Digital Siblings and Predictive Maintenance – A Fleet-Data-Driven Approach

Entwicklung eins simulativen Geschwistermodells zur Zustandsüberwachung von (automatisierten) Bussen

Nicht nur der Individual- sondern auch der öffentliche Personennahverkehr unterliegt großem strukturellen Wandel. Die fortschreitende Digitalisierung und damit einhergehend der Zuwachs an wertvollen Daten der Fahrzeuge ermöglicht neue Optionen, auch im Bereich der Zustandsschätzung von beispielsweise Stadt- und Reisebussen.
Vor allem durch den zu erwartenden Zuwachs an Autonomie im ÖPNV werden sowohl OEMs als auch Verkehrsverbünde vor wartungsbezogene Herausforderungen gestellt, wie etwa die potentielle Absenz eines Fahrers zur aktuellen Schätzung des Fahrzeugzustands während der Nutzung.
Darüber hinaus ist mit steigendem Automatisierungsgrad davon auszugehen, dass weniger Personal existieren wird und somit großes Interesse besteht, die Fahrzeugkonditionen zur Laufzeit zu bestimmen.
Diese Bestimmung  soll mit Hilfe simulativer Fahrzeugdaten exemplarisch untersucht werden.

Ziele:

• Aufarbeitung des aktuellen Stands der Technik von Digitalen Zwillingen und deren Modellierungsarten
• Entwicklung von Datengenerierungsfunktionen und Erstellung einer Database zur Modellabbildung
• Auswertung der gesammelten (Flotten-) Daten
• Erstellung des Digitalen Zwillings

Voraussetzungen:

• Programmierkenntnisse (Python/C++/R)
• Interesse an Machine Learning und dessen Anwendungsbereichen im automobilen Umfeld
• Fließend Deutsch oder Englisch in Wort und Schrift!