Eisenbahninspektion mit Deep Learning
Eisenbahninspektion mit Deep Learning
29. Februar 2020 -
Für die Überwachung von Infrastrukturobjekten entlang der Schienen werden im Projekt AISI (Artificial Intelligence Streckeninspektion) der SBB mithilfe von neuronalen Netzen Methoden entwickelt, um die Effizienz und Effektivität der Streckeninspektion zu verbessern.
Artikel erschienen in IT Magazine 2020/03
Seit Jahrzehnten erfolgt die Inspektion der Gleise sowie der Umgebung (Streckeninspektion) klassisch zu Fuss durch Fachspezialisten der SBB. Diese gehen bis heute regelmässig den Gleisen entlang und erheben mit ihren Sinnesorganen den Zustand. Teilweise kommen auch Diagnosefahrzeuge zum Einsatz. «Im Zweifelsfall wird die gefundene Abweichung mit Referenzbildern aus einem Abweichungskatalog abgeglichen und entschieden, ob es sich um eine relevante Abweichung handelt oder nicht», erklärt Joël Casutt, Leiter Technologie und Entwicklung, SBB Mess- und Diagnosetechnik.
Ein erster Schritt hin zur Digitalisierung hat hier vor gut fünf Jahren stattgefunden. Die Erfassung und Dokumentation von Abweichungen auf Papier wurde mittels der Einführung von Tablets in der Streckeninspektion abgelöst, wodurch die relevanten Informationen in einer Datenbank gespeichert werden. «Mit dieser Digitalisierung wurde der langzeiterprobte manuelle Prozess optimiert. Über die gesamte Prozesskette betrachtet, grössere Potenziale jedoch nicht ausgeschöpft», so Casutt.
Die manuelle Streckeninspektion ist ressourcenintensiv und erfordert ein breites und tiefes Fachwissen über unterschiedliche Themenbereiche hinsichtlich der zu inspizierenden Objekte. Die Mitarbeitenden sind durch den stark zunehmenden Bahnverkehr zudem einer zusätzlichen Gefahr ausgesetzt. Hinzu kommt, dass bei Strecken mit einer Höchstgeschwindigkeit von 200 Kilometern pro Stunde die manuelle Streckeninspektion aus Sicherheitsgründen nicht gestattet ist.
Die SBB strebt in Zukunft an, die Instandhaltung ihrer Anlagen aufgrund einer Prognose zum Anlagenzustand zu optimieren (Predictive Maintenance). Dabei ist eine uniforme und wiederholbare Datenbasis ein entscheidender Schritt. Dieser kann nur mit einer Systematisierung der Aufnahme des Zustandes erfolgen.
Ein erster Schritt hin zur Digitalisierung hat hier vor gut fünf Jahren stattgefunden. Die Erfassung und Dokumentation von Abweichungen auf Papier wurde mittels der Einführung von Tablets in der Streckeninspektion abgelöst, wodurch die relevanten Informationen in einer Datenbank gespeichert werden. «Mit dieser Digitalisierung wurde der langzeiterprobte manuelle Prozess optimiert. Über die gesamte Prozesskette betrachtet, grössere Potenziale jedoch nicht ausgeschöpft», so Casutt.
Die manuelle Streckeninspektion ist ressourcenintensiv und erfordert ein breites und tiefes Fachwissen über unterschiedliche Themenbereiche hinsichtlich der zu inspizierenden Objekte. Die Mitarbeitenden sind durch den stark zunehmenden Bahnverkehr zudem einer zusätzlichen Gefahr ausgesetzt. Hinzu kommt, dass bei Strecken mit einer Höchstgeschwindigkeit von 200 Kilometern pro Stunde die manuelle Streckeninspektion aus Sicherheitsgründen nicht gestattet ist.
Die SBB strebt in Zukunft an, die Instandhaltung ihrer Anlagen aufgrund einer Prognose zum Anlagenzustand zu optimieren (Predictive Maintenance). Dabei ist eine uniforme und wiederholbare Datenbasis ein entscheidender Schritt. Dieser kann nur mit einer Systematisierung der Aufnahme des Zustandes erfolgen.
Maschinelle Streckeninspektion
Mit dem Ziel, die Sicherheit der Mitarbeitenden zu erhöhen und die Effizienz sowie die Effektivität zu steigern, wurde die maschinelle Streckeninspektion mit dem Einsatz von Künstlicher Intelligenz aktiv angegangen. «Bereits vor der Inbetriebnahme der Neubaustrecke zwischen Bern und Olten (Bahn 2000) wurde 2003 ein Diagnosefahrzeug mit unterschiedlichen Mess- und Inspektionssystemen beschafft, um die Streckeninspektion unter laufendem Betrieb zu ermöglichen. Eines der installierten Systeme bestand aus einer Reihe von Zeilenkameras zur hochauflösenden Aufnahme des Gleisbereiches sowie einer Auswertesoftware auf der Basis von klassischen Bildverarbeitungsalgorithmen. «Dieses System war zum Beschaffungszeitpunkt das modernste seiner Art und erst durch den Durchbruch der digitalen Fotografie und Fortschritten in der digitalen Bildbearbeitung möglich. Das System musste über die letzten Jahre mit grossem Aufwand laufend an die sich ändernden Anforderungen angepasst und optimiert werden», so Casutt. Die Auswertesoftware kam bis heute auf der Bahn-2000-Strecke zur Anwendung. Mit der geplanten Ausweitung der Automatisierung auf weitere Streckenabschnitte nimmt der Ressourcenaufwand zur Validierung zwischen falsch gefundenen (False Positives) und effektiven Fehlern zu stark zu.
Neue Ansätze sind gefragt, damit die Algorithmen flexibler und einfacher auf weiteren Strecken sowie bei neu eingesetzten Bahnkomponenten zur Anwendung kommen können. Es braucht eine Lösung, die basierend auf den Informationen der Fachspezialisten selbständig dazu lernt und nicht immer fortlaufend durch Software-Spezialisten zu optimieren ist.
Neue Ansätze sind gefragt, damit die Algorithmen flexibler und einfacher auf weiteren Strecken sowie bei neu eingesetzten Bahnkomponenten zur Anwendung kommen können. Es braucht eine Lösung, die basierend auf den Informationen der Fachspezialisten selbständig dazu lernt und nicht immer fortlaufend durch Software-Spezialisten zu optimieren ist.