detaillierte Übersicht zur Prognostik und zum Wartungsmanagement im Bahnbereich kann im referenzierten Artikel [2] gefunden werden. In den letzten Jahrzehnten haben sich zahlreiche Forschungsprojekte mit den mechanischen Eigenschaften von Rad und Schiene, der Instandhaltung von Rad- und Schienenprofilen, den mechanischen Eigenschaften von Drehgestellen (Steifigkeit usw.) und den Dämpfungseigenschaften von Schienenauflagen befasst. In der Praxis sind die Interaktionen an der Kontaktfläche zwischen Rad und Schiene jedoch sehr komplex und werden maßgebend von den veränderlichen Adhäsionsbedingungen beeinflusst, die vor allem für angetriebene Achsen Wechselwirkungen mit dem Antriebsstrang verursachen. Daher ist es wichtig, diese Auswirkungen zu verstehen, um den Antriebsstrang und die Adhäsionsregelung zu optimieren und das Gesamtsystem verbessern zu können.
Partnerschaft
Die Schweizerischen Bundesbahnen (SBB) und ABB haben sich in einem Co-Creation-Projekt zusammengeschlossen, um mithilfe der Digitalisierung ein besseres Verständnis und neue datengestützte Erkenntnisse zum Radverschleiß bei den SBB-Lokomotiven der Baureihe Re 460 zu erlangen [3].
Die 119 Lokomotiven vom Typ Re 460 der SBB-Flotte wurden in den 1990er Jahren gebaut und sind mit elektrischen Systemen von ABB ausgerüstet [4]. Vor Kurzem wurde die Flotte einem umfassenden, von der SBB und ABB gemeinsam umgesetzten Modernisierungsprogramm unterzogen, das unter anderem den Einbau neuer, hochmoderner Stromrichter beinhaltete [5].
Die Untersuchungsfelder des hier beschriebenen Projekts umfassten unter anderem Themengebiete wie das Verhalten der Traktionsregelung unter schwierigen Adhäsionsbedingungen sowie den Einsatz der Schleuderbremse, Schnellbremsung und Sander. Im Zusammenhang mit dem Re 460-Retrofit wurde besonderes Augenmerk auf das Verstehen des sogenannten Rollierverhaltens der Radsätze gelegt, bei dem es zu Torsionsschwingungen der Räder gegeneinander kommt [6].
Erfassung der Daten
Für das Projekt wurden fünf Lokomotiven der Baureihe Re 460 mit einem bahntauglichen Industrie-PC (IPC) und einem sogenannten MVB Reader ausgerüstet, der Prozessdaten vom Fahrzeugbus (Multifunction Vehicle Bus, MVB) auslesen kann →01.
Der MVB Reader wurde so konfiguriert, dass alle relevanten Signale zum Rad-Schienen-Kontakt mit der höchstmöglichen Abtastrate von 20 Hz vom Fahrzeugbus gelesen und an den IPC übermittelt werden können. Zu den erfassten Signalen gehören z. B. die aktuellen Zugkräfte, der Luftdruck in der Hauptleitung und den Bremszylindern, die Intensität der Torsionsschwingungen in den Achsen, die Drehgeschwindigkeit der vier angetriebenen Achsen und die Fahrzeuggeschwindigkeit.
Ein zweiter Datenkanal erfasst im Sekundentakt die aktuelle geografische Position der Lokomotive. Jede Lokomotive vom Typ Re 460 ist standardmäßig mit einem mobilen Router ausgerüstet. Mit diesem werden die Daten per Mobilfunknetz über einen sicheren Datenübertragungskanal in die Traction Cloud übermittelt →02.
Von Daten zu Wissen
Nach der Datenaufnahme werden die Daten mithilfe von Datenpipelines in der Traction Cloud verarbeitet und gespeichert. Zu den typischen Aufgaben von Datenpipelines gehören die Zusammenführung verschiedener Datenquellen (z. B. Offline-Radverschleißdaten), die Aggregation von Daten, die Berechnung verschiedener Statistiken und die Durchführung von Datenanalysen. Schließlich erfolgt der Nutzentransfer an den Kunden durch Bereitstellung von zweckbedingten Visualisierungen, Berichten und Datenschnittstellen, die als Grundlage für Analyse-Workshops im Rahmen eines Co-Creation-Ansatzes dienen.
Als Beispiel für einen solchen Nutzentransfer wurde ein maßgeschneidertes Web-Portal zur Visualisierung der verarbeiteten Daten entwickelt. Dieses bietet eine schnelle Übersicht über den bisherigen Einsatz der Lokomotiven. Darüber hinaus ermöglicht es die Identifikation von außergewöhnlichen Ereignissen oder speziellen Situationen, sodass diese genauer analysiert werden können.
Neben der Darstellung der wichtigsten Signale im zeitlichen Verlauf bietet das Web-Portal eine Auswahl verschiedener Ansichten zur Visualisierung der Daten. So lassen sich z. B. zwei Signale in einem Streudiagramm als Punktewolke oder in einem zweidimensionalen Histogramm als Häufigkeitsverteilung abbilden. Außerdem ermöglicht das Portal die Darstellung der aufgezeichneten Daten auf einer Landkarte, um z. B. Streckenabschnitte mit besonders hohem Radschlupf zu identifizieren →03.
Das Web-Portal bietet zudem verschiedene Filtermöglichkeiten, um nur eine Untermenge der Daten zu visualisieren. So lassen sich wahlweise die Daten von einem oder von beiden Drehgestellen darstellen. Ein Filtern nach Zugkonfiguration ist ebenfalls möglich – z. B. um nur Fahrten auszuwählen, bei denen die Lokomotive im Schiebe- statt im Zugbetrieb mit einem bestimmten Drehgestell voraus eingesetzt wurde.
Fallbeispiel: schwierige Adhäsionsverhältnisse
Das folgende Beispiel veranschaulicht, wie das Web-Portal genutzt werden kann, um das Verhalten der Lokomotive unter bestimmten Bedingungen besser zu verstehen. →03 stellt den Rad-Schienen-Schlupf an einem regnerischen Tag auf dem Streckenabschnitt zwischen Sion und Genf auf einer Landkarte farbig dar.
Die Daten zeigen, wo über längere Streckenabschnitte schwierige Adhäsionsverhältnisse herrschten (erkennbar an den roten und orangen Markierungen für erhöhten Schlupf). Nun kann der Benutzer die gleiche Fahrt in einem Streudiagramm visualisieren und dabei die gewünschte Signalkombination auswählen. →04 stellt z. B. die Geschwindigkeit gegenüber dem Schlupf dar. Aus diesem Diagramm lässt sich erkennen, dass der erhöhte Radschlupf bei dieser Fahrt vor allen bei höheren Geschwindigkeiten aufgetreten ist. Außerdem zeigen die Daten, dass das vordere Drehgestell 1 tendenziell höhere Schlupfwerte aufweist als das nachlaufende Drehgestell 2. Dieser Effekt lässt sich unter schwierigen Adhäsionsbedingungen häufig beobachten. Die Traktionsregelung optimiert die Gesamtzugkraft der Lokomotive, indem sie am vorlaufenden Drehgestell einen höheren Schlupf zulässt, wodurch die Schienenoberfläche so konditioniert wird, dass das nachlaufende Drehgestell bessere Adhäsionsbedingungen vorfindet.
Ein weiterer interessanter Vergleich zweier Fahrten auf derselben Strecke ist in →05 dargestellt. Das linke Diagramm wurde bei schwierigen (feuchten) Adhäsionsverhältnissen aufgezeichnet, während das rechte Diagramm die Signalverläufe bei guten (trockenen) Bedingungen zeigt.
Statistiken
Neben detaillierten Einblicken bietet das Tool auch die Möglichkeit zu schnellen Übersichten. Dazu stehen zwei Arten von Statistiken zur Verfügung: allgemeine Statistiken, die Übersichten über Lokomotiven liefern; und geografische Statistiken, die Daten bezogen auf GPS-Koordinaten darstellen.
Die allgemeinen Statistiken ermöglichen einen einfachen Vergleich der Daten von verschiedenen Lokomotiven. Dazu können Daten und Ereignisse über unterschiedliche Zeitskalen, wie monatlich oder jährlich, visualisiert werden. So können z. B. Balkendiagramme der Betriebsstunden und Betriebskilometer einen Überblick über die Nutzung verschiedener Lokomotiven liefern →06. Ferner ist es möglich, Daten miteinander zu kombinieren, um z. B. verschiedene Betriebsgeschwindigkeitsklassen zu betrachten.
Die Geostatistiken werden als Kreisdiagramme auf einer Karte dargestellt, wobei die Kreisgröße den Ganzwert eines Parameters darstellt und die Kreissektoren die Teilwerte für einzelne GPS-Koordinaten abbilden. Dies ermöglicht die Auswertung von Lokomotivdaten in Bezug zu bestimmten geografischen Positionen. So lassen sich z. B. Problemzonen identifizieren, in denen viel gesandet wird →07 oder in denen starke Torsionsschwindungen auftreten. Die Integration von Wetterdaten ist ebenfalls möglich, z. B. um den Einfluss von feuchten Witterungsverhältnissen auf den Radschlupf zu erfassen.
Radverschleiß
Die Radabnutzung wird periodisch geprüft, um festzustellen, wann ein Überdrehen oder ein Radsatztausch notwendig ist. Solch ein Austausch ist ein aufwendiger Vorgang, aber selbst das Messen und Überdrehen des Radprofils ist mit Ausfallzeiten verbunden, da die Lokomotive aus dem regulären Betrieb genommen werden muss. Daher bietet eine Optimierung der Wartung und des Radverschleißes großes Potenzial für Kosteneinsparungen.
Das Ziel der Datenanalyse ist einerseits die Vorhersage des Radverschleißes, damit Radmessungen nur dann durchgeführt werden, wenn dies nötig ist, und anderseits die Identifizierung der wichtigsten Radverschleißfaktoren als Grundlage für Optimierungen, die die Lebensdauer des Rads verlängern.
Bei der Analyse wird aus den aufgezeichneten Daten und mithilfe von vorhandenem Wissen eine Liste von Signalen erstellt, die die Radabnutzung potenziell beeinflussen. Diese Signale werden dann in einen sogenannten Feature-Auswahlprozess eingespeist, um die besten Modelleingänge zu identifizieren. Zuerst werden konstante Signale entfernt. Dann wird das Modell mit abnehmenden Teilmengen der verbleibenden Signale trainiert. Bei jedem Durchlauf wird das Signal mit der niedrigsten Wichtigkeitsbewertung entfernt. Anschließend wird das reduzierte Modell über seinen Determinationskoeffizienten gewertet →08. Der Determinationskoeffizient besagt, wie viel Varianz in den Daten durch das Modell erklärt wird (je höher desto besser, maximal 1,0). Anhand der Determinationskoeffizienten wird die kleinste Gruppe von Signalen mit dem besten Kompromiss hinsichtlich der Modellleistung ausgewählt (im dargestellten Fall fünf). Diese Signale werden als Eingänge für das datenbasierte Modell verwendet.
Der Radverschleiß wird häufig mittels einfacher, auf den gefahrenen Kilometern basierenden linearen Regressionsmodellen vorhergesagt. Mithilfe der zusätzlichen Daten und verschiedener Lernalgorithmen lässt sich ein präziseres Modell erstellen. Eine Vorstellung von der Modell-genauigkeit vermittelt die Darstellung in →09, die die gemessenen Werte (auf der x-Achse) den vorhergesagten Werten (auf der y-Achse) gegenüberstellt. Im Idealfall liegen alle Punkte auf der Diagonalen, d. h. der vorhergesagte Wert gleicht dem gemessenen Wert.
Das Random-Forest-Modell (rechts) nutzt die fünf Signale aus →10, um den mittleren absoluten Fehler gegenüber dem einfachen linearen Regressionsmodell (links) um 22,8 % zu verbessern.
Praktisch nutzbare Ergebnisse
Dank der bei diesem Projekt erfassten und analysierten Daten konnte das Verständnis zahlreicher physikalischer Wechselwirkungen sowie die Transparenz des Antriebsstrangs und der Radverschleißmechanismen verbessert werden. Dies ermöglichte die Implementierung von Software-Anpassungen im Bereich des Antriebsstrangs, die zu einer Erhöhung der Laufleistung der Radsätze führten.
Zusätzlich zu den in der Zusammenarbeit definierten Untersuchungsfeldern konnten die aufgezeichneten Daten auch für weitere Themenfelder genutzt werden. Beispiele hierfür sind unter anderem die Unterstützung beim Rollier-Nachweis der Achsen, die Erkennung von Sensorproblemen vor Testfahrten und das Nachvollziehen von Pantographen-Sprüngen bei fixen Oberleitungen. Dies zeigt, wie vielseitig die Daten verwendet werden können und wie viel verstecktes Potenzial ausgeschöpft werden kann, wenn die Daten in verarbeiteter und strukturierter Form vorliegen. Das mithilfe dieses Projekts gewonnene Know-how wird auch in zukünftige Stromrichter und deren Steuerungen einfließen.
Wie bei jedem großen Projekt gab es einige Herausforderungen und Lehren, die daraus gezogen werden können. Vor allem am Anfang des Projekts war sehr viel Zeit und Aufwand nötig, bis die Daten zuverlässig aufgezeichnet werden konnten und eine wohlstrukturierte Datengrundlage geschaffen war. Auch bei den Daten selbst gab es viele Herausforderungen. Diese reichten vom Zusammenführen von sehr langsamen und sehr schnellen Zeitreihendaten bis hin zu Datenqualitätsproblemen – ganz zu schweigen vom nicht immer ganz einfachen Unterscheiden zwischen Korrelation und Kausalität.
Das Projekt ist auch ein gutes Beispiel für einen Co-Creation-Ansatz, bei dem das Produkt nicht einfach nur eine zu erbringende Leistung darstellt, sondern bei dem ABB und der Kunde gemeinsam Ziele definieren, Beobachtungen teilen und die Entwicklung vom Anfang bis zum Ende begleiten.
Literaturhinweise
[1] R. Lewis, U. Olofsson: „Wheel-Rail Interface Handbook“. Woodhead Publishing, 2009.
[2] P. Dersin et al.: „Prognostics and health management in railways“. 27th European Safety and Reliability Conference (ESREL 2017), Portoroz, Slovenien, 18.–22. Juni 2017.
[3] A. Cortinovis et al. (2022): „Radverschleißuntersuchung im Co-Creation-Ansatz: Von Rohdaten zum besseren Verständnis der Radabnutzung“. ZEVrail Ausgabe 08, 2022 (noch nicht erschienen).
[4] J. Luetscher, J. Schlaepfer: „The ‘Locomotive 2000’ – a new generation of high-speed, multipurpose locomotives – 99 main-line locomotives with AC propulsion for Swiss Federal Railways“. ABB Review 10/1992, S. 25–33.
[5] T. Hungerberger: „IGBT-Stromrichter verlängern die Lebensdauer der Lokomotive Re460“. ABB Review 1/2017, S. 65–69.
[6] ABB Switzerland: „ABB increases the energy efficiency of the ‘Lok 2000’ for even more sustainable operation in the future“. ABB-Medienmitteilung, 14.07.2020. Verfügbar unter: https://new.abb.com/news/de/detail/65238/abb-increases-the-energy-efficiency-of-the-locomotive-2000-for-an-even-more-sustainable-operation-in-the-future (abgerufen am 11.04.2022).
