Deutsches Zentrum für Schienenverkehrsforschung beim Eisenbahn-Bundesamt

Hinweis zur Verwendung von Cookies

Cookies erleichtern die Bereitstellung unserer Dienste. Mit der Nutzung unserer Dienste erklären Sie sich damit einverstanden, dass wir Cookies verwenden. Weitere Informationen zum Datenschutz erhalten Sie über den folgenden Link: Datenschutz

OK

Thema: Digitalisierung und Technik, Stand: 08.12.2023

AIFRI

Messzug der DB auf den Gleisanlagen des Dresdner Hauptbahnhofes Messzug der DB auf den Gleisanlagen des Dresdner Hauptbahnhofes | Quelle: DZSF

KI-basierte Analyse von Schienenprüfdaten für eine optimierte Instandhaltungsplanung

Im Rahmen der Forschungsinitiative mFUND des Bundesministeriums für Digitales und Verkehr (BMDV) soll ein IT-Werkzeug zur Instandhaltung der Schieneninfrastruktur entwickelt werden, mit dem die aus Prüffahrten erhobenen Daten durch den Einsatz von Künstlicher Intelligenz (KI) effizient genutzt werden können. Im Praxistest wird dieses IT-Werkzeug auf Strecken des Deutschen Zentrums für Schienenverkehrsforschung (DZSF) - dem Offenen Digitalen Testfeld - im Lausitzer Braunkohlerevier erprobt und bewertet.

Die Instandhaltung der Schieneninfrastruktur erfolgt bisher zumeist nach präventiven Konzepten: Die Daten aus regelmäßig stattfindenden Inspektionsfahrten werden nur teilweise automatisiert ausgewertet und lassen nur vereinzelt genaue Rückschlüsse auf die tatsächlichen Fehlerbilder und deren Ausmaße zu. KI soll künftig den gesamten Prozess unterstützen. Damit legt das Projekt die Grundlage für eine prädiktive, d. h. vorausschauende Instandhaltung und erhöht die Verfügbarkeit der Schieneninfrastruktur bei gesenkten Lebenszykluskosten.

Projektvolumen:
2,416 Mio. € (davon 235.000 € DZSF)

Projektlaufzeit:
12/2021 – 11/2024 (36 Monate)

Logo BMDV

Weitere Informationen zum mFUND auf den Internetseiten des BMVI

mFUND

Die Innovationsinitiative des Bundesministeriums für Digitales und Verkehr (BMDV) fördert datenbasierte Anwendungen, die auf Mobilitäts-, Geo- und Wetterdaten basieren. Unterstützt wird die Umsetzung digitaler Geschäftsideen zum Thema „Mobilität der Zukunft“ von der Konzeptionierung bis zur Entwicklung hin zur Marktreife. Neben der Förderung von Innovations-, Forschungs- und Entwicklungsprojekten unterstützt der mFUND die Vernetzung zwischen Vertretern aus Forschung, Wirtschaft und Politik. Im Fokus steht weiterhin der freie Zugang zu den Daten über das Portal bzw. die Mobilithek – einer Plattform zum Austausch digitaler Informationen von Mobilitätsanbietern, Infrastrukturbetreibern und Verkehrsbehörden sowie Informationsanbietern.

AIFRI ist ein Projekt aus dem Programmmodul „Digitalisierung und datenbasierte Innovationen für Mobilität 4.0 und Daseinsvorsorge in den Braunkohlerevieren“, welches die mFUND-Zielstellungen speziell auf die Kohleregionen projiziert. Das DZSF baut in den betreffenden Regionen in Brandenburg und Sachsen sowie in Sachsen-Anhalt das Offene Digitale Testfeld für die Forschung im Schienenverkehr auf. Das Testfeld im Lausitzer Braunkohlerevier dient für AIFRI zur Durchführung von Fahrten der Schienenprüfzüge und der Veröffentlichung der dort aufgenommenen Prüfdaten.

Die TÜV Rheinland Consulting GmbH und die VDI/VDE Innovation + Technik GmbH wurden vom BMDV als Projektträger für die Abwicklung des Förderprogramms beauftragt.

Ausgangslage

Die Inspektionsfahrten erfolgen mit Prüfzügen, die mit Ultraschall- und Wirbelstrom-Prüfköpfen ausgerüstet sind. Die aufgezeichneten Sensordaten dienen der Untersuchung auf betriebsbedingte Schädigungen der Gleise. Dabei dienen die Ultraschall-Prüfköpfe der Volumenprüfung des Schienenkörpers, während die Wirbelstromsensoren zum Auffinden von Oberflächenschäden eingesetzt werden. Die so erhaltenen Mess- und Prüfdaten zum Schienenzustand sind die Grundlage für die Entscheidung, welche Instandhaltungsmaßnahmen erforderlich sind. 

Dazu werden die Sensordaten der Prüffahren durch eine Software vorgefiltert, die Auffälligkeiten in den Sensordaten identifiziert und den Datensatz auf die gefundenen relevanten Ereignisse reduziert. Derzeit enthält dieser reduzierte Datensatz jedoch viele unklare Fehlerbilder, von denen sich viele Ereignisse als unbegründet herausstellen. Die Prüfung des von der Software übergebenen Datensatzes übernimmt ein Auswerter, der die kritischen Stellen am Bildschirm bewertet und Ihnen Schweregrade zuweist. Die Fehlervermutungen des Auswerters werden in einem Bericht aufgelistet und von einem Prüfer auf den betreffenden Schienensegmenten mittels eines handgeführten Prüfgerätes inspiziert.

Projektziele

Um die Vielzahl der Prüfdaten effizienter verarbeiten zu können, wird im Projekt eine teilautomatisierte Auswertung entwickelt. Dabei wird untersucht, wie sich Defekte in der Schiene mittels KI-Algorithmen auffinden und bewerten lassen. Dazu wird ein datenbasiertes IT-Werkzeug erstellt und erprobt, das die aus den Prüffahrten der Schienenprüfung vorhandenen Daten aus Ultraschall- und Wirbelstromprüfsystemen effizienter nutzbar macht. Das entwickelte Tool soll die heute noch überwiegend manuell durchgeführte Auswertung der Prüffahrten unterstützen und den gesamten Instandhaltungsprozess von der automatisierten Verarbeitung der Sensordaten über die Schadenserkennung und -bewertung bis hin zur Maßnahmenplanung abbilden.

Grafischer Überblick über die Projektziele | Abb.: Überblick über die Projektziele | Quelle: DZSF

Das System wird darüber hinaus:

  • den Automatisierungsgrad im Prüfprozess anheben, indem aus den Sensordaten relevante Muster aus Schädigungen erkannt und die Fehlerbilder algorithmisch klassifiziert und bewerten werden.
  • die Genauigkeit in der Detektion von Schädigungen im Gleiskörper mittels Einsatz von ML-Algorithmen erhöhen, die Ultraschall- und Wirbelstromsignale kombiniert auswerten können und somit die Bandbreite an erkennbaren Fehlerbildern erweitern.
  • die erkannten Schädigungen in Risikoklassen einteilen und somit die Fehler im Hinblick auf die Eintrittswahrscheinlichkeit eines kritischen Schädigungsereignisses und der Auswirkung auf die Nutzbarkeit des betreffenden Gleises beschreiben, um die Dringlichkeit der Schadensbehebung auszudrücken.
  • eine formale Beschreibung eines Datenmodells für die Verwaltung von Schienenprüf- und -zustandsdaten verfassen, in welchem die aufgezeichneten Prüfdaten mit den Ergebnissen der Fehlererkennung unter Nutzung gängiger Standards und Datenformate abgebildet und mit Infrastrukturdaten verknüpft werden.
  • ein Konzept zur risikobasierten Instandhaltungsplanung aufstellen, wobei ein mathematisches Optimierungsmodell die Vorlage eines Terminplans unter Beachtung von materiellen, personellen, finanziellen, betrieblichen sowie netzspezifischen Rahmenbedingungen liefert. Die Auswahl und zeitliche Terminierung von Instandhaltungsmaßnahmen zur Behebung der identifizierten Fehler erfolgt dabei unter Einbeziehung der Fehlerbewertung nach den beschriebenen Risikoklassen.

Durchführung

Das Projekt läuft über einen Zeitraum von Dezember 2021 bis November 2024. In sieben Arbeitspaketen werden Fragestellungen zur Datenverwaltung, Defekterkennung- und Simulation, KI-Auswertung und Maßnahmenplanung untersucht.

Dabei wird ein IT-Werkzeug zur automatisierten Erkennung und Bewertung von Schädigungen im Gleiskörper realisiert. Für die Diagnose von Auffälligkeiten in den bei Prüffahrten aufgezeichneten Sensordaten und die Feststellung des Schadensbildes kommen KI-Algorithmen zum Einsatz. Um eine zuverlässige Schadensklassifikation mit neuronalen Netzen zu erzielen, ist eine breite Basis an Prüfdaten zum Training der Netzwerke entscheidend. Neben Realdaten aus den Prüfdaten, die von Auswertern der DB Netz AG bewertet und mit den aufgetretenen Schädigungen markiert werden, kommen auch synthetisch erzeugte Sensordaten zum Einsatz. Diese synthetischen Daten entstehen aus Simulationen, in denen die Signalantworten der Prüfsysteme von Fehlern (z. B. Anrisse) und Artefakten (z. B. Schweißungen) so erzeugt werden, wie sie auch von den Sensorsystemen im Prüfzug beim Auftreten dieser Bilder in der Schiene aufgezeichnet werden.

Nach der Klassifikation durch den KI-Algorithmus erfolgt eine Risikobewertung der detektierten Schadensbefunde, mit der die Kritikalität als probabilistische Kennzahl charakterisiert wird. In diese Bewertung geht zum einen die physikalische Prüffähigkeit der Sensorsysteme ein, welche die Wahrscheinlichkeit des Erkennens von Fehlern abhängig von der Schadensgröße beschreibt. Hierzu wird ein Einflussparametermodell aufgestellt, das objektiv die Fähigkeit des Prüfsystems beurteilt. Zum anderen wird die Zuverlässigkeit der Klassifizierung durch das KI-Verfahren berücksichtigt.

Das Bild zeigt an einem Wagen eines Schienenprüfzugs angebrachte Sensoren. Sensoren an einem Schienenprüfzug | Quelle: Thomas Heckel, BAM

Die im geprüften Streckennetz gefundenen Schienen-Schädigungen fließen zusammen mit ihren Risikokennzahlen als Eingangsparameter in ein mathematisches Optimierungsmodell, welches eine risikobasierte Planung von Instandhaltungsmaßnahmen ermittelt und dabei Wartungsarbeiten zur Schadensbeseitigung räumlich und zeitlich bündelt. Dabei werden verschiedenartige Randbedingungen wie Sperrzeiten, bereits geplante Baumaßnahmen, materielle und personelle Ressourcen sowie betriebliche Auswirkungen berücksichtigt.

  • Im Arbeitspaket (AP) „Lösungskonzept“ werden die Anforderungen und wesentlichen Funktionalitäten an das IT-Werkzeug ermittelt. Hierdurch werden die Softwaremodule zur Fehlerdetektion und -simulation spezifiziert sowie Schnittstellen und die Ergebnisdarstellung definiert.
  • Das AP „Datenmanagement“ beschäftigt sich mit der Erfassung und Auswertung der Daten aus dem Schienenprüfzug. Für die Eingangs- und Ergebnisdaten wird ein standardisiertes Datenformat bestimmt, das auch für die Veröffentlichung von Projektdaten genutzt wird.
  • Die Simulation von Prüfdatensätzen wird im AP „Modellierung“ erarbeitet. Dazu werden mögliche Schädigungen und deren Anzeigenmuster in den Prüfdaten erhoben und in vereinfachende geometrische Modelle umgesetzt. Über das Variieren der Modellparameter lassen sich virtuelle Prüffahrten durchführen, die eine breit gefächerte Palette an Schienendefekten aufnehmen. Validiert werden die Simulationen anhand von kurzen Testschienen.
  • Mit den Messungen aus den realen und virtuellen Prüffahrten werden im AP „Datenanalysen“ KI-Methoden entwickelt, um Schädigungen automatisch in den Messdaten zu entdecken und zu klassifizieren. Hierbei wird zunächst mit Experimenten auf Basis kleiner Datensätze begonnen, um verschiedene Strukturen Neuronaler Netze und weiterer KI-Verfahren zu erproben.
  • Im Rahmen des AP „Entscheidungsunterstützung“ werden Optimierungsmodelle für die Planung der Prüffahrten und Instandhaltungsmaßnahmen entwickelt und implementiert. Dabei wird die physikalische Prüffähigkeit der Verfahren zur Schadensdetektion mit einbezogen.
  • Die entwickelten Programme und Datenformate werden im AP „Systemintegration“ in einem zentralen Asset Management System zusammengefasst.
  • Abschließend erfolgen mit dem AP „Demonstration und Ergebnisbewertung“ Testläufe für ausgewählte Abschnitte des Schienennetzes und die Ableitung weiteren Forschungs- und Entwicklungsbedarfs.

Konsortium

Deutsches Zentrum für Schienenverkehrsforschung (DZSF)

Im geplanten Vorhaben übernimmt das DZSF die Projektkoordination, steuert die Ergebnisverwertung und Öffentlichkeitsarbeit, verantwortet das Konzept der risikobasierten Instandhaltung und bezieht Expertenwissen Dritter ein.

DB Netz AG

DB Netz wird im Projekt die zu analysierenden Daten bereitstellen und aufbereiten, Expertenwissen zur Beurteilung von Fehlerbildern einbringen sowie die Demonstration leiten.

Die DB Netz AG ist das Schieneninfrastrukturunternehmen der Deutschen Bahn AG. Sie ist für das Streckennetz in Deutschland inklusive aller betriebsnotwendigen Anlagen verantwortlich. Zentrale Aufgabe ist es, eine Infrastruktur in hoher Qualität und Verfügbarkeit zur Verfügung zu stellen und deren Betrieb zu managen. Dazu gehören u. a. die Betriebsführung sowie das Baumanagement und die Instandhaltung. Hinzu kommt die Weiterentwicklung der Schieneninfrastruktur durch Investitionen in das bestehende Netz, Leit- und Sicherungstechnik sowie in Neu- und Ausbaustrecken.

Internet: www.fahrweg.dbnetze.com

Bundesanstalt für Materialforschung und -prüfung (BAM)

Der Fachbereich 8.4 der BAM war an der Entwicklung der bei der DB zur Schienenprüfung eingesetzten Prüftechnik im Rahmen verschiedener industriegeförderter Projekte beteiligt. Aufbauend auf dieser Expertise verantwortet die BAM im Projekt die Entwicklung der Fehlermodelle und deren Simulation.

Die Bundesanstalt für Materialforschung und -prüfung (BAM) ist eine wissenschaftlich-technische Bundesoberbehörde im Geschäftsbereich des BMWK. Der Fachbereich 8.4 „Akustische und elektromagnetische Verfahren“ verfügt über eine jahrzehntelange Erfahrung in der Erforschung, Entwicklung und Standardisierung neuer zerstörungsfreier Prüfverfahren im Bereich der Wirbelstrom- und Ultraschallprüfung. Im Bereich des schienengebundenen Verkehrs wurden bereits zahlreiche Vorhaben für die mechanisierte Prüfung sicherheitsrelevanter Komponenten wie Radsätze und Schienen durchgeführt.

Internet: www.bam.de

ZEDAS GmbH

In diesem Projekt übernimmt ZEDAS die wesentlichen Aufgaben der Prozess- und Softwarespezifikation, die Softwareimplementierung sowie die Integration und Inbetriebnahme des Zusammenspiels der beteiligten Systeme.

Die ZEDAS GmbH bietet Standardsoftwaresysteme für Logistik- und Asset Management an den Standorten Senftenberg, Berlin, Warschau und Thun (CH) an. Das Unternehmen ist einer der ersten und führenden Anbieter von integrierten Technical Asset LifeCycle Management Lösungen (TALC) und konzentriert sich damit auf das übergreifende Management von komplexen technischen Anlagen über den gesamten Lebenszyklus, von der Diagnose bis zum intelligenten Instandhaltungsmanagement. Dabei bietet das Unternehmen branchenspezifische Lösungen für das computergestützte Management von Fahrzeugflotten, Bahnanlagen und Logistikprozessen an.

Internet: www.zedas.com

TU Berlin, Institut für Bauingenieurwesen

In diesem Projekt wird die TU Berlin die Entwicklung und das Training der KI-Verfahren übernehmen.

Das Fachgebiet Systemtechnik baulicher Anlagen der TU Berlin (Prof. Timo Hartmann) verfügt über Expertise in der Erforschung von Methoden zur Datenanalyse rund um Infrastrukturbauten. Das Fachgebiet war im Rahmen europäischer Forschungsvorhaben für die Entwicklung von datengetriebenen Modellen für die Instandhaltung von Brücken und Tunneln zuständig und befasst sich aktuell u.a. mit der Entwicklung einer IoT (Internet of Things) basierten Plattform zur Entwicklung von digitalen Zwillingen gebauter Umgebung.

Internet: www.tu.berlin/bau

Vrana GmbH

Vrana verantwortet im Projekt die Entwicklung der POD/POC-Methodik und Beratung in Bezug auf ZfP 4.0.

Die Vrana GmbH hat sich auf die High-End Fragen der zerstörungsfreien Prüfung spezialisiert und steht für qualitativ hochwertige und unabhängige Beratung, Schulungen und Entwicklung von innovativen Softwarelösungen. Vrana bietet fundierte Prüferfahrung mit aktuellstem wissenschaftlichem sowie IT-Hintergrund und treibt die Entwicklungen in den Themengebieten Ultraschallprüfung, ZfP 4.0 (Zerstörungsfreie Prüfung) und Zuverlässigkeitsbewertung voran. Bei der Zuverlässigkeitsbewertung werden beispielsweise die allgemeinen Modelle auf die jeweiligen Begebenheiten angepasst und speziell auf die Prüfsituation zugeschnittene Auswertealgorithmen entwickelt.

Internet: www.vrana.net

AI-based analysis of rail inspection data for optimised maintenance planning

Project summary

Rail inspection is based on test data on the condition of the rails from regular inspection runs. Up to now, this data has only been partially automatically analysed, allowing only imprecise conclusions to be drawn about the actual defect patterns and their extent.The project will develop an IT tool that enables the efficient use of existing data from eddy current and ultrasonic inspection systems. By linking data from different sources, additional insight can be gained into the nature and extent of rail damage. The IT tool supports the entire process, from data acquisition from inspection systems to data analysis and decision support for planning inspection and maintenance work.AI methods are used to detect and classify characteristic defect patterns from the data obtained from the rail inspection systems and to assess the depth of damage. A concept for the derivation and planning of maintenance measures will also be developed. The developed IT tool will be tested and evaluated in practical trials.

Project objectives and implementation

The evaluation system developed is intended to increase the degree of automation in the inspection process by identifying relevant damage patterns from the inspection data and algorithmically classifying and evaluating the defect patterns. The use of AI algorithms can also increase the accuracy of damage detection in the rail. At the same time, the combined analysis of the ultrasonic and eddy current signals expands the range of defect patterns that can be detected. The detected defects are categorised into risk classes, describing the defects in terms of the probability of occurrence of a critical damage event and the impact on the usability of the track, in order to express the urgency of repairing the damage.For data management, a formal description of a data model for the handling of inspection and condition data will be developed, in which the recorded inspection data will be mapped with the results of fault detection using open standards and data formats, and linked to infrastructure data.A risk-based maintenance planning approach will be developed. A mathematical optimisation model will provide the template for a schedule, taking into account material, personnel, financial, operational and network-related constraints. The selection and scheduling of maintenance activities to address the identified failures is carried out taking into account the failure rating according to risk classes.

Zusatzinformationen

Kontakt

Zur Übersicht