[Back]

J. Kehrer:
"Einflussfaktoren und Wirkungsmechanismen zur Lebenszyklusplanung von Straßenbahninfrastruktur";
Supervisor, Reviewer: N. Ostermann, M. Ossberger; Institut für Verkehrswissenschaften, Forschungsbereich für Eisenbahnwesen, Verkehrswirtschaft und Seilbahnen / E230-02, 2020; oral examination: 2020-06-15.

Operators of urban tram networks are in general mainly funded by public authorities. In order to guarantee an efficient handling of public funds for construction and maintenance of track infrastructure, the entire lifecycle has to be taken into account. Lifecycle costs (LCC) serve as an apporpriate parameter for comparing different strategic approaches regarding the planning of renewal or maintenance measures of tracks. The present work provides a holistic model to determine the optimal maintenance and renewal strategy for a given element of tramway track infrastructure. The database for the model was supplied by Vienna´s tram operator Wiener Linien and includes infrastructure, operation and track measurement data. The optimized lifecycles of the individual track elements in any given section are grouped based on operational constraints in order to reach the global LCC- optimum for the respected section, thus enabling a stategic approach to the predictive maintenance for tramway track infrastructure. Relevant input paramters for rail wear and condition degradation taken from topicspecific literature are assessed for their availability of comprehensive data for the given network. In order to program an automatized forecast model, it is essential for the datasets to be network wide and centrally accessible. With a growing database, it should be possible for additional parameters to be integrated into the model and for it to be automatically and continiously calibrated on the basis of the newly obtained measurment data. To meet these requirements, different techniques of machine learning are applied to a preprocessed dataset. The techniques are selected based on their ability to identify and map correlations of the given parameters in order to determine forecast values. Methods selected on the basis of the requirements are examined for their applicability in the given case and optimized in iterative processes. In addition to the prediction of rail wear as the decisive condition parameter, the rail profile shape of the track elements as well as maintenance measures are identified by machine learning. Complex, non-linear models such as artificial neural networks or random forest regression show the highest forecast accuracy within the range of actual measurement data. However, their forecasting power reached by extrapolation is very limited when it comes to predicting the wear limit, due to the lack of input data in that range. For the current dataset, linear forecast models are thefore additionally applied for extrapolation. Based on the predicted development of the condition and the annuities of LCC, the technically and economically optimal intervention times are determined for every element individually. In a further step, the optimal renewal strategy is calculated for sections of any length in consideration of operational constraints. The result is an automated model for the section-based and LCC-optimized determination of intervention limits for tramway track infrastructure.

Betreiber von Straßenbahnnetzen, deren Aufwendungen zu großen Teilen von der öffentlichen Hand getragen werden, geraten zusehends unter finanziellen Druck. Um für Bau und Erhaltung von Infrastruktur einen möglichst effizienten Mitteleinsatz zu gewährleisten, ist der gesamten Lebenszyklus einer Anlage und die währenddessen anfallenden Lebenszykluskosten (LCC) zu berücksichtigen. Diese Betrachtung gilt als zuverlässige Grundlage für den Vergleich unterschiedlicher Handlungsalternativen, beispielsweise in der Instandhaltungs- und Erneuerungsplanung. In der vorliegenden Arbeit wird ein gesamtheitliches Modell zur Ermittlung technisch- wirtschaftlich optimaler Instandhaltungs- und Erneuerungszyklen für den Straßenbahn- Fahrweg auf Abschnittsebene entwickelt. Die Datenbasis dafür bilden umfassende, seitens der Wiener Linien zur Verfügung gestellte Infrastruktur-, Betriebs- und Zustandsdaten des Wiener Straßenbahnnetzes. Instandhaltungs- bzw. Erneuerungstätigszyklen werden unter Berücksichtigung der Betriebserschwernisse sinnvoll gruppiert und somit ein strategischer Ansatz zur vorausschauenden Instandhaltung von Straßenbahnfahrwegen ermöglicht. Durch Literaturrecherche ermittelte Einflussparameter auf den Schienenverschleiß werden auf ihre Verfügbarkeit für das Wiener Netz untersucht. Um ein automatisiertes Prognosemodell zu erstellen, ist es unerlässlich, netzweit verfügbare und zentral erfasste Datensätze heranzuziehen. Bei fortschreitender Datenverfügbarkeit soll das Modell um zusätzliche Parameter erweitert werden, sowie auf Basis neuer Messdaten laufend kalibriert werden können. Um diesen Anforderungen gerecht zu werden, werden nach eingehender Aufbereitung der verfügbaren Messdaten, Methoden des maschinellen Lernens (engl.: Machine learning) herangezogen, die auf Basis der Eingangsdaten automatisiert Zusammenhänge abbilden und daraus Prognosewerte ermitteln können. Auf Basis der Erfordernisse ausgewählte Methoden werden auf ihre Anwendbarkeit im gegebenen Fall untersucht und in iterativen Prozessen optimiert. Neben der Verschleißentwicklung als Kern des Modells werden im Vorfeld die Schienenprofilformen für alle Elemente bestimmt sowie Instandhaltungstätigkeiten detektiert. Komplexe, nichtlineare Modelle wie neuronale Netze oder die Random Forest Regression weisen bei der Prognose des Zustands im Wertebereich der vorwiegend verfügbaren Zustandsdaten die höchsten Genauigkeiten auf, zeigen jedoch Schwächen bei der Prognose von Werten im Bereich der Grenzzustände. Für die derzeitige Datenlage werden daher zusätzlich lineare Prognosemodelle für die Ermittlung der technischen Liegedauer herangezogen. Auf Basis der prognostizierten Zustandsentwicklung und unter Berücksichtigung der mittels Annuitätenmethode abgebildeten LCC-Entwicklung werden elementgenau die technisch- wirtschaftlich optimalen Eingriffszeitpunkte ermittelt. Unter Berücksichtigung betrieblicher Rahmenbedingungen wird in einem weiteren Schritt die optimale Erneuerungsstrategie über beliebig lange Abschnitte berechnet. Das Ergebnis stellt daher eine abschnittsweise, LCC-optimierte Ermittlung der technisch- wirtschaftlich optimalen Erneuerungszeitpunkte von Fahrwegelementen dar.