KI-basierte Instandhaltungsplanung und –steuerung im öffentlichen Verkehr : Status quo und konzeptionelle Überlegungen
AI-based maintenance planning and control of public transport : status quo and conceptual considerations
- Durch eine sorgfältige Instandhaltung von Zügen, Bussen und Flugzeugen lässt sich die Verfügbarkeit, Betriebssicherheit und Wirtschaftlichkeit dieser Verkehrsmittel maßgeblich sichern. Bislang wurden die dafür relevanten planungsintensiven Prozesse in Zugwerkstätten mit herkömmlichen statischen Planungssystemen durchgeführt. Diese Systeme bilden zwar eine Grundlage für die Organisation der Instandhaltungsarbeiten, sind jedoch nicht in der Lage, optimierte Instandhaltungsprogramme zu erstellen. Infolgedessen treten während der tatsächlichen Durchführung der Instandhaltungsmaßnahmen häufig ungeplante Zusatzaufgaben auf, die den Arbeitsablauf in den Instandhaltungswerkstätten stören und sowohl die wirtschaftliche als auch die betriebliche Effizienz beeinträchtigen. Es hat sich gezeigt, dass solche Störungen häufig zu erhöhten Instandhaltungskosten, längeren Durchlaufzeiten und einer verminderten Anlageneffizienz führen. Daher besteht ein wachsender Bedarf, bei der Instandhaltungsplanung und -steuerung im öffentlichen Verkehrssektor vonDurch eine sorgfältige Instandhaltung von Zügen, Bussen und Flugzeugen lässt sich die Verfügbarkeit, Betriebssicherheit und Wirtschaftlichkeit dieser Verkehrsmittel maßgeblich sichern. Bislang wurden die dafür relevanten planungsintensiven Prozesse in Zugwerkstätten mit herkömmlichen statischen Planungssystemen durchgeführt. Diese Systeme bilden zwar eine Grundlage für die Organisation der Instandhaltungsarbeiten, sind jedoch nicht in der Lage, optimierte Instandhaltungsprogramme zu erstellen. Infolgedessen treten während der tatsächlichen Durchführung der Instandhaltungsmaßnahmen häufig ungeplante Zusatzaufgaben auf, die den Arbeitsablauf in den Instandhaltungswerkstätten stören und sowohl die wirtschaftliche als auch die betriebliche Effizienz beeinträchtigen. Es hat sich gezeigt, dass solche Störungen häufig zu erhöhten Instandhaltungskosten, längeren Durchlaufzeiten und einer verminderten Anlageneffizienz führen. Daher besteht ein wachsender Bedarf, bei der Instandhaltungsplanung und -steuerung im öffentlichen Verkehrssektor von statischen zu dynamischeren, datengesteuerten Ansätzen überzugehen.
Künstliche Intelligenz (KI) bietet in dieser Hinsicht ein erhebliches Potenzial, da sie die Entwicklung von Vorhersagefähigkeiten, dynamischer Planung und intelligenter Ressourcenzuweisung erleichtert. Zu diesem Zweck werden in dieser Studie bestehende Forschungsarbeiten zu KI Ansätzen für die Wartungsplanung und -steuerung in diesen Bereichen des öffentlichen Verkehrs systematisch untersucht und bewertet. Anhand einer deskriptiven Analyse werden neue Forschungstrends vorgestellt, während eine detaillierte Inhaltsanalyse die Ergebnisse der relevantesten Artikel in diesem Bereich zusammenfasst. Die Analyseergebnisse zeigen, dass sich die meisten Forschungsarbeiten isoliert auf bestimmte Aspekte wie die Vorhersage der verbleibenden Nutzungsdauer und die Fehlerdiagnose konzentrieren. In der Praxis umfasst die Wartungsplanung und -steuerung jedoch eine komplexe Koordination vieler Aktivitäten (z B Inspektion, Ressourcenzuweisung und Personal und Aufgabenplanung usw.). Daher sind die Autoren der Ansicht, dass noch holistischere Lösungen erforderlich sind, die Instandhaltungsaktivitäten und Werkstattbeschränkungen integrieren und über Einzelkomponentenvorhersagen hinaus zu einer Optimierung der Instandhaltung auf Systemebene führen, die in realen Instandhaltungsbetrieben validiert werden kann.
Darüber hinaus wird in diesem Studienbericht ein konzeptioneller Rahmen vorgestellt der die Planung und Steuerung von Instandhaltungsaufträgen in Instandhaltungswerkstätten des öffentlichen Nahverkehrs verbessern soll. Der vorgeschlagene Rahmen dient als Grundmodell für den Einsatz von KI Technologien zur Reduzierung von Ineffizienzen, zur Verbesserung der Terminplanung und letztlich zur Unterstützung einer zeitnahen und kosteneffizienten Instandhaltungsplanung und -steuerung für Züge.…


- Maintenance of public transport assets e.g., trains, buses, and airplanes has a major impact on their availability, safety and cost-effectiveness. To date, planning-intensive processes in train maintenance workshops have been carried out with traditional static planning systems. While these systems have provided a foundation for organizing maintenance work, they are unable to generate optimized maintenance programs. As a result, unplanned additional tasks frequently arise during the actual execution of the maintenance operations, thereby disrupting workflows in maintenance workshops and reducing both economic and operational efficiency. It has been demonstrated that such disruptions often lead to increased maintenance costs, longer lead times, and reduced plant efficiency. Therefore, there is a growing need to shift from static to more dynamic, data-driven approaches for maintenance planning and control in public transport sectors.
Artificial Intelligence (AI) offers significant potential in this regard, as it facilitates theMaintenance of public transport assets e.g., trains, buses, and airplanes has a major impact on their availability, safety and cost-effectiveness. To date, planning-intensive processes in train maintenance workshops have been carried out with traditional static planning systems. While these systems have provided a foundation for organizing maintenance work, they are unable to generate optimized maintenance programs. As a result, unplanned additional tasks frequently arise during the actual execution of the maintenance operations, thereby disrupting workflows in maintenance workshops and reducing both economic and operational efficiency. It has been demonstrated that such disruptions often lead to increased maintenance costs, longer lead times, and reduced plant efficiency. Therefore, there is a growing need to shift from static to more dynamic, data-driven approaches for maintenance planning and control in public transport sectors.
Artificial Intelligence (AI) offers significant potential in this regard, as it facilitates the development of predictive capabilities, dynamic scheduling, and intelligent resource allocation. To this aim, this study therefore systematically reviews and examines existing research on AI approaches for maintenance planning and control across these public transport sectors. Descriptive analysis is performed to present emerging research trends, while detailed content analysis synthesizes the findings of the most relevant articles in the domain. The analysis results show that most of the research focuses on the specific aspects such as predicting the remaining useful life and faults diagnoses, etc., in isolation. However, in practice, maintenance planning and control involves a complex coordination of many activities (e.g., inspection, resource allocation, and workforce & tasks scheduling, etc.). Therefore, the authors believe that there is still need for more holistic solutions that can integrate maintenance activities and shopfloor constraints, moving beyond single-component predictions to system-level maintenance optimization that could be validated in real maintenance facilities.
Furthermore, this study report presents conceptual framework designed to enhance maintenance order planning and control in public transport maintenance workshops. The proposed framework serves as a foundational model for utilizing the AI technologies to reduce inefficiencies, improve scheduling, and ultimately support timely and cost-effective maintenance planning and control strategies for trains.…


| Author: | Herwig WinklerORCiD, Mubashir HayatORCiD, Moritz RüsterORCiD |
|---|---|
| URN: | urn:nbn:de:kobv:co1-opus4-71612 |
| DOI: | https://doi.org/10.26127/BTUOpen-7161 |
| Series (Serial Number): | Studienreports des Lehrstuhls für Produktionswirtschaft (11) |
| Document Type: | Report |
| Language: | German |
| Year of Completion: | 2025 |
| Creating Corporation: | BTU Cottbus - Senftenberg, Lehrstuhl für Produktionswirtschaft |
| Release Date: | 2025/10/15 |
| Tag: | Instandhaltungsplanung; Instandhaltungssteuerung; KI; Öffentliche Verkehrsmittel AI; Maintenance control; Maintenance planning; Public transportation |
| GND Keyword: | Öffentlicher Verkehr; Instandhaltungsplanung; Künstliche Intelligenz |
| Institutes: | Fakultät 3 Maschinenbau, Elektro- und Energiesysteme / FG Produktionswirtschaft |
| Licence (German): | Creative Commons - CC BY-ND - Namensnennung - Keine Bearbeitungen 4.0 International |



