DB Cargo’dan Yapay Zeka: Arıza Süreleri %90 Azaldı

DARMSTADT, ALMANYA – DB Cargo, yaklaşık 60 adet Class 77 dizel lokomotiften oluşan filosu için yedek parça ihtiyaçlarını planlamak ve tahmin etmek amacıyla yapay zeka tabanlı bir sistem kullanmaya başladı. DB Cargo Railport Darmstadt lojistik merkezinde geliştirilen bu sistem, veri analizini kullanarak bileşen gereksinimlerini öngörüyor ve elektriksiz hatlardaki araçların kullanılabilirliğini artırıyor. Bu strateji, özellikle 500 güne varan teslimat sürelerine sahip parçalar için operasyonel verimliliği maksimize etmeyi hedefliyor.

Teknolojiye Ait Temel Veriler

Teknolojinin Teknik Özellikleri Nelerdir?

Bu sistem, lokomotif filosunun geçmiş parça tüketim verileri ile mevcut operasyonel durum bilgilerini birleştirerek çalışmaktadır. Tahmine dayalı model, teslim süreleri ayları bulabilen Kanada yapımı Class 77 lokomotiflerinin uzun tedarik süreli kritik bileşenlerini yönetmek üzere tasarlanmıştır. Sistem, otomatik yazılım güncellemeleri ve Valvoline’in Premium Blue One Solution Gen 2 motor yağı gibi özel yağlayıcıların kullanımı gibi diğer teknolojilerle entegre olarak azami çalışma süresi sağlamayı amaçlar. Çıktıları sayesinde planlamacılar, stoklanması gereken yüksek değerli, uzun teslim süreli parçalar ile talep üzerine sipariş edilebilecek daha düşük maliyetli bileşenleri ayırt edebilmektedir.

Bu Teknoloji Sektörde Nerede Duruyor?

DB Cargo’nun kendi bünyesinde geliştirdiği bu özel yapay zeka aracı, sektördeki varlık kullanımını artırmaya yönelik tahmine dayalı bakım eğiliminin bir yansımasıdır. DB Cargo’nun sistemi, Class 77 filosunun benzersiz tedarik zinciri zorluklarına özel olarak uyarlanmış olsa da, kavramsal olarak büyük OEM’ler tarafından sunulan kapsamlı ticari platformlarla rekabet etmektedir. Örneğin, Siemens Mobility’nin Railigent X platformu, tüm filolar ve altyapı ağları genelinde izleme ve tahmine dayalı analitik için bir dizi uygulama sunmaktadır (Kaynak: Siemens Mobility, 2024). Benzer şekilde, Alstom’un HealthHub™ çözümü, tren bileşenlerinin durumunu izlemek için gerçek zamanlı veriler kullanarak operatörlere küresel olarak tahmine dayalı bakım uyarıları sağlamaktadır (Kaynak: Alstom, 2024). DB Cargo’nun yaklaşımı, genel bir filo çapında izleme platformu yerine, belirli bir lokomotif sınıfı için uzun teslim süreli parçalar gibi yüksek etkili, özel bir soruna odaklanmasıyla daha hedefe yönelik görünmektedir. Bu, özellikle sınırlı bütçelerle hızlı ve somut sonuçlar elde etmek isteyen operatörler için pratik bir çözüm sunmaktadır.

Editörün Değerlendirmesi

DB Cargo’nun bu girişimi, Avrupa demiryolu yük taşımacılığı sektöründeki operasyonel verimlilik üzerindeki sürekli baskılara verilen taktiksel bir yanıttır. Yapay zekayı ithal bir lokomotif filosunun parça bulunabilirliği gibi dar ama kritik bir soruna odaklayarak, operatör hedefe yönelik bir yatırımla pahalı arıza sürelerinde önemli azalmalar sağlayabilmektedir. Bu hamle, Shipper Conditions Index’in 2022’den bu yana en düşük seviyelere düşmesi beklenen piyasa eğilimleriyle uyumlu olup, taşıyıcılar için maliyetleri kontrol etme ve varlık kullanılabilirliğini maksimize etme aciliyetini artırmaktadır (Kaynak: ShipMatrix, 2024).