91Ô­´´

Der Schienenverkehr z?hlt zu den wirtschaftlichsten und kohlenstoff?rmsten Transportmitteln f¨¹r G¨¹ter und Personen. Das Segment entwickelt sich weiterhin schnell, angetrieben durch den beschleunigten technologischen Fortschritt, die zunehmenden demografischen Ver?nderungen und den steigenden Fokus auf Nachhaltigkeit.

Die Digitalisierung und der Einsatz von KI und digitalen Diensten spielen zunehmend eine wichtige Rolle bei der Gew?hrleistung der Sicherheit, Zuverl?ssigkeit und Effizienz von Schienennetzen weltweit.

W?hrend die anf?nglichen Investitionen in Eisenbahnschienen hoch sein k?nnen, besteht auch ein Bedarf an regelm??iger Wartung, um m?gliche Unf?lle aufgrund der Abnutzung der Schienen zu vermeiden. G¨¹terz¨¹ge mit einer hohen Achslast k?nnen zu einer schnelleren Abnutzung f¨¹hren und erfordern h?ufigere Inspektionen.

Mit der steigenden Nachfrage nach mehr Ladekapazit?t und h?heren Betriebsgeschwindigkeiten - Schl¨¹sselfaktoren, die sich auf den Zustand der Gleise auswirken - k?nnen herk?mmliche Verfahren zur Gleisinspektion zu einem Engpass werden. Die Kombination von computergest¨¹tzten Bildverarbeitungserkennungsverfahren mit datenwissenschaftlich gest¨¹tzten Methoden er?ffnet neue M?glichkeiten zur Erkennung und Vorhersage von Gleism?ngeln und tr?gt so zu einem sichereren Schienenverkehrssystem bei.

Gleisdefekte und deren Behebung

Ein Schienenweg unterliegt verschiedenen Arten von Verschlei? und Abnutzung. Dazu geh?ren:

Weltweit haben die verschiedenen Bahnbetreiber aufgrund ihrer spezifischen Bedingungen unterschiedliche Inspektionsmethoden eingef¨¹hrt. Die am weitesten verbreitete Methode ist die manuelle Inspektion, bei der ein geschulter Fachmann etwa f¨¹nf bis sechs km pro Tag inspiziert.

Einige Bahngesellschaften sind dazu ¨¹bergegangen, f¨¹r die manuelle Gleisinspektion Draisinen einzusetzen. Diese kompakten Fahrzeuge, die von einem kleinen Gasmotor angetrieben werden, erreichen in der Regel eine Geschwindigkeit von bis zu 25 km/h. Sobald ein Defekt festgestellt wird, dokumentiert der Inspektor den Fehler und den n?chstgelegenen Streckenposten mit anderen relevanten Informationen in seinem Fahrtenbuch. Die gesammelten Daten werden dann an den f¨¹r den betreffenden Abschnitt zust?ndigen Wartungsingenieur weitergeleitet, der die Reparaturen plant.

Die Terminierung wird nach der Schwere des Fehlers priorisiert.

Die Notwendigkeit der manuellen Daten¨¹bertragung und Terminierung erh?ht jedoch die Reparaturdauer und das Risiko einer Entgleisung. Bei der manuellen Inspektion ist die pro Tag zur¨¹ckgelegte Gleisl?nge ebenfalls sehr gering, w?hrend die Kosten und die Wahrscheinlichkeit, dass ein Fehler unentdeckt bleibt, steigen.

Die Automatisierung der Gleisfehlererkennung kann jedoch weiterhin eine Herausforderung darstellen. Bei Defekten wie z. B. eingedr¨¹ckten Schienenk?pfen muss auch die Tiefe der Verformung erkannt werden. In W¨¹stengebieten muss au?erdem die H?he der Sandablagerung gemessen werden, w?hrend einige Defekte wie gebrochene Schienen und defekte Schienenst??e nur mit Computervision-Methoden erkannt werden k?nnen.

LTTS' TrackEi?-L?sung

TrackEi? von L&T Technology 91Ô­´´ (LTTS ) ist modular aufgebaut und kann je nach den Anforderungen des Endkunden zu verschiedenen Modellen integriert werden. Die L?sung verf¨¹gt ¨¹ber zwei Hauptsensoren: eine Hochgeschwindigkeits-Bildverarbeitungskamera und einen 2D-Laser-Profiler.

TrackEi? wurde auf der NVIDIA Jetson-Plattform entwickelt und f¨¹hrt leichtgewichtige Modelle f¨¹r eine verbesserte Erkennungsleistung in Echtzeit aus. Die Bildverarbeitungskamera erfasst Kamerabilder von Oberfl?chendefekten auf dem Gleis mit Raten zwischen 0 und 50 fps. Die Erfassungsgeschwindigkeit h?ngt von der Fahrgeschwindigkeit und der Breite des Sichtfeldes ab. Alle eingehenden Bilder werden nach der Vorverarbeitung durch den von LTTS patentierten (angewandten) Algorithmus und das vortrainierte Modell zur Fehlererkennung geleitet.

Wenn der Laserprofiler verf¨¹gbar ist, sammelt TrackEi? auch weiterhin die Laserbilddaten. Diese werden jedoch nur dann verarbeitet, wenn das rechnergest¨¹tzte System eine Fehlererkennung ausl?st, um eine optimale Nutzung der CPU/GPU-Leistung zu gew?hrleisten.

Wird ein Defekt gefunden, werden das Bild und die 2D-Laserprofile zusammen mit der Geschwindigkeit, der Ortsmarke und anderen relevanten Informationen als Berichtsdatei gespeichert. Bei Zugang zu einem Datennetz wird die Berichtsdatei an die Cloud-Plattform ¨¹bertragen. Die Cloud-App l?st auch Benachrichtigungen an das registrierte Personal aus, damit dieses nach der Untersuchung der Fehlerschwere die erforderlichen Ma?nahmen ergreifen kann.

Zukunftssicher mit Modellschulung

TrackEi? verf¨¹gt ¨¹ber einen integrierten Erfassungsmodus. Wenn dieser Modus aktiviert ist, nimmt die L?sung Bilder auf und speichert sie in ihrem internen Speicher. Die Datentechniker sammeln diese aufgenommenen Bilder und f¨¹hren die Datenbereinigung und -kennzeichnung durch. Die Modelle werden auf Workstations mit NVIDIA-GPU-Karten wie Quadro P2000, A2000 und RTX3060 trainiert. Robuste Forschung hat ein optimales Modell hervorgebracht, das die bestm?gliche Genauigkeit, Pr?zision und Wiedererkennungsrate bietet.

Die wichtigsten Spezifikationen der ^{TrackEiTM-Modelle} werden im Folgenden erl?utert:

Die Grafikprozessoren von NVIDIA spielen eine entscheidende Rolle bei der Erm?glichung der fortschrittlichen Funktionen von LTTS ^TrackEiTM. Durch die Beschleunigung von Bildverarbeitung, Training und Analyse tragen diese GPUs zur rechtzeitigen Erkennung und Entsch?rfung von Gleisdefekten bei und tragen so zu einem sichereren und zuverl?ssigeren Bahnbetrieb weltweit bei.