Schlagwortarchiv für: SBB

Wie Linked Data die Zugheizung startet

Die SBB ist nicht nur die grösste Eisenbahn in der Schweiz, sie betreibt auch eine Anwendungslandschaft mit mehr als 1000 Anwendungen. Jede dieser Anwendungen benötigt Daten für ihren reibungslosen Betrieb. Werden diese miteinander verknüpft, können sie beispielsweise bei jedem Wetter die richtige Temperatur im Zugabteil garantieren.

 In der Anwendungslandschaft der SBB sind diese Anwendungen historisch unabhängig voneinander entwickelt worden und nicht immer wird Gleiches gleich dargestellt. So kommt es, dass in verschiedenen Anwendungen Schlüssel oder Formate nicht auf einander passen.

Bei der Entwicklung von neuen Anwendungen muss die SBB oft Daten von mehreren bestehenden Anwendungen verknüpfen. Damit schnell mit richtigen Daten gearbeitet werden kann, ohne dass aufwändige Schnittstellen gebaut werden müssen, exportieren die Anwendungen Daten.

Hier kommen nun die Linked Data ins Spiel. Die Datenexporte werden analysiert und eine entsprechende Ontologie erstellt. Diese Analyse ermöglicht gleichzeitig den Aufbau des Domänenwissens und die Dokumentation desselben für die zukünftigen Nutzer. Der Bestimmung der URI (Unified Ressource Identifikator) kommt in diesem Schritt grosse Bedeutung zu. Soll doch mit dieser URI in der späteren Nutzung des Datenexports die Anreicherung mit Daten aus anderen Anwendungen möglich werden.

Mit der Überführung des Datenexports in RDF – Tripels in der definierten Ontologie ist man dann schon beinahe am «Integrationsziel» angelangt. Sind die Tripels einmal im Tripelstore drin, ist es einfach möglich die verschiedenen Graphen zu verknüpfen.

Mehrere Akteure spielen zusammen

Die SBB hat in der Studie «Meteobasiertes Vorheizen von Zügen» diese Art von Datenintegration versucht. In der Zürcher S-Bahn setzt die SBB zu Hauptverkehrszeit zusätzliche Züge ein. Diese Doppelstockzüge müssen vor dem Einsatz geheizt werden, so dass für die Passagiere eine angenehme Temperatur herrscht. Dieses Vorheizen ist soweit automatisiert, dass der Zug 90 Minuten vor dem ersten fahrplanmässigen Einsatz beginnt zu heizen. Diese 90 Minuten stellen sicher, dass der Zug niemals zu kalt ist. Es stand die Hypothese im Raum, dass man diese Zeit reduzieren kann und durch den Einbezug von Wetterparametern sicherstellt, dass es immer noch ausreichend warm im Zug ist.

Verschiedene Organisationen (Zazuko GmbH, HEVS) haben unabhängig voneinander die Daten die Daten exportiert und die Triples in den Tripelstore von LINDAS importiert. Eine dritte Organisation (Universität Bern, Forschungsstelle Digitale Nachhaltigkeit) hat dann die Steuerung basierend auf den Graphen implementiert. Durch diese Entkopplung und der Selbstdokumentation von Linked Data war die Universität Bern rasch in der Lage, eine funktionsfähige Steuerung zu implementieren.

Aus der Rollmaterialplanung werden alle 30 Minuten die aktuellen Formationen (Reihung der Wagen) exportiert, von MeteoSchweiz werden alle 6 Stunden die Wetterprognosen (Temperatur, Globalstrahlung) geladen. Die Anwendung der Universität Bern berechnet dann basierend auf dem Depotstandort des Zuges, des voraussichtlichen Temperaturverlaufs, der eintreffenden Globalstrahlung und dem nächsten Einsatz des Zuges den optimalen Zeitpunkt, um die Heizung einzuschalten. In der Übergangszeit konnte so die standardmässige Vorheizzeit deutlich reduziert werden und ansehnliche Mengen Energie eingespart werden. Somit konnte durch die Studie die Hypothese unterstützt werden. Um die Ergebnisse einer breiteren Leserschaft bekannt zu machen, wurde zusätzlich eine Visualisierung erstellt. Hier hat sich nochmals gezeigt, dass durch die einfache Verfügbarkeit der Daten rasch eine lauffähige Visualisierung geschaffen werden kann. Da alle Daten (inkl. der Logs) im Tripelstore vorlagen, konnten alle wichtigen Daten mit einem Query zusammen geholt und visualisiert werden.

Schlussfolgerung

Bei der Entwicklung von Prototypen mit Daten aus verschiedenen (teils Legacy-)Systemen ist die Verwendung von Linked Data eine Hilfe. Nicht nur, weil die Implementierung des Prototypens auf Basis der Linked Data relativ einfach ist, sondern auch, da viel implizites Wissen, welches in der Programm-Logik der zu integrierenden Systemen steckt, explizit gemacht wird. Diese Studie hat aber auch aufgezeigt, dass grosse Datenmengen, wie es die Wetterdaten sind, heute noch Optimierungsschritte brauchen, damit sie effizient in den Tripelstore geladen werden können.

Creative Commons LicenceCreate PDF

Ähnliche Beiträge

Es wurden leider keine ähnlichen Beiträge gefunden.