Veröffentlicht am21 Aug 2025
min lesen
Ansichten
Der Schienenverkehr zählt zu den wirtschaftlichsten und kohlenstoffärmsten Transportmitteln für Güter und Personen. Das Segment entwickelt sich weiterhin schnell, angetrieben durch den beschleunigten technologischen Fortschritt, die zunehmenden demografischen Veränderungen und den steigenden Fokus auf Nachhaltigkeit.
Die Digitalisierung und der Einsatz von KI und digitalen Diensten spielen zunehmend eine wichtige Rolle bei der Gewährleistung der Sicherheit, Zuverlässigkeit und Effizienz von Schienennetzen weltweit.
Während die anfänglichen Investitionen in Eisenbahnschienen hoch sein können, besteht auch ein Bedarf an regelmäßiger Wartung, um mögliche Unfälle aufgrund der Abnutzung der Schienen zu vermeiden. Güterzüge mit einer hohen Achslast können zu einer schnelleren Abnutzung führen und erfordern häufigere Inspektionen.
Mit der steigenden Nachfrage nach mehr Ladekapazität und höheren Betriebsgeschwindigkeiten - Schlüsselfaktoren, die sich auf den Zustand der Gleise auswirken - können herkömmliche Verfahren zur Gleisinspektion zu einem Engpass werden. Die Kombination von computergestützten Bildverarbeitungserkennungsverfahren mit datenwissenschaftlich gestützten Methoden eröffnet neue Möglichkeiten zur Erkennung und Vorhersage von Gleismängeln und trägt so zu einem sichereren Schienenverkehrssystem bei.
Gleisdefekte und deren Behebung
Ein Schienenweg unterliegt verschiedenen Arten von Verschleiß und Abnutzung. Dazu gehören:
Weltweit haben die verschiedenen Bahnbetreiber aufgrund ihrer spezifischen Bedingungen unterschiedliche Inspektionsmethoden eingeführt. Die am weitesten verbreitete Methode ist die manuelle Inspektion, bei der ein geschulter Fachmann etwa fünf bis sechs km pro Tag inspiziert.
Einige Bahngesellschaften sind dazu übergegangen, für 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 nächstgelegenen Streckenposten mit anderen relevanten Informationen in seinem Fahrtenbuch. Die gesammelten Daten werden dann an den für den betreffenden Abschnitt zuständigen Wartungsingenieur weitergeleitet, der die Reparaturen plant.
Die Terminierung wird nach der Schwere des Fehlers priorisiert.
Die Notwendigkeit der manuellen Datenübertragung und Terminierung erhöht jedoch die Reparaturdauer und das Risiko einer Entgleisung. Bei der manuellen Inspektion ist die pro Tag zurückgelegte Gleislänge ebenfalls sehr gering, während 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. eingedrückten Schienenköpfen muss auch die Tiefe der Verformung erkannt werden. In Wüstengebieten muss außerdem die Höhe der Sandablagerung gemessen werden, während einige Defekte wie gebrochene Schienen und defekte Schienenstöße nur mit Computervision-Methoden erkannt werden können.
LTTS' TrackEi™-Lösung
TrackEi™ von L&T Technology Services (LTTS ) ist modular aufgebaut und kann je nach den Anforderungen des Endkunden zu verschiedenen Modellen integriert werden. Die Lösung verfügt über zwei Hauptsensoren: eine Hochgeschwindigkeits-Bildverarbeitungskamera und einen 2D-Laser-Profiler.
TrackEi™ wurde auf der NVIDIA Jetson-Plattform entwickelt und führt leichtgewichtige Modelle für eine verbesserte Erkennungsleistung in Echtzeit aus. Die Bildverarbeitungskamera erfasst Kamerabilder von Oberflächendefekten auf dem Gleis mit Raten zwischen 0 und 50 fps. Die Erfassungsgeschwindigkeit hängt 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 verfügbar ist, sammelt TrackEi™ auch weiterhin die Laserbilddaten. Diese werden jedoch nur dann verarbeitet, wenn das rechnergestützte System eine Fehlererkennung auslöst, um eine optimale Nutzung der CPU/GPU-Leistung zu gewährleisten.
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 übertragen. Die Cloud-App löst auch Benachrichtigungen an das registrierte Personal aus, damit dieses nach der Untersuchung der Fehlerschwere die erforderlichen Maßnahmen ergreifen kann.
Zukunftssicher mit Modellschulung
TrackEi™ verfügt über einen integrierten Erfassungsmodus. Wenn dieser Modus aktiviert ist, nimmt die Lösung Bilder auf und speichert sie in ihrem internen Speicher. Die Datentechniker sammeln diese aufgenommenen Bilder und führen 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 bestmögliche Genauigkeit, Präzision und Wiedererkennungsrate bietet.
Die wichtigsten Spezifikationen der TrackEiTM-Modelle werden im Folgenden erläutert:
Die Grafikprozessoren von NVIDIA spielen eine entscheidende Rolle bei der Ermöglichung der fortschrittlichen Funktionen von LTTS TrackEiTM. Durch die Beschleunigung von Bildverarbeitung, Training und Analyse tragen diese GPUs zur rechtzeitigen Erkennung und Entschärfung von Gleisdefekten bei und tragen so zu einem sichereren und zuverlässigeren Bahnbetrieb weltweit bei.
