En revolution inom järnvägssäkerheten med LTTS:s TrackEi™

Järnvägstransporter rankas högt bland de mest ekonomiska och koldioxidsnåla sätten att transportera gods och passagerare. Segmentet fortsätter att utvecklas i snabb takt, drivet av allt snabbare tekniska framsteg, växande demografiska förändringar och ett ökat fokus på hållbarhet. 

Digitaliseringen och införandet av AI och digitala tjänster spelar en allt större roll för att säkerställa säkerhet, tillförlitlighet och effektivitet ijärnvägsnäten världen över.

Även om den initiala investeringen i järnvägsspår kan vara hög, finns det också ett behov av regelbundet underhåll för att undvika potentiella olyckor till följd av slitage på spåren. Godståg med hög axellast kan leda till snabbare slitage och kräver därför mer frekventa inspektioner. 

Med den ökande efterfrågan på större lastkapacitet och högre driftshastigheter – nyckelfaktorer som påverkar järnvägsspårens skick – kan traditionella metoder för spårinspektion bli en flaskhals. Genom att kombinera datorvisionsbaserade detekteringstekniker med datavetenskapligt underbyggda metoder öppnas nya möjligheter att upptäcka och förutsäga spårfel, vilket bidrar till ett säkrare järnvägstransportsystem.

Spårfel och åtgärder

En järnväg utsätts för olika typer av slitage. Detta inkluderar:

Runt om i världen har olika järnvägsoperatörer, utifrån sina specifika förhållanden, börjat använda olika inspektionsmetoder. Den vanligaste är den manuella inspektionen, där en utbildad fackman inspekterar cirka fem till sex kilometer per dag. 

Några järnvägsbolag har börjat övergå till att använda vagnar för sina manuella spårinspektioner. Dessa kompakta fordon, som drivs av en liten bensinmotor, kan vanligtvis nå hastigheter på upp till 25 km/h. När en defekt har identifierats dokumenterar inspektören felet och närmaste milstolpe tillsammans med annan relevant information i sin loggbok. De insamlade uppgifterna vidarebefordras sedan till den underhållsingenjör som ansvarar för den aktuella sträckan för att planera reparationerna. 

Planeringen prioriteras utifrån felets allvarlighetsgrad. 

Behovet av manuell dataöverföring och schemaläggning ökar dock reparationstiden och höjer risken för urspårning. Vid manuell inspektion är dessutom den sträcka som hinner inspekteras per dag mycket begränsad, samtidigt som kostnaderna ökar och sannolikheten för att ett fel förblir oupptäckt stiger.

Att automatisera identifieringen av fel på järnvägsspåren kan dock fortfarande utgöra en utmaning. Vid fel såsom krossade skallar måste även deformationens djup identifieras. I ökenområden finns dessutom ett krav på att mäta höjden på sandavlagringar, medan vissa fel såsom trasiga räls och defekta rälsförband endast kan upptäckas med hjälp av datorseende.

LTTS:s TrackEi™-lösning 

TrackEi™ från L&T Technology Services (LTTS) är uppbyggt av modulära block och kan integreras för att skapa olika modeller utifrån slutkundens krav. Lösningen har två huvudsakliga bildsensorer: en höghastighetskamera för maskinvision och en 2D-laserprofilerare. 

TrackEi™ är utvecklat på NVIDIA Jetson-plattformen och kör lättviktiga modeller för förbättrad detekteringsprestanda i realtid. Maskinvisionskameran tar bilder av ytdefekterna på järnvägsspåret med en bildhastighet på mellan 0 och 50 bilder per sekund (fps). Bildhastigheten baseras på färdhastigheten och synfältets bredd. Alla inkommande bilder passerar, efter förbehandling, genom LTTS patenterade (ansökta) algoritm och den förtränade modellen för defektdetektering. 

När laserprofileraren är tillgänglig fortsätter TrackEi™ även att samla in laserbilddata. Dessa bearbetas dock endast om det datorvisionsbaserade systemet utlöser en defektdetektering, vilket säkerställer ett optimalt utnyttjande av CPU-/GPU-kapaciteten.

Om en defekt upptäcks sparas bilden och 2D-laserprofilerna tillsammans med hastighet, platsmarkör och annan relevant information som en rapportfil. Med tillgång till ett datanätverk överförs rapportfilen till molnplattformen. Molnappen utlöser även aviseringar till den registrerade personalen så att de kan vidta nödvändiga åtgärder efter att ha utvärderat defektens allvarlighetsgrad.

Framtidssäker med modellträning

TrackEi™ har ett inbyggt bildtagningsläge. När detta läge är aktiverat tar lösningen bilder och sparar dem i det interna minnet. Dataingenjörerna samlar in dessa inspelade bilder och utför datarensning och märkning. Modellerna tränas med hjälp av arbetsstationer med NVIDIA-grafikkort som Quadro P2000, A2000 och RTX3060. Grundlig forskning har resulterat i en optimal modell som ger bästa möjliga noggrannhet, precision och återhämtningsgrad. 

Här nedan redovisas de övergripande specifikationerna för^{TrackEi™-modellerna}:

NVIDIAs GPU:er spelar en avgörande roll för att möjliggöra LTTS^TrackEiTM:s avancerade funktioner. Genom att påskynda bildbearbetning, träning och analys bidrar dessa GPU:er till att säkerställa snabb upptäckt och åtgärdande av defekter på järnvägsspåren, vilket bidrar till en säkrare och mer tillförlitlig järnvägsdrift över hela världen.