DigiOnTrack
Digital auf Gleisen
Das Projekt DigiOnTrack entwickelt ein kostengünstiges, drahtloses Überwachungssystem für Schienen und Fahrzeuge, basierend auf einfachen Nachrüstlösungen. Langfristig soll das Projekt dazu beitragen, die Instandhaltungskosten für Schieneninfrastruktur und Fahrzeuge durch zustandsbasierte Wartungsplanung zu senken. Das Teilprojekt legt den Grundstein für die Umsetzung präventiver und vorausschauender Wartungsstrategien. Das System soll in der Lage sein, potenzielle Probleme zu erkennen, bevor sie auftreten, und vorbeugende Maßnahmen zu empfehlen, um Ausfallzeiten und Reparaturkosten zu minimieren.
- Förderer Bundesministerium für Digitales und Verkehr
- Förderprogramm mFUND
- Fördersumme 0,78 Millionen Euro
- Laufzeit 2023–2025
Förderung
Partner
Team
- Prof. Dr.-Ing. Jan-Niklas Voigt-Antons
Projektleiter - Michael Stern
Wissenschaftlicher Mitarbeiter - Michelle Hallmann
Wissenschaftliche Mitarbeiterin
Einführung / Projektüberblick
DigiOnTrack ist ein gemeinsames Forschungsprojekt, das durch das Bundesministerium für Digitales und Verkehr (BMDV) im Rahmen des mFUND-Programms gefördert wird. Der Projektverbund vereint Industrie- und Hochschulpartner, darunter 5micron GmbH, Ostakon GmbH, DESAG Deutsche Eisenbahn Service AG und die Hochschule Hamm-Lippstadt. Das Projekt läuft von 2023 bis 2025 mit einem Gesamtvolumen von 2,4 Millionen Euro und hat zum Ziel, ein intelligentes Predictive-Maintenance-System für die ländliche Schieneninfrastruktur zu entwickeln. Durch die Kombination aus körperschallbasierten Sensoren, sicheren Datenübertragungstechnologien und maschinellem Lernen zur Ereignisklassifikation soll DigiOnTrack die Zuverlässigkeit, Sicherheit und Betriebseffizienz regionaler Bahnnetze erhöhen.Hauptziel & Systemfunktion
Das Projekt DigiOnTrack soll die Überwachung des Zustands der Schieneninfrastruktur sowie die Bereitstellung von Frühwarninformationen für Triebfahrzeugführer und Wartungsteams grundlegend verändern. Traditionell werden Infrastrukturfehler durch regelmäßige Inspektionen oder manuelle Beobachtungen erkannt, wodurch subtile Verschleißmuster oft unbemerkt bleiben, bis sie sich verschärfen. DigiOnTrack begegnet diesem Problem, indem Züge mit energieeffizienten Vibrations- und Akustiksensoren ausgestattet werden, die während des regulären Betriebs kontinuierlich Daten aufzeichnen. Diese Messwerte werden in einem zentralen Backend analysiert, das Anomalien erkennt, Ereignisse klassifiziert und strukturierte Informationen für Lokführer, Disponenten und Werkstattpersonal bereitstellt. Durch die Kombination von Sensordaten, GPS-Positionen und nutzergenerierten Anmerkungen verbessert das System das Situationsbewusstsein und ermöglicht rechtzeitige Wartungsmaßnahmen.Innovation & Forschungsbeitrag
Eine zentrale Innovation von DigiOnTrack liegt im nutzerzentrierten Ansatz für Predictive Maintenance. Lokführer und Werkstattmeister liefern aktiv Anmerkungen und Feedback, die als hochwertige Trainingsdaten für überwachtes maschinelles Lernen dienen. Dieser partizipative Labeling-Prozess stellt sicher, dass praktisches Betriebswissen direkt in algorithmische Entscheidungen einfließt. Darüber hinaus bieten digitale Dashboards einen intuitiven Zugang zu historischen Daten, erkannten Anomalien und dem Zustand der Sensoren, was fundierte Entscheidungen entlang der gesamten Wartungskette unterstützt. Das Projekt nutzt außerdem manipulationssichere Datenhaltung, um Transparenz und Nachvollziehbarkeit sicherzustellen. Durch iterative Tests, Prototyping und datenbasierte Optimierung etabliert DigiOnTrack einen skalierbaren und vertrauenswürdigen Ansatz für zukünftige Predictive-Maintenance-Systeme im regionalen Schienenverkehr.Publikationen
- Dishonesty Tendencies in Testing Scenarios Among Students with Virtual Reality and Computer-Mediated Technology
Kojić, T., Vergari, M., Dovhalevska, A., Möller, S. & Voigt-Antons, J.-N. (2024, June). Dishonesty Tendencies in Testing Scenarios Among Students with Virtual Reality and Computer-Mediated Technology. Paper presented at the International Conference on Human-Computer Interaction (HCII 2024). Washington DC, USA. https://doi.org/10.1007/978-3-031-61953-3_14 - Optimized User Experience for Labeling Systems for Predictive Maintenance Applications
Hallmann, M., Stern, M., Vona, F., Franke, U., Ostertag, T., Schlüter, B. & Voigt-Antons, J.-N. (2024, June). Optimized User Experience for Labeling Systems for Predictive Maintenance Applications. Paper presented at the International Conference on Human-Computer Interaction (HCII 2024). Washington DC, USA. https://doi.org/10.1007/978-3-031-76821-7_4 - Sales Skill Training in Virtual Reality: An evaluation utilizing CAVE and Virtual Avatars
Vona, F., Stern, M., Ashrafi, N., Schorlemmer, J., Stemann, J. & Voigt-Antons, J.-N. (2025, June). Sales Skill Training in Virtual Reality: An evaluation utilizing CAVE and Virtual Avatars. Paper presented at the International Conference on Human-Computer Interaction (HCII 2025). Gothenburg, Sweden.
