BESCHREIBUNG

1 Technisches Gebiet

Die Erfindung betrifft ein Verfahren zur Steuerung eines Verkehrsmittelsystems mit einer Anzahl von Prozessen und einer Anzahl von durch die Prozesse beanspruchten Ressourcen. Die Erfindung betrifft ferner ein Inspektionssystem und ein Datenverarbeitungssystem zur Durchführung des Verfahrens.

Moderne Verkehrsmittelsysteme, wie beispielsweise Eisenbahnsysteme, zeichnen sich durch eine hohe Komplexität mit vielen ineinandergreifenden Prozessen und voneinander abhängigen Ressourcen aus. Dadurch ist es für an den Verkehrsmittelsystemen beteiligte Parteien, wie beispielsweise Eisenbahnnetzbetreiber, Zugflottenbetreiber, Instandhaltungs- einrichtungsbetreiber oder auch politische Entscheidungsträger, sehr schwierig die Folgen von Änderungen an Parametern des Verkehrsmittelsystems abzuschätzen. Folglich ist es mit bekannten Mitteln nicht möglich den Ressourceneinsatz für den Betrieb des Verkehrsmittelsystems zu optimieren.

2 Technische Aufgabe

Die Aufgabe der vorliegenden Erfindung ist es folglich, ein Verfahren zur ressourceneffizienten Steuerung eines Verkehrsmittelsystems zu schaffen. Diese Aufgabe wird von einem Verfahren gemäß Anspruch 1 sowie einem Datenverarbeitungssystem gemäß Anspruch 15 ge- löst. Vorteilhafte Ausgestaltungen ergeben sich aus den abhängigen Ansprüchen. 3 Verfahren zur Verkehrsmittelsystemsteuerung

Ein erfindungsgemäßes Verfahren ist zur Steuerung eines Verkehrsmittelsystems mit einer Anzahl von Prozessen und einer Anzahl von durch die Prozesse beanspruchten Ressourcen ausgelegt.

Die Ressourcen umfassen zumindest eine Anzahl von Fahrzeugen, eine Anzahl von Verkehrswegen für die Fahrzeuge, Personalmittel zum Betrieb, zur Inspektion und/oder zur Instandhaltung der Fahrzeuge und/oder Verkehrswege und eine Anzahl von Inspektionsmitteln und Instandhaltungsmitteln für die Fahrzeuge und/oder Verkehrswege. Die Inspektionsmittel und Instandhaltungsmittel können insbesondere Verbrauchsmaterialen, Vorrichtungen und/oder Anlagen zur Inspektion bzw. Instandhaltung, beispielsweise Inspektionssysteme bzw. Instandhaltungseinrichtungen, umfassen. So können beispielsweise Ersatzteile, Werkzeuge und/oder Instandhaltungseinrichtungen wie Werkstätten Instandhaltungsmittel sein.

Die Prozesse umfassen zumindest eine Anzahl von Betriebsprozessen, Inspektionsprozessen und Instandhaltungsprozessen der Fahrzeuge und/oder der Verkehrsmittel. Ein Be- triebsprozess ist beispielsweise eine Fahrt eines Fahrzeuges zum Transport von Fracht und/oder Passagieren. Ein Inspektionsprozess ist zum Beispiel eine manuelle und/oder au- tomatisierte Überprüfung eines technischen Funktionszustands eines Fahrzeugs. Ein In- standhaltungsprozess ist beispielsweise eine Reparatur eines Fahrzeugs.

Die Ressourcen sind jeweils durch eine Anzahl von Ressourcenattributen charakterisiert. Beispielsweise können die Fahrzeuge durch ihre Anzahl, ihre Bauart, ihren Aufenthaltsort, ihren aktuellen technischen Funktionszustand und/oder einen prognostizierten zukünftigen technischen Funktionszustand charakterisiert sein.

Die Prozesse sind jeweils durch eine Anzahl von Prozessattributen, die die von dem jeweiligen Prozess beanspruchten Ressourcen umfassen, charakterisiert. Beispielsweise kann eine Fahrt eines Fahrzeugs durch das eingesetzte Fahrzeug, das zur Durchführung der Fahrt eingesetzte Personal, eine Fahrtstrecke, eine Fahrtzeit, eine Auslastung des Fahrzeugs und/oder Witterungsbedingungen während der Fahrt charakterisiert sein.

In der Regel bestehen Korrelationen zwischen Ressourcenattributen und Prozessattributen sowohl untereinander als auch miteinander, sodass Änderungen von Attributen zu Änderungen weiterer Attribute führen. Dadurch, dass ein Verkehrsmittelsystem von einer großen Anzahl von verschiedenartigen Attributen charakterisiert ist und außerdem häufig nicht alle At- tribute erfassbar sind, ist eine analytische Ermittlung der Korrelationen schwierig oder sogar unmöglich. Ein besonderer Vorteil der Erfindung liegt darin das eine große Anzahl von Ressourcen und Prozessen, insbesondere alle für das Verkehrsmittelsystem relevanten Ressourcen und Prozesse, erfasst werden können, um eine umfassende Steuerung des Ver- kehrsmittelsystems unter Berücksichtigung aller relevanten Ressourcen und Prozesse zu ermöglichen.

Das Verfahren kann ein Erheben von Ressourcenattributen und/oder Prozessattributen umfassen. Durch das Erheben stehen die Attribute vorteilhafterweise für weitere Schritte des Verfahrens zur Verfügung.

Das Verfahren kann ein Parametrisieren von Ressourcenattributen in Ressourcenparameter und Prozessattributen in Prozessparameter umfassen, wobei die Prozessparameter jedes Prozesses und die Ressourcenparameter jeder Ressource zumindest einen Kostenparame- ter umfassen. Durch das Parametrisieren werden aus den Attributen vorteilhafterweise einer weiteren Analyse besser zugängliche Parameter erzeugt, indem die Parameter beispielsweise vergleichbare Datenformate aufweisen. Durch die Einführung von Kostenparametern kann die wirtschaftliche Bedeutung von unterschiedlichen Prozessen und/oder Ressourcen direkt über deren Kosten miteinander verglichen werden. Unter dem Begriff„Kosten" werden erfindungsgemäß sowohl die von einem Prozess und/oder einer Ressource verursachten Ausgaben als auch die davon generierten Einnahmen verstanden.

Das Verfahren kann ein Korrelieren von Prozessparametern und Ressourcenparametern untereinander und/oder miteinander umfassen. Durch das Korrelieren können vorteilhafter- weise Zusammenhänge zwischen den Parametern aufgedeckt werden, die es insbesondere erlauben die Kostenparameter der Prozesse und Ressourcen aus den übrigen Parametern zu ermitteln.

Das Verfahren kann ein Berechnen der Gesamtkosten der Prozesse anhand ihrer Kostenpa- rameter umfassen. Dadurch werden vorteilhafterweise die Gesamtkosten für unterschiedliche Parametersätze zugänglich und können miteinander verglichen werden, um so zu ermitteln, mit welchen Parametern der kosteneffizienteste Betrieb des Verkehrsmittelsystems erreicht wird.

Ein besonderes Problem bei einem übergreifenden automatisierten System und Verfahr zur Steuerung eines komplexen Systems wie eines Eisenbahnnetzes liegt in der techni- schen Umsetzung des Interessenausgleiches und des Kostenausgleiches einer Mehrzahl von involvierten Parteien. Im Falle eines Eisenbahnnetzes sind involvierte Parteien beispielsweise Werkstätten zur Instandhaltung von Zügen, die Betreiber einer Zugflotte, die Betreiber eines jeden Netzwerks, die Fahrgäste oder Gütertransporteure und ihre Interes- senvertretung, Betreiber von Ersatzteillagern, Hersteller von Ersatzteilen, andere Verkehrsmittelnetze mit Schnittstellen zum Fahrplan des Eisenbahnnetzes sowie wirtschaftliche Interessen oder politische Interessen wie beispielsweise die Verkehrsanbindung von wirtschaftlich strukturschwachen Regionen. Bei einer solchen Vielzahl von oft widerstreitenden Interessen lässt sich eine objektive „optimale Lösung" im Wege der algorithmischen Optimierung schwerlich erzielen. Eine Grundidee der Erfindung sieht daher vor, jeden Parameter, jedes Ziel und ihre Wirkung mit einem Kostenfaktor zu korrelieren. Optimiert werden, in gewissen Grenzen (wie beispielsweise der Mindeststandards an Verkehrssicherheit oder gesetzlicher Normen), die Gesamtkosten für den Betrieb des Eisenbahnnetzes oder auch eine möglichst wirtschaftliche Lösung, die mit einer gegebenen Kostenverteilung der beteiligten Parteien realisierbar ist. Die beteiligten Parteien können die Kompetenz erhalten, zumindest teilweise in die Gewichtung von Parametern oder Zielen einzugreifen.

3.1 Data-Mining

Das Erheben kann zumindest einen der folgenden Schritte, beispielsweise mit Methoden des Data-Mining, umfassen:

a) Empfangen einer Anzahl von Datenmengen, beispielsweise von einem

Enterprise-Ressource-Planning-System des Verkehrsmittelsystems und/oder einem Inspektionssystem für die Fahrzeuge und/oder Verkehrswege, b) Speichern der Datenmengen, bevorzugt geordnet nach

Ressourcenparametern und Prozessparametern, beispielsweise in einer Online-Datenbank,

c) Identifizieren von Ressourcenattributen und/oder Prozessattributen in den

Datenmengen und/oder

d) Abgleichen mit einer Datenbank, ob die notwendigen Attribute zur

Charakterisierung der Ressourcen und Prozesse erhoben sind.

Aus Schritt b ergibt sich der besondere Vorteil, dass die gespeicherten Datenmengen auch zu einem späteren Zeitpunkt einer Analyse, insbesondere im Sinne von Data-Mining, zu- gänglich sind. Durch die Schritte c und d wird sichergestellt, dass zur Charakterisierung der Ressourcen und Prozesse notwendige Attribute, insbesondere alle notwendigen Attribute, identifiziert werden. Dazu können beispielsweise, insbesondere einmalig, für jeden Ressourcen- und Prozesstyp die notwendigen Attribute in einer Datenbank hinterlegt werden. Bei- spielsweise kann hinterlegt werden, dass für eine Ressource vom Typ„Zug" notwendigerweise das Attribut Funktionszustand der Räder identifiziert werden muss.

Das Parametrisieren kann zumindest einen der folgenden Schritte, beispielsweise mit Methoden des Data-Mining, umfassen:

1 . Fokussieren auf eine Auswahl von Ressourcenattributen und/oder Prozessattributen,

2. Vorverarbeiten von Ressourcenattributen und/oder Prozessattributen, bevorzugt zur Beseitigung von Inkonsistenzen,

3. Transformieren von Ressourcenattributen und/oder Prozessattributen zu

Ressourcenparametern und/oder Prozessparametern, bevorzugt in ein für das Korrelieren geeignetes Format,

4. Zuteilen von Parameterwerten aus den Datenmengen zu den Ressourcenparametern und/oder Prozessparametern,

5. Überprüfen, ob das Zuteilen mit vollständigen und aktuellen Daten erfolgt, und/oder

6. Ausgeben einer Fehlermeldung, wenn das Zuteilen mit unvollständigen oder

veralteten Daten erfolgt.

Durch die Anwendung einer oder mehrerer der vorgenannten Schritte werden Parameter erzeugt, die für ein, insbesondere bezüglich der benötigten Rechenleistung, effizientes und zuverlässiges Korrelieren geeignet sind. Insbesondere können die Attribute durch Schritt c in ein, vorteilhafterweise einheitliches, Format transformiert werden, das insbesondere auch für einen Austausch von Parametern zwischen einem das Verfahren durchführenden

Datenverarbeitungssystem und einem externen Datenverarbeitungssystem geeignet sein kann. Zur Durchführung von Schritt e sind die Daten der Datenmengen vorteilhafterweise mit einem Zeitstempel versehen. Durch die Schritte e und f wird sichergestellt, dass das

Verfahren keine fehlerhaften Ergebnisse aufgrund unvollständiger oder veralteter Daten liefert.

Der Begriff„Big Data" oder„Massendaten" bezeichnet primär die ziel- und zweckgerichtete Verarbeitung und Auswertung von großen, komplexen und sich schnell ändernden Daten- mengen. Das weltweite Datenvolumen verdoppelt sich schätzungsweise alle zwei Jahre. Diese Entwicklung wird vor allem getrieben durch die zunehmende maschinelle Erzeugung von Daten z. B. über Protokolle von Telekommunikationsverbindungen (Call Detail Record, CDR) und Webzugriffen (Logdateien), automatische Erfassungen von zum Beispiel RFID- Lesern, Kameras, Mikrofonen und sonstigen Sensoren.

Das Konzept von„Big Data" hält Einzug in immer weitere Lebensbereiche, wie zum Bei- spiel bei der Automatisierung von Produktionsprozessen (Industrie 4.0, Internet der Dinge). Erfindungsgemäß wird von diesem Konzept auch die intransparente Automatisierung von Entscheidungsprozessen durch Einsatz von Software und Hardware umfasst. Konzept von„Big Data" erfordert nicht nur eine Umsetzung in Software, sondern auch in Hardware wie zum Beispiel der geeigneten kommunikativen Vernetzung von Datenverarbeitungsan- lagen oder zumindest teilautomatisierten Inspektionssystemen, Wartungsanlagen, Rechenanlagen zur Auslastungsplanung knapper Ressourcen (wie zum Beispiel die Belegung von Wartungsanlagen oder Gleisen für Züge) und/oder Lager- oder Logistiksystemen. Die vorliegende Erfindung betrifft insbesondere Ansätze, wie Grundkonzepte aus dem Bereich„Big Data" auf möglichst effiziente und zielgerichtete Weise im Kontext eines Bahnnetzwerkes angewandt werden können.

Klassische relationale Datenbanksysteme sowie Statistik- und Visualisierungsprogramme sind oft nicht in der Lage, derart große Datenmengen zu verarbeiten. Für Big Data kommen daher neue Arten von Datenspeicher- und Analyse-Systemen zum Einsatz, die paral- lel mit einer Vielzahl von Prozessoren bzw. Servern arbeiten. Dabei gibt es folgende Herausforderungen:

• Verarbeitung vieler Datensätze;

• Verarbeitung vieler Spalten innerhalb eines Datensatzes;

• Schneller Import großer Datenmengen;

· Sofortige Abfrage importierter Daten (Realtime Processing);

• Kurze Antwortzeiten (Latenz und Verarbeitungsdauer) auch bei komplexen

Abfragen;

• Möglichkeit zur Verarbeitung vieler gleichzeitiger Abfragen (Concurrent

Queries);

· Analyse verschiedenartiger Informationstypen (Zahlen, Texte, Bilder, ...).

Ein Grundkonzept der Auswertung von„Big Data", also einem großen Datensatz mit weitestgehend unbekannten Korrelationen zwischen den einzelnen Daten, ist das sogenannte„Da- ta-Mining". Data-Mining bezeichnet die systematische Anwendung statistischer Methoden auf große Datenbestände (insbesondere "Big Data" bzw. Massendaten) mit dem Ziel, neue Korrelationen, Abhängigkeiten oder Trends zu erkennen. Aufgrund der Datenmenge, der Komplexität und des Rechenaufwandes sind solche Methoden manuell oder teilmanuell wirtschaftlich und oder in Echtzeit nicht ausführbar.

Data-Mining wird bisweilen als Unterbegriff auf den gesamten Prozess der sogenannten „Knowledge Discovery in Databases" (Wissensentdeckung in Datenbanken; KDD) definiert. KDD umfasst auch Schritte wie die Datenerhebung oder Vorverarbeitung von Daten, während Data-Mining eigentlich nur den Analyseschritt des Prozesses bezeichnet. Viele der im Data-Mining eingesetzten Verfahren entstammen der Statistik, insbesondere der multivariaten Statistik, die oft nur in ihrer Komplexität für die Zwecke der konkre- ten Anwendung zu Lasten der Genauigkeit approximiert werden. Für die Anwendung im Data-Mining sind oft jedoch der experimentell verifizierte Nutzen und die akzeptable

Laufzeit entscheidender als eine statistisch bewiesene Korrektheit.

Data-Mining ist der eigentliche Analyseschritt des Knowledge Discovery in Databases Pro- zesses. Die beispielhaften Schritte eines solchen iterativen Prozesses sind im Groben:

• Fokussieren: beispielsweise die Datenerhebung und Selektion, aber auch das

Bestimmen bereits vorhandenen Wissens;

• Vorverarbeiten: beispielsweise die Datenbereinigung, bei der Quellen integriert

und Inkonsistenzen beseitigt werden, beispielsweise durch Entfernen oder

Ergänzen von unvollständigen Datensätzen;

• Transformieren: beispielsweise Transformation in das passende Format für den

Analyseschritt, beispielsweise durch Selektion von Attributen oder Diskretisierung der Werte; und/oder

• Evaluieren: beispielsweise Evaluation der gefundenen Muster durch den Experten und Kontrolle der erreichten Ziele.

Das Korrelieren kann zumindest einen der folgenden Schritte, beispielsweise mit Methoden des Data-Mining, umfassen:

a) Ausreißererkennung zum Ausblenden von inkonsistenten Ressourcenparametern und/oder Prozessparametern,

b) Clusteranalyse zur Gruppierung von Ressourcenparametern und/oder

Prozessparametern in Klassen,

c) Klassifikation zur, bevorzugt dynamischen, Zuordnung von Ressourcenparametern und/oder Prozessparametern zu bestehenden Klassen und/oder d) Assoziationsanalyse und/oder einer Regressionsanalyse zur Identifizierung von

Zusammenhängen und Abhängigkeiten zwischen Ressourcenparametern und/oder Prozessparametern. Durch Anwendung von einem oder mehreren der vorgenannten Schritte können,

insbesondere auch bei sehr großen Datensätzen mit einer Vielzahl von Parametern im Sinne von Big Data, ressourceneffizient und zuverlässig relevante Korrelationen gefunden werden.

Aufgabenstellungen des Data-Mining können sein:

• Ausreißererkennung: Identifizierung von ungewöhnlichen Datensätzen: Ausreißern, Fehlern, Änderungen;

• Clusteranalyse: Gruppierung oder Korrelation von Objekten, Eigenschaften von

Objekten oder Ereignissen aufgrund von Ähnlichkeiten (beispielsweise Gruppierung von Stromabnehmer, bei denen bei der Inspektion bestimmte Muster ergeben hat und die nach einem bestimmten Zeitraum einen bestimmten Defekt aufgewiesen haben. );

• Klassifikation: bisher nicht Klassen zugeordnete Elemente werden bei Überschreiten einer bestimmten Korrelationswahrscheinlichkeit dynamisch bestehenden Klassen zugeordnet oder wieder daraus entfernt;

• Assoziationsanalyse: Identifizierung von Zusammenhängen und Abhängigkeiten in den Daten in Form von Regeln wie„Aus A und B folgt normalerweise C";

• Regressionsanalyse: Identifizierung von Korrelationen zwischen a priori voneinander unabhängigen Parametern, Inspektions- und/oder Wartungszielen, Regeln oder Kosteneffekten.

Methoden des Data-Mining werden erfindungsgemäß eingesetzt, um mit möglichst geringem Einsatz von Ressourcen an Hardware (zur Datenverarbeitung, zur Inspektion, zur Wartung, zur Lagerhaltung und/oder sonstiger Infrastruktur) und Software einen Datensatz möglichst zeit- und kosteneffizient auswerten zu können, indem der Datensatz in kompaktere Metadaten gefasst wird ohne für den definierten Zweck wesentlichen Informationsverlust.

Bei der Ausreißererkennung werden beispielsweise Datenobjekte gesucht, die inkonsistent zu dem Rest der Daten sind, beispielsweise indem sie ungewöhnliche Attributswerte aufweisen oder von einem generellen Trend abweichen. Bei einer„dichtebasierter Ausreißerken- nung" (Local Outlier Factor) werden beispielsweise Objekte ermittelt, die eine von ihren

Nachbarn deutlich abweichende Dichte aufweisen, wobei sich die Dichte auf die Anzahl der Fehler pro Zeiteinheit bei einem Objekt beziehen kann. Identifizierte Ausreißer können anschließend manuell verifiziert und nach einem negativen Plausibilitätstest aus dem Datensatz ausgeblendet werden, um die Heuristik der Metadaten nicht im Sinne des verfolgten Zwecks zu verfälschen oder zu verschlechtern.

Bei der Clusteranalyse werden Gruppen von Objekten identifiziert, die sich auf eine gewisse Art ähnlicher sind als andere Gruppen. Oft handelt es sich dabei um Häufungen oder„Cluster" im Datenraum. Beispiele von Verfahren der dichteverbundenen Clusteranalyse, in denen die Cluster beliebige Formen annehmen können sind DBSCAN oder OPTICS. Bei Ver- fahren wie einem EM-Algorithmus oder k-Means-Algorithmus kommen meist im Datenraum sphärische Cluster zur Anwendung. Objekte, die keinem Cluster zugeordnet wurden, können als Ausreißer im Sinne der zuvor genannten Ausreißererkennung interpretiert werden. Die Clusteranalyse identifiziert Gruppen von Objekten, bei denen es oft reicht, sie nur anhand einer Stichprobe zu untersuchen, was die Anzahl der zu untersuchenden Datenobjek- te deutlich reduziert. So kann beispielsweise die Bedarfsplanung von Inspektionssystemen und Inspektion- und/oder Wartungsintervallen effizienter geplant werden.

Bei der Klassifikation geht es ähnlich der Clusteranalyse darum, Objekte in Klassen einzuordnen. Im Gegensatz zur Clusteranalyse sind hier aber in der Regel die Klassen vordefiniert (Beispielsweise: Fahrräder, Autos, Züge bzw. Typen von Zügen). Bisher keiner Klasse zugeordnete Objekte werden automatisch eine Klasse zugeordnet. Vorzugsweise werden bestehende Klassen jedoch nicht erweitert, beispielsweise indem die Kriterien für eine Klassenzugehörigkeit geändert werden. Dies wäre bei beispielsweise bestehenden Zugtypen nicht praxisrelevant und würde zudem mit einem erhöhten Rechen- und Hardwareaufwand einhergehen.

Bei der Assoziationsanalyse werden häufige Zusammenhänge in den Datensätzen gesucht und meist als Schlussregeln formuliert. Beispielsweise kann Metadatensatz A die Information enthalten, dass Radlager eines Zuges eine überdurchschnittliche Defektrate haben; Metada- tensatz B kann mir sagen, welche Züge in einem bestimmten Zeitraum einen bestimmten Streckenabschnitt passiert haben. Die Schlussregel würde besagen, dass Züge, auf die sich Metadatensatz A und B beziehen, eine höhere Wahrscheinlichkeit von defekten Radlagern haben als andere Züge, die andere Streckenabschnitte befahren. Die Schlussfolgerung könnte sein, dass auf dem bestimmten Streckenabschnitt ein Schienendefekt vorliegt, der Radlager mechanisch belastet und mit hoher Wahrscheinlichkeit schädigt. Bei der Regressionsanalyse wird der statistische Zusammenhang zwischen unterschiedlichen Parametern modelliert. Dies erlaubt unter anderem die Prognose von fehlenden Parameterwerten, aber auch die Analyse der Abweichung analog zur Ausreißererkennung. Verwendet man Erkenntnisse aus der Clusteranalyse und berechnet separate Modelle für jeden Cluster, so können typischerweise bessere Prognosen mit weniger Ressourcenaufwand erstellt werden. Wird eine starke Korrelation festgestellt, so kann dieses Wissen auch für eine Zusammenfassung genutzt werden. Die Regressionsanalyse erlaubt es, redundante Informationen zu entfernen und reduziert so die Komplexität der Daten. Eine Komplexitätsreduktion ermöglicht den gezielten Eingriff in ein hochkomplexes System wie beispielsweise ein Eisenbahnnetz mit gezielten Mitteln, die eine verständliche, absehbare oder prognostizierbare Wirkung haben. Als statistische Verfahren decken lernfähige Algorithmen Korrelationen in Datensätzen auf, ohne jedoch unbedingt ein analytisches Verständnis der kausalen Zusammenhänge dieser Korrelationen zu vermitteln. Bei einem dynamischen System wie bei einem Eisenbahnnetz spielen zeitliche

Korrelationen eine wichtige Rolle. Im Wege einer Zeitreihenanalyse können, beispielsweise vermittels spezieller Distanzfunktionen wie der Dynamic-Time-Warping-Distanz, ähnliche Charakteristika in zeitlichen Verläufen verschiedene Datensätze erkannt werden, auch wenn die Datensätze zu verschiedenen Zeiten ermittelt wurden. 3.2 Gewichtung

Das Berechnen kann ein Gewichten von Ressourcenparametern und/oder

Prozessparametern, insbesondere von Kostenparametern umfassen. Dadurch können vorteilhafterweise zusätzliche Einflussfaktoren, die von den Parametern an sich nicht erfasst werden, in das Berechnen einfließen. Beispielsweise können bei dem Berechnen neben rein wirtschaftlichen auch andere, beispielsweise politische, gesellschaftliche und/oder soziale Ziele berücksichtigt werden. So können beispielsweise Personalkosten geringer gewichtet werden als andere Kosten, wenn eine signifikante Reduzierung des Personalstamms vermieden werden soll, um soziale Unruhen zu vermeiden.

Das Verfahren kann ein Optimieren von Prozessparametern und/oder

Ressourcenparametern für möglichst geringe Gesamtkosten umfassen. Durch das

Optimieren können vorteilhafterweise, insbesondere automatisiert, Parameter für einen möglichst effizienten Betrieb des Verkehrsmittelsystems gefunden werden. 3.3 Optimierung

Das Optimieren kann ein Prognostizieren einer dynamischen, individuellen Lebensdauer einer Ressource umfassen. Das Prognostizieren kann beispielsweise durch einen

Inspektionsprozess erfolgen. Durch eine Verwendung einer prognostizierten, dynamischen, individuellen Lebensdauer im Rahmen des Optimierens kann vorteilhafterweise ein genaueres Optimierungsergebnis erreicht werden als bei Verwendung einer starren und typenspezifischen Lebensdauer einer Ressource. Eine typenspezifische Lebensdauer, beispielsweise eines Rads eines Fahrzeugs wird in der Regel mit einer großen

Sicherheitsmarge angegeben, damit alle Ressourcen eines Typs garantiert die angegebene Lebensdauer erreichen. Das führt jedoch dazu, dass viele Ressourcen vor Erreichen ihrer individuellen Lebensdauer ausgetauscht werden. Durch Verwendung einer prognostizierten, dynamischen, individuellen Lebensdauer wird eine Ressource erst dann ausgetauscht, wenn ihr individuelles Lebensende bevorsteht, sodass Material- und Personalkosten eingespart werden.

Das Optimieren kann eine örtliche und/oder zeitliche Entkopplung von Prozessschritten und/oder Ressourcen umfassen. So kann beispielsweise ein Inspektionsprozess eines Fahrzeugs an einem ersten Ort zu einer ersten Zeit und ein von dem Inspektionsprozess ausgelöster Instandhaltungsprozess an einem zweiten Ort zu einer zweiten Zeit erfolgen, wobei sich das Fahrzeug vorteilhafterweise fahrplanmäßig zur ersten Zeit am ersten Ort und zur zweiten Zeit am zweiten Ort befindet. Weiterhin kann sich eine für den

Instandhaltungsprozess benötigte Ressource, beispielsweise ein Ersatzteil, zur ersten Zeit noch an einem dritten Ort befinden und erst von dem Inspektionsprozess ausgelöst für die zweite Zeit zum zweiten Ort transportiert werden. Durch die Entkopplung wird der Betrieb des Verkehrsmittelsystems insgesamt zeit- und kosteneffizienter.

Das Verfahren kann ein Bereitstellen einer Kommunikationsschnittstelle umfassen, über die das Optimieren manuell beeinflusst werden kann. Denkbar ist es im Rahmen der Erfindung insbesondere, den gesamten Betriebs-, Inspektions-, Lager- und/oder Wartungsprozess für ein Verkehrsmittelsystem, wie zum Beispiel ein Eisenbahnnetzwerk, vollständig zu automatisieren, gleichsam einem„Autopiloten". In einer weiteren Ausgestaltung der Erfindung wird eine menschliche Kontrollinstanz, gleichsam einem„Piloten", vorgesehen, der aufgrund seiner Erfahrung, der Kenntnisse übergeordneter Ziele und aufgrund von Plausibilitätsüberle- gungen in die von einem Algorithmus ermittelte Diagnose (zum Beispiel unsinnige Diagnosen ausschließen), Wartungsaufgabe (zum Beispiel Austausch eines defekten Aggregat statt Reparatur aus Kostengründen, weil Ersatzteile zwar nicht im Lagersystem erfasst sind aber auf dem freien Markt einfach und schnell bestellt werden können) und/oder Priorisierung (zum Beispiel ist es weniger wichtig, ein nicht grundfunktionales Gerät wie einen funktionierenden Kaffeevollautomaten in einem Zug zu haben, wenn durch die wartungsbedingte Verzögerung der Gesamtfahrplan im Schienennetz nachhaltig gestört werden würde) eingreifen kann.

Das Optimieren kann mehrere Iterationen umfassen. In weiteren Iterationen kann bereits gefundenes Wissen verwendet („in den Prozess integriert") werden um in einem erneuten Durchlauf zusätzliche oder genauere Ergebnisse zu erhalten. Die Integration neuen Wissens kann insbesondere in Form von Anpassung von Parametern, insbesondere im Laufe weiterer Iterationen veränderlicher Eingangsparameter, erfolgen. Ein solcher Parameter kann beispielsweise die Verfügbarkeit eines Ersatzteils oder die sich ergebende Verspätung eines Anschlusszuges oder Über- oder Unterkapazitäten in einer Betriebswerkstätte sein. Das Optimieren kann Randbedingungen für eine Anzahl von Prozessparametern und/oder Ressourcenparametern berücksichtigen. Durch die Randbedingungen kann beispielsweise die Sicherheit des Verkehrsmittelsystems und/oder die Einhaltung gesetzlicher Vorschriften sichergestellt werden.

3.4 Prognose

Das Verfahren kann ein Prognostizieren von Wird-Daten abhängig von einer Abweichung von Ist-Daten von War-Daten und/oder Soll-Daten umfassen, wobei die Daten insbesondere Parameterwerte und/oder Rohdaten, besonders bevorzugt Kostenparameterwerte, insbesondere die Gesamtkosten, umfassen. Im Sinne der vorliegenden Erfindung werden mit „War-Daten" historische Daten, mit„Ist-Daten" aktuelle Daten und mit„Wird-Daten" zukünftige Daten bezeichnet.

Durch das Prognostizieren wird vorzugsweise die Kostenfolge von Eingriffen in das

Verkehrsmittelsystem abgeschätzt oder prognostiziert, sodass sich die beteiligten Parteien idealerweise anhand einer konkreten Kostenabschätzung über die Kostenfolgen solcher Eingriffe in Kenntnis gesetzt werden. Durch diese technische Umsetzung entsteht ein Marktplatz für die beteiligten Parteien, in dem sie transparent, schnell (idealerweise in Echtzeit) und bei Gewährleistung der Sicherheit des Gesamtsystems ihre Ziele abgleichen und die Kosten dafür ausgleichen können. Ohne eine technische Umsetzung und

Vernetzung eines komplexen Systems wie eines Eisenbahnnetzes wäre dies nicht möglich. So erhält beispielsweise der Betreiber einer Zugflotte ein unmittelbares Feedback, mit welchen Mehrkosten beispielsweise der Werkstätten zu rechnen ist, wenn ein bestimmter Zug bei der Instandhaltung bevorzugt behandelt werden soll, um den Fahrplan einzuhalten. Andererseits erhält beispielsweise auch eine Werkstatt das Feedback, welche Folgekosten eine nicht vorgezogene Reparatur eines Zuges aufgrund der Verspätung oder des Ausfalls von Anschlusszügen entstehen würden. So kann ein Werkstattleiter beispielsweise entscheiden, trotz hoher Lohnkosten eine Sonderschicht zur manuellen Reparatur des Zuges zu veranlassen. Auch vertragliche Regelungen, wie insbesondere Vertragsstrafen oder Zahlungen aufgrund Fahrgastrechten (und ihrer statistischen Inanspruchnahme), können in eine solche Kostenabschätzung einfließen.

Das Verfahren kann ein Vergleichen von Prognoseergebnissen mit einer realen Wird-Daten, die sich nach dem Prognostizieren in dem Verkehrsmittelsystem ergeben, umfassen.

Insbesondere können prognostizierte Gesamtkosten mit tatsächlich entstandenen

Gesamtkosten verglichen werden. Probleme beim Data-Mining haben ihren Ursprung oft in einer ungenügenden Vorverarbeitung der Daten oder in systematischen Fehlern und Verzerrung bei deren Erfassung. Erfindungsgemäß findet daher eine Rückkopplung von Analyseergebnissen beispielsweise auf Inspektionsprozesse oder Inspektionssysteme statt. Beispielsweise kann automatisiert ermittelt werden, dass zur hinreichend genauen Inspektion von Stromabnehmern eines Zuges mit minimalen Ressourcenaufwand auf eine andere Sequenz und Auswahl von Inspektionssensoren umgestellt werden muss.

Bei der Bewertung von Data-Mining-Ergebnissen ist jedoch fraglich, ob wirklich neue Erkenntnisse geschaffen werden oder lediglich Erkenntnisse der Vergangenheit auf die Zukunft projiziert werden. Letzteres würde in einem nicht optimalen Einsatz der

Gesamtressourcen resultieren. Erfindungsgemäß können daher regelmäßige

Untersuchungen vorgesehen sein, deren Ergebnisse mit den automatisierten Ergebnissen verglichen werden können. Aufgrund eines solchen Vergleichs können die Parameter des automatisierten Verfahrens angepasst werden, um die Ergebnisse des automatisierten Verfahrens zumindest mit Teilergebnissen von regelmäßigen Untersuchungen in Deckung zu bringen.

Das Verfahren kann ein virtuelles Spiegelsystem des Verkehrsmittelsystems zur Simulation von Auswirkungen von Änderungen an Prozessparametern und/oder Ressourcenparametern umfassen. Erfindungsgemäß kann so vorteilhafterweise ein virtuelles Spiegelsystem des tatsächlichen Systems (beispielsweise eines Eisenbahnnetzes) geschaffen werden, in dem Änderungen in den Parametern und ihre günstigen oder ungünstigen Auswirkungen auf das Gesamtsystem simuliert, getestet und prognostiziert werden können. Insbesondere kann vorgesehen sein, Änderungen am Gesamtsystem zu klassifizieren und bei jeder Änderung aus bestimmten Klassen eine Simulation der Folgen auf das Gesamtsystem durchzuführen. Dies ist insbesondere bei hochkomplexen und hoch sicherheitsrelevanten Systemen wie zum Beispiel Eisenbahnnetzen von Vorteil. Denkbar ist auch, die Klassifizierung von

Änderungen als Basis für Sicherheitsmaßnahmen zu verwenden. So kann bestimmt werden, dass Änderungen einer bestimmten Klasse nicht automatisch umgesetzt werden dürfen, sondern beispielsweise der manuellen Freigabe bedürfen. 3.5 Kommunikationsschnittstellen

Das Verfahren kann ein Bereitstellen von einer Anzahl von Kommunikationsschnittstellen für an dem Verkehrsmittelsystem beteiligte Parteien zur Steuerung und/oder Überwachung des Verfahrens umfassen. Die Parteien umfassen zumindest jeweils eine Anzahl von

Fahrzeugbetreibern der Fahrzeuge, Verkehrswegebetreibern der Verkehrswege und/oder Instandhaltungseinrichtungsbetreibern umfassen. Insbesondere kann ein

Berechtigungssystem vorgesehen sein, das jeder Partei Kompetenzspielräume zur

Änderung bestimmter Ressourcenparameter, Prozessparameter und/oder Gewichtungen in bestimmten Bereichen einräumt. Das Verfahren kann ein Vorschlagen einer

Kostenverteilung auf die Parteien bei einer Änderung von Ressourcenparametern und/oder Prozessparametern durch eine Partei umfassen.

Problematisch bei einem Eingriff in ein komplexes System durch eine Partei ist, dass der Eingriff auch anderen Parteien Kosten verursachen und in ihre Interessen und Kompeten- zen eingreifen kann. Erfindungsgemäß ist daher vorgesehen, für die Eingriffe durch eine bestimmte Partei auf bestimmte Parameter oder Ziele Kompetenzspielräume zu definieren. Diese Kompetenzspielräume können sich beispielsweise auf einen änderbaren Parameterbereich oder auf die daraus abgeleitete Kostenfolge für die Partei oder eine andere Partei beziehen. Beispielsweise kann ein Veto-System implementiert werden, in dem eine andere Partei bei Überschreiten eines definierten Kostenrahmens dem Eingriff durch eine erste Partei widersprechen kann. Neben der Kostenfolge kann der Algorithmus auch einen Nutzen für eine andere Partei durch den Eingriff einer ersten Partei ermitteln. Aufgrund der Kostenfolge und/oder des Nutzens der involvierten Parteien kann der Algorithmus eine Kostenverteilung vorschlagen und insbesondere, nach einem fakultativen Freigabeschritt, auf dieser Grundlage eine Ressourcenplanung veranlassen. Dabei können die Kosten, die der algorithmischen Optimierung des Bahnnetzes zu Grunde liegen, und die tatsächlichen Kos- ten, die die involvierten Parteien wirtschaftlich zu tragen haben, auch noch im Nachhinein auseinanderfallen. Aufgrund dieser technischen Umsetzung können die Ressourcen zum Beispiel eines Bahnnetzes im Sinne des Gesamtsystems schnell und reibungsfrei disponiert werden, weil der Ausgleich von Partikularinteressen nachgelagert werden kann.

Beispielsweise werden einem Betreiber einer Zugflotte die Reparaturkosten zur eiligen Wartung eines bestimmten Zuges und die Opportunitätskosten für seinen Ausfall ausgewiesen. Einem Betreiber einer Wartungseinrichtung wird hingegen aufgezeigt, dass er durch die außerplanmäßige und eilige Reparatur seine Wartungsressourcen besser auslas- ten kann. Ein beispielhaftes Optimierungsergebnis ist, dass eine wahrscheinlich notwendige Reparatur an einem Zug aufgrund der momentanen Auslastung in einer ersten Betriebswerkstätte mit günstigeren Gesamtkosten ausgeführt werden könnte als in einer zweiten Betriebswerkstätte, unter Anrechnung der Logistikkosten.

In einem anderen Beispiel könnte gegenüber politischen Entscheidungsträgern ausgewiesen werden, wie viel die infrastrukturelle Erschließung einer Region mit einem bestimmten Verkehrsmittel kosten würde. Ein besonderer Mehrwert des erfinderischen Verfahrens liegt in der schnellen Verknüpfung von Kostenfaktoren einer Zugflotte und ihrer Wartung. So können quasi in Echtzeit die Kosten von Betrieb und auch Wartung eines Sonderzuges berücksichtigt werden. Vorteilhafterweise wird durch das erfindungsgemäße Verfahren der Abgleich zwischen verschiedenen involvierten Parteien objektiviert, beschleunigt und bietet zudem höhere Planungssicherheit.

Insbesondere sieht die Erfindung vor, dass jede Partei einen„Piloten" mit manuellen Eingriffsrechten in die automatisierte Optimierung hat. Ein Pilot kann eine Einzelperson oder eine Gruppe von Personen sein. So kann auf effiziente und sichere Art und Weise ein Mehraugenprinzip für sicherheitsrelevante oder kostenrelevante Entscheidungen

implementiert werden.

3.6 Algorithmen

Das Parametrisieren, das Korrelieren, das Berechnen und/oder ein erfindungsgemäßes Optimieren können durch zumindest einen nichtlinearen, bevorzugt lernfähigen Algorithmus, besonders bevorzugt durch eine künstliche Intelligenz erfolgen. Durch einen entsprechenden Algorithmus können die genannten Schritte effizient und zuverlässig ausgeführt werden. Im Gegensatz dazu ist eine Bearbeitung mit linearen Algorithmen oder gar von Hand bei komplexen Verkehrsmittelsystemen nur mit erheblichem Zeit- und Kostenaufwand oder gar nicht möglich.

Beispielhafte lernfähige Algorithmen, die für das erfindungsgemäße Verfahren geeignet sind, sind Monte Carlo-Algorithmen, Travelling Salesman-Algorithmen, neuronale Netze oder evolutionäre Algorithmen. Insbesondere für das Problem der Bildverarbeitung können erfindungsgemäß auch lernfähige Algorithmen eingesetzt werden. Beispielhafte

Ausführungen und Konzepte solcher lernfähigen Algorithmen zur Bilderkennung sind in der Seminarreihe„Technologien der Fertigungsautomatisierung: Lernfähige Bildverarbeitung zur Qualitätsbeurteilung auf der Basis von überwachtem Lernen: Support Vector Machine" von Patrick Raul Giurgiu, Herausgeber: Univ. -Prof. Dr.-Ing. Michael Weyrich; Siegen (ISSN 2195- 9986) beschrieben, was hier durch Bezugnahme aufgenommen wird.

Eine beispielhafte künstliche Intelligenz ist das Programm IBM Watson, insbesondere in den Ausgestaltungen IBM Watson Analytics oder IBM Watson Analytics Expert Storybooks.

3.7 Eisenbahnsystem

Das Verkehrsmittelsystem kann beispielsweise ein Eisenbahnsystem umfassen, wobei die Fahrzeuge eine Anzahl von Zügen, die Verkehrswege eine Anzahl von Eisenbahnstrecken und die Instandhaltungsmittel eine Anzahl von Werkstätten umfassen können. Das Verfahren eignet sich besonders gut für ein Eisenbahnsystem, da es auch auf komplexe Systeme mit vielen sicherheitsrelevanten Parametern, wie ein Eisenbahnsystem, mit hoher Effizienz und Zuverlässigkeit angewandt werden kann. Die Effizienz des Verfahrens hängt von der geeigneten Wahl der Parameter und vor allem Eingangsparameter ab. Diese Parameter müssen für jedes technische und wirtschaftliche System identifiziert und gewichtet werden. Durch die geeignete Vorauswahl der zu berücksichtigenden Parameter kann nicht nur ein automatisches Optimierungsergebnis verbessert werden, sondern auch der Aufwand an Hardware und Rechenleistung zu seiner Ermittlung reduziert werden. Analoges gilt für die Optimierungsziele.

Im Kontext von Eisenbahnnetzen sind beispielhafte Parameter bzw. Ziele:

• von Werkstätten

o Personalplanung, insbesondere Personalkosten, Verfügbarkeit und Kosten von Zusatzschichten o Material, wie beispielsweise Ersatzteile oder Verbrauchsstoffen o Instandhaltungsgleise

o technische Ausstattung und Kapazität der jeweiligen Instandhaltungsgleise o erfahrungsgemäße Dauer von Inspektionsschritten oder Wartungsschritten o Wartungsintervalle

o bisherige Auslastung

o Logistikaufwand (Kosten und/oder Zeit) für die Beschaffung von Ersatzteilen

• von Eisenbahnflotten

o Triebzüge, insbesondere je nach Typ, Kapazität, Leistungsfähigkeit und Wartungszustand (beispielsweise Zustand der Toiletten und ihre Bestückung mit Verbrauchsmaterialien)

o Waggons für Personen- oder Güterverkehr

o Füllstand von Verbrauchsmaterialien wie Wasser, Schmiermitteln oder dem

Bedarf eines Bordrestaurants,

o der Fahrplan, insbesondere Anschlusszüge, Zuverlässigkeit für Kunden etc. o Anzahl und Auslastung von Anschlusszügen

o Wartungszustand des Materials

o Auslastung der Züge gemäß bestehender Buchungen und/oder Prognosen o Verfügbarkeit von Ersatzzügen

• von Schienennetzbetreibern

o Schienenverkehrswege

o Auslastung von Schienenverkehrswegen

o Witterungseinflüsse oder prognostizierte Witterungseinflüsse

o außerordentliche Ereignisse wie Bauarbeiten, Signalstörungen,

Schwertransporte, Personenschäden oder Demonstrationen o Ressourcen zur Wartung des Schienennetzwerkes

o Anzahl und Auslastung von Ausweichgleisen

o Zustand oder Störungen der Energieversorgung der Schienenverkehrswege o Zustand oder Störungen im Signalsystem der Schienenverkehrswege o Personalplanung

Ein beispielhaftes erfindungsgemäßes Verfahren wird zwischen einem Diagnosesystem, einem Lagersystem und einem Reparatursystem implementiert. Zwischen den Systemen werden Warenströme und Informationsströme ausgetauscht. Das Verfahren kann folgende Schritte umfassen:

• Inspektion und Diagnose eines Zuges im Diagnosesystem;

• nach Bedarf Anwendung weiterer Inspektionsverfahren; • Übermittlung der Diagnose vom Diagnosesystem an das Reparatursystem;

• Übermittlung einer Information über die für die Behandlung der Diagnose

erforderlichen Ersatzteile vom Diagnosesystem an das Lagersystem;

• Übermittlung eines Lagerortes, einer Lieferzeit und einer Verfügbarkeit eines

erforderlichen Ersatzteils vom Lagersystem an das Reparatursystem;

• Auswahl einer geeigneten Kombination eine Reparaturwerkstätte

Reparatursystems und eines Lagers des Lagersystems;

• Versand des erforderlichen Ersatzteils vom Lagersystem an das

Reparatursystem;

• Übermittlung der Art und des Zustandes des ersetzten Teils vom

Reparatursystem an das Diagnosesystem, das Lagersystem und/oder ein

Entsorgungssystem des Lagersystems;

• Abtransport des ersetzten Teils vom Reparatursystem in das Entsorgungssystem.

3.8 Inspektionsprozesse

Die Inspektionsprozesse können ein automatisiertes Inspektionsverfahren für Fahrzeuge und/oder Verkehrswege mit zumindest einem von den Inspektionsmitteln umfassten Inspektionssystem umfassen, wobei das Inspektionsverfahren zumindest einen der folgenden Schritte umfasst:

a) Erfassen von Rohdaten durch mindestens einen, bevorzugt optischen, Sensor einer Sensoranordnung des Inspektionssystems zum Inspizieren eines technischen Funktionszustands des Fahrzeugs und/oder Verkehrswegs,

b) Erzeugen von extrahierten Daten und/oder Metadaten aus den Rohdaten, c) Speichern der Rohdaten, aus den Rohdaten extrahierter Daten und/oder aus den Rohdaten erzeugter Metadaten in eine Datenbank,

d) Vergleichen von Ist-Daten mit War-Daten und/oder Soll-Daten, wobei die Daten Rohdaten, extrahierte Daten und/oder Metadaten sind,

e) Erstellen einer Diagnose des Funktionszustands durch Bestimmen von

Abweichungen zwischen den Ist-Daten und War-Daten und/oder Soll-Daten, f) Speichern der Diagnose in einer Datenbank, insbesondere einer„Krankenakte", vorzugsweise zugeordnet zu dem Fahrzeug und/oder Verkehrsweg, an dem die Rohdaten erfasst wurden,

g) Bestätigen der Diagnose durch einen Benutzer und vorzugsweise Geben einer Wartungsempfehlung an den Benutzer,

h) Aufstellen einer Prognose zu einem zukünftigen technischen Funktionszustand des Fahrzeugs und/oder Verkehrswegs, i) Vorschlagen einer Wartungshandlung für das Fahrzeug und/oder den Verkehrsweg an den Benutzer anhand der Diagnose und/oder der Prognose, und/oder j) erneutes Inspizieren des Fahrzeugs und/oder Verkehrswegs zu einem späteren Zeitpunkt, durch eine erneute Anwendung des Inspektionssystems oder durch eine Inspektion durch einen Menschen basierend auf der vorherigen Diagnose, um die vorherige Diagnose zu bestätigen oder zu verwerfen.

Das Inspektionsverfahren und/oder das Inspektionssystem können insbesondere gemäß der mit gleichem Anmeldetag von den gleichen Anmeldern wie die vorliegende Anmeldung eingereichten internationalen Patenanmeldung mit dem Titel„Inspektionsverfahren, Datenverarbeitungssystem und Inspektionssystem zum Inspizieren eines Fahrzeugs im Betriebszustand", ausgestaltet sein, insbesondere gemäß den Abschnitten 3.1 (Inspektionsverfahren) und 3.2 (Inspektionssystem und Datenverarbeitungssystem), die hier durch Bezugnahme aufgenommen sind. 3.9 Krankenakte

Gemäß einem Aspekt der Erfindung können alle Daten, die über einen fahrenden Gegenstand, insbesondere ein Fahrzeug existieren, in einem vorzugsweise digitalen und cloud- basierten Datennetzwerk als digitaler Datensatz als„Krankenakte" gespeichert werden. Erfindungsgemäß werden vorzugsweise Metadaten aus den Inspektionsdaten generiert und in dieser sogenannten Krankenakte gespeichert. Metadaten können beispielsweise aus Inspektionsdaten abgeleitete Daten sein. Ferner können die Metadaten sich nur auf einen für die Inspektionszwecke relevanten Teil der Inspektionsdaten beziehen. Beispielsweise können die Metadaten Wichtungen (beispielsweise auf einer Skala von 0-1 ) umfassen, welche die Relevanz eines Parameters für die Inspektionszwecke encodieren.

Ein solcher Parameter kann beispielsweise die Topographie eines Stromabnehmers oder die Position oder Anwesenheit einer Schraube sein. Metadaten können auch„Diagnosen" bzw. Prognosen betreffen und beispielsweise in einer Wahrscheinlichkeit bestehen, mit der ein Stromabnehmer innerhalb eines bestimmten Zeitraumes defekt wird. Metadaten können überdies Handlungsanweisungen umfassen, nämlich beispielsweise einen bestimmten Stromabnehmer in einem bestimmten Zeitintervall zu reparieren oder auszutauschen.

Das Datennetzwerk kann insbesondere algorithmisch aus Krankenakten verschiedener fah- render Gegenstände übergeordnete Metadaten extrahieren und/oder statistisch auswerten. Diese übergeordneten Metadaten können beispielsweise umfassen, in welchen Wartungsin- tervallen ein typischer Stromabnehmer, dessen Zug gegebenenfalls auf bestimmten Strecken verkehrt, gewartet oder ausgewechselt werden sollte. Übergeordnete Metadaten können auch einen Satz von Gewichtungsfaktoren von Parametern umfassen, welche die Information enthalten, welche Parameter in welchen Wichtungen für die Erreichung eines Inspek- tionszwecks mit besonders geringen Hardware- und Softwaremitteln berücksichtigt werden müssen.

Insbesondere umfasst die Krankenakte eine Zugidentifizierung. Die Zugidentifizierung kann beispielsweise über eine Datenübertragungseinrichtung, wie beispielsweise einen Trans- ponder oder eine beispielsweise SOFI-Antenne an einen ICE-Zug vom Zug an ein Datennetzwerk und/oder ein Inspektionssystem übermittelt werden. Denkbar ist auch, die Zugidentifikation durch ein optisches Bilderkennungsverfahren aus einem Merkmal eines Zuges, wie beispielsweise der Zugnummer an der Seite oder für ein Zug-Modell charakteristische Designmerkmale der Außenhülle oder Vorschäden auszulesen. Zur Unterstützung und Klassifi- zierung der Zugidentifikation können eine Anzahl von Hilfsmessungen durch Messapparaturen aufgenommen und ausgewertet werden. Beispielsweise kann eine Messapparatur eine Anzahl von Lichtschranken zur Messung von Eigenschaften eine der Außenform eines Zuges sein. Zum Beispiel kann eine einfache Lichtschranke ermitteln, ob ein Zug oder ein Waggon eines Zuges, wie beispielsweise ein Speisewagen, eine bestimmte Höhe über- schreitet. Die Höhe eines Zuges kann den möglichen Zugtypus wesentlich einschränken. Eine Messung der Außenform eines Zuges ist zudem unabhängig von der Verschmutzung oder der technischen Funktion des Zuges, anders als Markierungen wie einer Zugnummer auf dem Zug, die aufgrund von Verschmutzung oder Fehlfunktionen nicht oder nicht fehlerfrei ausgelesen werden können. Gerade bei einem automatisierten Inspektion- und War- tungsverfahren ohne menschliche Kontrolle empfiehlt sich die Erhebung von eigentlich redundanten Hilfsmessungen, um Ergebnisse der automatisierten Inspektion zu plausibilisie- ren. Eine beispielsweise horizontal angeordnete Lichtschranke kann insbesondere die Anzahl von Waggons und die Länge der Waggons eines Zuges erheben, was mit einfachen Mitteln Rückschlüsse auf den Zugtypus, seine Wagenreihung und/oder seine Orientierung bezüglich der Fahrtrichtung zulässt.

Denkbar ist auch, dass der Zug aktiv mit einem Inspektionssystem kommuniziert. Beispielsweise kann der Zug seine Identität und weitere Informationen, die zum Beispiel seine zuvor ermittelten Inspektionsergebnisse betreffen, aktiv kommunizieren. Dies kann beispielsweise drahtlos erfolgen. Beispielhafte drahtlose Kommunikationstechnologien sind WLAN, Funk, RFID, Lichtsignale und/oder akustische Signale wie zum Beispiel ein Morsecode. Eine„Krankenakte" mit kommunikativer Anbindung an ein zentrales System zur Datenverarbeitung ermöglicht beispielsweise eine automatisierte und überregionale Wartung und Inspektion eines Zuges, insbesondere im Sinne einer vorausschauenden Wartung (predicti- ve maintenance) und/oder einer zeitlichen und/oder räumlichen Entkopplung von Ressourcen und/oder Prozessschritten. Beispielsweise können von einem Inspektionssystem in der Betriebswerkstätte München durch ein Inspektionssystem Inspektionsdaten erhoben werden. Diese Inspektionsdaten können durch Abgleich mit einer zentralen Datenbank mit statistisch und in Metadaten erfassten Erfahrungswerten, zu einer Diagnose verarbeitet wer- den, beispielsweise dass eine Kaffeemaschine oder eine Klimaanlage mit 60-prozentiger Wahrscheinlichkeit innerhalb der nächsten Woche defekt werden wird. Den genauen Typus der prognostiziert defekten Klimaanlage in jeder Betriebswerkstätte vorzuhalten, würde eine aufwändige Lagerhaltung erfordern. Würde zudem ein Ersatzbauteil für das prognostiziert defekte Bauteil zur Wartung an den Ort der Inspektion, also München, verbracht werden müssen, so erhöht sich die Standzeit des Zuges sowie die Belegung von Gleisen oder Betriebswerkstätten. Erfindungsgemäß können eine oder mehrere der folgenden Schritte vorgesehen werden:

• Auswerten der an einem Ort ermittelten Inspektionsdaten (optische Dachinspektion eines Zuges in München),

· Stellen einer Diagnose (Klimaanlage auf dem Dach mit 60-prozentiger Wahrscheinlichkeit defekt binnen der nächsten Woche),

• Ableiten einer Wartungsaufgabe aus dieser Diagnose (Klimaanlage muss ausgetauscht werden), die für die Durchführung der Wartungsaufgabe notwendigen Ressourcen überregional ermittelt werden (eine Austauschklimaanlage des richti- gen Typs lagert in Köln und könnte durch einen Spediteur in die Betriebswerkstätte Dortmund, welche der Zug fahrplanmäßig passiert, in weniger als der Fahrzeit des Zuges nach Dortmund angeliefert werden),

• Beauftragen einer Wartungshandlung (des Austausches der Klimaanlage in der Betriebswerkstätte Dortmund),

· die insbesondere stichprobenartige Nachkontrolle des prognostiziert defekten Bauteils auf tatsächliche Defekte und seine anschließende Reparatur und/oder

• die algorithmische Auswertung des Inspektions- und Wartungsvorgangs, mit den gewonnenen Erfahrungswerten zukünftige Inspektion- und Wartungsprognosen zuverlässiger zu machen. 3.10 Inspektion im Betriebszustand Das Inspektionsverfahren kann insbesondere auf ein Fahrzeug und/oder einen Verkehrsweg in einem Betriebszustand und bevorzugt ohne in das Fahrzeug und/oder den Verkehrsweg einzugreifen angewandt werden. Durch das erfindungsgemäße Inspektionsverfahren ist es möglich, ein Fahrzeug und/oder einen Verkehrsweg im Betrieb hinsichtlich technischer Funktionszustände und insbesondere ohne menschlichen Eingriff, also automatisch, zu inspizieren, ohne dass das Fahrzeug und/oder der Verkehrsweg dafür temporär aus dem Betriebszustand genommen werden müsste. Dies hat die Wirkung, dass die Nutzungszeiten des Fahrzeugs und/oder des Verkehrswegs erhöht, die Standzeiten verringert und Personaleinsatz reduziert werden können, mit dem Vorteil, dass Inspektionskosten gesenkt werden können. Somit wird die Vielseitigkeit des Inspektionsverfahrens über die bekannten Möglichkeiten hinaus verbessert oder es werden sogar völlig neuartige Verwendungsmöglichkeiten zur Fahrzeuginspektion und/oder Verkehrswegeinspektion geschaffen. Insbesondere bei Schienenfahrzeugen kann eine Inspektion im Betriebszustand, das heißt insbesondere in Bewegung, unter

Hochspannung und/oder mit Fahrgästen, große Vorteile mit sich bringen, da eine Zugflotte im regulären Fahrbetrieb inspiziert werden kann, ohne zur Inspektion aus dem Betrieb genommen zu werden. Ein Verfahren wie hier dargestellt hat insbesondere den Vorteil, durch kommunikative Vernetzung verschiedener Inspektionssysteme, Lage und Wartungsressourcen an verschiedenen Orten, Inspektion, Logistik und Wartung zeiteffizienter und damit kosteneffizienter aufeinander abzustimmen. Zudem wird das Verfahren durch statistische Datenauswertung effizienter, indem lernfähige Algorithmen Erfahrungswerte vorzugsweise in bezüglich der Datenmenge möglichst kompakten Metadaten dokumentieren. Diese Metadaten können beispielsweise als

Gewichtungsfaktoren für Inspektionsparameter (zum Beispiel: fehlende Schraube ist ein Muss-Kriterium zur sofortigen Wartung) oder Auswahlfaktoren für einen Inspektionszweck relevante Inspektionsmessungen (zum Beispiel: zur dreidimensionalen Inspektion eines

Stromabnehmers eines Zuges reichen eine oder zwei optische Kameras hin, gegebenenfalls mit einer bestimmten Beleuchtung- und Aufnahmesequenz).

4 Datenverarbeitungssystem Ein erfindungsgemäßes Datenverarbeitungssystem ist zur Durchführung eines

erfindungsgemäßen Verfahrens ausgelegt. Insbesondere ist es zur Durchführung des Parametrisierens, des Korrelierens, des Berechnens, eines erfindungsgemäßen Optimierens und/oder eines erfindungsgemäßen Speicherns, Vergleichens, Erstellens, Aufstellens und/oder Vorschlagens ausgelegt. Das Datenverarbeitungssystem umfasst zumindest ein Serversystem und eine Anzahl von Clients, wobei das Serversystem eine Anzahl von Client- Schnittstellen zur kommunikativen Verbindung der Clients mit dem Serversystem umfasst.

Die Clients können zumindest jeweils eine Anzahl von Inspektionssystemen, Fahrzeugen, Instandhaltungseinrichtungen und Verkehrswegen umfassen. Auf diese Weise können vorteilhafterweise relevante Ressourcen des Verkehrsmittelsystems mit dem Serversystem vernetzt werden, sodass beispielsweise Datenmengen zur Durchführung des Verfahrens von den Ressourcen an das Serversystem übertragen werden können, um sie dort zu verarbeiten.

Das Datenverarbeitungssystem ist vorzugsweise dazu ausgelegt, Inspektionsprozesse ohne kommunikative Verbindung zwischen den Inspektionssystemen und den Fahrzeugen und/oder Verkehrswegen durchzuführen. Das wird zum Beispiel dadurch ermöglicht, dass ein Inspektionssystem eine Sensoranordnung zur nicht-invasiven, beispielsweise optischen, Inspektion eines Fahrzeugs und/oder eines Verkehrswegs umfasst. Durch eine

Durchführung von Inspektionsprozessen ohne kommunikative Verbindung zwischen den Inspektionssystemen und den Fahrzeugen und/oder Verkehrswegen werden Eingriffe in die Fahrzeuge und/oder Verkehrswege, beispielsweise in eine Bordelektronik oder eine

Signalsteuerung, die aufgrund von Sicherheitsüberlegungen bedenklich sind, vermieden, sodass das Datenverarbeitungssystem eine besonders sichere Durchführung des

Verfahrens erlaubt.

In einer Ausgestaltung des Datenverarbeitungssystems kann ein Teil der Client- Schnittstellen nur zur unidirektionalen Kommunikation ausgelegt sein. Die unidirektionale Auslegung kann hardwareseitig, insbesondere statisch, und/oder softwareseitig,

insbesondere dynamisch, implementiert sein. Auf diese Weise lässt sich ein statisches und/oder dynamisches Berechtigungssystem umsetzen, das unberechtigte Eingriffe vom Serversystem auf die Clients und/oder umgekehrt verhindert. Beispielsweise kann eine Schnittstelle zwischen dem Serversystem und einem Fahrzeug zur Übertragung von Daten ausschließlich vom Fahrzeug an das Serversystem ausgelegt sein, sodass das

Serversystem zwar Daten des Fahrzeugs, beispielsweise seine Position und/oder

Geschwindigkeit erhält, aber nicht in eine Fahrzeugsteuerung eingreifen kann, was zu

Sicherheitsproblemen führen könnte. Ein beispielhaftes externes Datenverarbeitungssystem ist IBM Watson Analytics. Das Datenverarbeitungssystem kann zumindest eine Datenschnittstelle zur kommunikativen Verbindung des Serversystems mit einem externen Datenverarbeitungssystem umfassen. Durch die Datenschnittstelle können Datenverarbeitungsprozesse, beispielsweise zu Rechenlast-Spitzenzeiten, an das externe Datenverarbeitungssystem ausgelagert werden. Dadurch kann das Datenverarbeitungssystem weniger leistungsfähig und somit

kostengünstiger ausgelegt sein und trotzdem auch in Rechenlast-Spitzenzeiten eine zuverlässige und schnelle Durchführung des Verfahrens garantieren. Vorteilhafterweise ist das Datenverarbeitungssystem dazu ausgelegt, Rechenlast-Spitzenzeiten im Voraus zu prognostizieren, sodass, insbesondere automatisiert, rechtzeitig Rechenleistung bei dem externen Datenverarbeitungssystem gebucht werden kann. Vorteilhafterweise umfasst die Datenschnittstelle ein Kontrollmittel, beispielsweise ähnlich einer Firewall, zur Kontrolle, dass keine vertraulichen Daten an das externe Datenverarbeitungssystem ausgegeben werden. Das Datenverarbeitungssystem kann eine Kommunikationsschnittstelle zur Steuerung und/oder Überwachung des Verfahrens durch an dem Verkehrsmittelsystem beteiligte Parteien umfassen. Insbesondere kann die Kommunikationsschnittstelle zur Ausgabe von Warnmeldungen, wenn durch das Verfahren Probleme festgestellt werden, an zumindest eine der Parteien ausgelegt sein. Die Warnmeldungen können beispielsweise E-Mails, So- fortnachrichten und/oder telefonische Benachrichtigungen umfassen.

5 Figurenbeschreibung

Weitere Vorteile und Ausführungsformen ergeben sich aus den beigefügten Zeichnungen. Darin aufgeführte technische Merkmale werden auch isoliert von ihren nur beispielhaft auf- geführten Merkmalskombination beansprucht.

Es zeigen:

Figur 1 eine schematische Darstellung eines erfindungsgemäßen Verfahrens zur Steuerung eines Bahnnetzes und

Figur 2 eine schematische Darstellung eines Soll-Ist-Abgleichs einer Anzahl von Betriebswerkstätten.

Figur 1 zeigt eine schematische Darstellung eines erfindungsgemäßen Verfahrens zur Steuerung eines Bahnnetzes. Am Bahnnetz beteiligte Parteien 100 sind unter anderem eine Werkstätte für Züge, eine Flotte von Zügen und ein Schienennetz für Züge. Jede beteiligte Partei 100 kann ein Auswählen 210 von für sie relevanten Ressourcen- und/oder Prozesspa- rametern durchführen und je nach Wichtigkeit des einzelnen Parameters ein Gewichten 220 durchführen. Dies durch die mit dem Wort„Wahl" beschrifteten Pfeile symbolisiert. Aufgrund dieser gewichteten Parameter als Eingangsregelparameter führt ein Algorithmus 1 10 , insbesondere ein lernfähiger Algorithmus wie ein neuronales Netz, ein Optimieren 230 für eine möglichst kostengünstige Lösung des Optimierungsproblems in einem hochdimensionalen Phasenraum, der von Optimierungsparametern wie Personalplanung, Materialdisposition, Wartungsplanung, Bereitstellungsplanung, Reinigungsplanung, Bedarfsinstandhaltung, zu spezifischen Veranlassungen, Kosten und Kostenausgleich und/oder Controlling aufgespannt wird. Jede beteiligte Partei 100 kann mittelbar in das Optimierungsergebnis eingrei- fen. Jede beteiligte Partei 100 hat zumindest einen Piloten, der beispielsweise ein Mensch mit Entscheidungsbefugnissen sein kann, der das Gewichten 220 der von ihm zu bestimmenden Parameter nachjustieren kann. Ist dem Piloten 2 der Flotte beispielsweise die fahrplanmäßige Pünktlichkeit besonders wichtig, kann er den entsprechenden Gewichtungsfaktor erhöhen, um ein neues Optimierungsergebnis zu erzielen, in dem die fahrplanmäßige Pünktlichkeit besser oder sogar vollständig berücksichtigt ist. Jede Änderung eines Gewichtungsfaktors ist mit einem Feedback über die prognostizierte Kostenfolge für den ändernden Piloten verbunden. Auf diese Weise ist eine effiziente Plattform bzw. ein virtueller Marktplatz geschaffen, der die Ressourcen eines Bahnnetzes effizient nutzt und gleichzeitig einen dynamischen Interessensausgleich zwischen den beteiligten Parteien erlaubt.

Figur 2 zeigt eine schematische Darstellung eines erfindungsgemäßen Verfahrens zur Steuerung eines Bahnnetzes. Beispielhaft ist eine Anzahl von Ressourcen 120 in Form von Betriebswerkstätten (Werk 1 bis Werk n) dargestellt. In Werk 1 findet beispielsweise ein Erfassen 240 von Ist-Inspektionsrohdaten durch ein Inspektionssystem an einem fahrenden Zug statt. Aus den Ist-Inspektionsrohdaten wird, insbesondere durch bilderkennende Mustererkennungsverfahren, gemäß der Zielsetzung und den Kriterien der durchzuführenden Inspektion ein Erzeugen 250 von extrahierten Rohdaten durchgeführt. Anschließend werden die extrahierten Rohdaten an ein Serversystem 130, insbesondere einen Zentralserver (Cloud), übermittelt (durchgehender Pfeil). Alternativ kann aus den extrahierten Daten auch im Werk 1 ein Erzeugen 250 von Ist-Metadaten stattfinden, wobei die Ist-Metadaten anschließend an das Serversystem 130, insbesondere einen Zentralserver (Cloud), übermittelt werden (durchgehender Pfeil). Auf dem Zentralserver wird ein Vergleichen 260, insbesondere als Soll-Ist-Vergleich beispielsweise zwischen den übermittelten Ist-Metadaten und Soll- Metadaten aus einer Datenbank 140 des Zentralservers (Cloud) durchgeführt. Das Ergebnis dieses Soll-Ist-Vergleichs führt zum Erstellen 270 einer Diagnose über den Zustand des Zuges und gegebenenfalls einer Handlungsanweisung zu seiner Wartung. Dieses Ergebnis wird in einem Protokoll zusammengefasst und beispielsweise dem Werk n, in dem der Zug gewartet werden soll, zur weiteren Veranlassung übermittelt (durchgehender Pfeil). Das Protokoll wird durch ein Speichern 280 (gestrichelter Pfeil) in die Datenbank 140 des Zentralservers aufgenommen, um zukünftige Inspektion- und Wartungsschritte aufgrund des Ergebnisses und der Erfahrungswerte des vorgenannten Prozesses zu verbessern. 6 Bezugszeichenliste

100 Partei

1 10 Algorithmus

120 Ressource

130 Serversystem

140 Datenbank

210 Auswählen

220 Gewichten

230 Optimieren

240 Erfassen

250 Erzeugen

260 Vergleichen

270 Erstellen

280 Speichern