Wenn Bremsen festsitzen oder Achslager überhitzen, wird das unter Umständen zur Gefahr für Zugpersonal und Passagiere: Die hohen Temperaturen können zu Bränden führen oder das Material so sehr schädigen, dass Achsenbrüche entstehen und Züge im schlimmsten Fall entgleisen. Damit es nicht so weit kommt, sind über das gesamte Schweizer Schienennetz rund 80 Zugkontrolleinrichtungen verteilt. Mit Infrarotsensoren messen sie die Temperaturen von Achsen und Bremsen vorbeifahrender Züge und lösen – falls ein bestimmter Grenzwert überschritten wird – einen entsprechenden Alarm aus. Der Zug wird daraufhin aus dem Verkehr genommen. Fehlalarme können vorkommen, zum Beispiel wenn eine Dampflok die Zugkontrolleinrichtung passiert, wenn die Sonne direkt auf die Sensoren scheint oder wenn es zu Funkenflug kommt. Darum beurteilt ein Team von Expertinnen und Experten jeden Alarm und kann allenfalls Entwarnung geben.

Die beiden Absolventen Jona Braun und Marcel Schöni haben im Rahmen ihrer Bachelorarbeit im Studiengang Informatik untersucht, ob die Alarme auch mittels Machine Learning klassifiziert werden können. «Es handelt sich dabei aber lediglich um einen Prototyp – wir wollen die Expertinnen und Experten damit keinesfalls konkurrenzieren oder ersetzen», betont Marcel Schöni. Die Fachleute der SBB unterscheiden insgesamt 27 Klassen von Alarmen: darunter zum Beispiel echte und daher betriebsrelevante Alarme, aber eben auch Fehlalarme aufgrund von Sonneneinstrahlung, Dampf oder Funken. Für ihre Untersuchung griffen die beiden Absolventen auf Daten von 82'000 Alarmen aus den letzten neun Jahren zurück. «Die Daten lagen uns in Form von Temperaturkurven vor. Da es sich um die Daten echter Fälle handelt, wussten wir jeweils auch, um welche Klasse von Alarm es sich im konkreten Fall handelt», erklärt Jona Braun.