{"id":2569,"date":"2021-07-15T21:59:00","date_gmt":"2021-07-15T19:59:00","guid":{"rendered":"https:\/\/frachtwerk.fw-web.space\/?p=2569"},"modified":"2024-11-12T15:18:07","modified_gmt":"2024-11-12T15:18:07","slug":"wie-frachtwerk-und-db-regio-gemeinsam-zugausfaelle-reduzieren-2","status":"publish","type":"post","link":"https:\/\/frachtwerk.fw-web.space\/wie-frachtwerk-und-db-regio-gemeinsam-zugausfaelle-reduzieren-2\/","title":{"rendered":"Wie Frachtwerk und DB Regio gemeinsam Zugausf\u00e4lle reduzieren"},"content":{"rendered":"\n
In unserem gemeinsamen Projekt mit der DB Regio galt es daher, anhand von SAP-Wartungsdaten herauszustellen, wie speziell Defekte an T\u00fcren und Klimaanlagen langfristig behoben werden k\u00f6nnen. Mit der Aufarbeitung und Auswertung von Wartungsdaten zu den Fahrzeugen gelang es uns, Zusammenh\u00e4nge zu identifizieren, L\u00f6sungsstrategien zu entwickeln und Handlungsempfehlungen zu geben, um zusammen mit DB Regio Strategien f\u00fcr die Wartung von T\u00fcren und Klimaanlagen an den Fahrzeugen zu entwickeln. Damit soll dem Ausfall von Z\u00fcgen aufgrund dieser St\u00f6rungsmuster langfristig entgegengewirkt werden.<\/p>\n\n\n\n
Zun\u00e4chst wurden die Problemfelder identifiziert \u2013 das gemeinsame Projektteam aus Frachtwerk und DB Regio entschied sich hierzu f\u00fcr den Massenexport von SAP-Daten zu Fahrzeugst\u00f6rungen. Anschlie\u00dfend folgte in einem ersten Schritt eine Datenbereinigung und -aufbereitung mittels Python. Um die \u00fcber 4 Mio Datenpunkte auf die f\u00fcr dieses Projekt relevanten T\u00fcr- und Klimast\u00f6rungen zu filtern, wurde eine Schadcodehierarchie genutzt. Diese erm\u00f6glichte eine grobe Selektierung der Daten. Um den Fokus auf tats\u00e4chlich projektrelevante defekte T\u00fcren und Klimaanlagen zu legen, holte Frachtwerk zus\u00e4tzlich die Einsch\u00e4tzung von Wartungsexperten in den Werkst\u00e4tten der DB Regio ein.<\/p>\n\n\n\n
Zur anschlie\u00dfenden tieferen Bearbeitung und besseren Auswertung der Vielzahl an Schadcodes hat sich das Team dazu entschieden, die Daten auf Basis der Schadcodetexte zu clustern. Die Clusteranalyse hilft, den Fokus auf auff\u00e4llige Fehlerbilder zu leiten. Als eine der ersten Erkenntnisse wurde sichtbar, wie unterschiedlich Fehlerbilder in verschiedenen Werkst\u00e4tten sichtbar werden, obwohl dort dieselben Baureihen instandgehalten werden.<\/p>\n\n\n\n
Auf den Ergebnissen der Datanalyse aufbauend konnte das Projektteam gezielte Ma\u00dfnahmen empfehlen, mit denen DB Regio die Prozesse und Infrastrukturen der Instandhaltung von Fahrzeugen optimieren kann. Dies geschah im stetigen Austausch mit den Werkst\u00e4tten, um sicherzugehen, dass die aus den Daten ersichtlichen Probleme auch tats\u00e4chlich den Herausforderungen entsprechen, welche die Werke erfahren und, ob es weitere Auff\u00e4lligkeiten gibt, die in den Daten zum Status quo noch nicht gesichtet wurden. Im Gespr\u00e4ch gelang es au\u00dferdem, Gr\u00fcnde f\u00fcr das unterschiedliche Datenbild verschiedener Werke zu identifizieren, sowie Ma\u00dfnahmen daf\u00fcr zu formulieren, wie zuk\u00fcnftig eine einheitlichere Arbeit m\u00f6glich ist.<\/p>\n\n\n\n