| Title: |
KI-basierte Analyse von Schienenprüfdaten zur Fehlerdetektion, Fehlerbewertung und Optimierung der Instandhaltungsplanung (AIFRI) ; Abschlussbericht mFUND-Projekt AIFRI - Artificial Intelligence For Rail Inspection |
| Authors: |
Selch, Maximilian; Simroth, Axel; Heckel, Thomas; Casperson, Ralf; Zhang, Tianyun; Friedrich, Alexander; Olm, Georg; Hartmann, Timo; Vrana, Johannes; Kanzler, Daniel; Engel, Peter; Tenczynski, Lukasz; Fieber, Mike |
| Publisher Information: |
Technische Informationsbibliothek |
| Publication Year: |
2025 |
| Subject Terms: |
ddc:000; ddc:500; ddc:600; Künstliche Intelligenz; Datengetriebene Instandhaltung; Instandhaltung Schieneninfrastruktur; Schienenprüfung; Auswertung Prüfdaten |
| Description: |
Das Schienennetz in Deutschland ist in vielen Teilen hoch ausgelastet und gilt auf einigen Korridoren bereits als überlastet. Zusätzlich zu den daraus ohnehin resultierenden Verschleißerscheinungen kann es bei Schienen zu frühzeitigen Ausfällen kommen, wenn sich aus kleinen initialen Schäden große Defekte entwickeln. Dies kann durch zielgerichtete Instandhaltungsmaßnahmen verhindert werden. Dazu ist es erforderlich, den Zustand der Schienen effizient und zuverlässig zu überprüfen. Neben der Überwachung der Gleisgeometrie und der Fahrdrahtmessung wird daher auch die Schiene hinsichtlich ihrer Materialbeschaffenheit auf Unregelmäßigkeiten geprüft. Um das jährliche Volumen von knapp 90000 zu inspizierenden Gleis-Kilometern in der Schienenprüfung zu bewältigen, kommen spezielle Prüfzüge zum Einsatz. An diesen Zügen sind Ultraschall- und Wirbelstromsensoren installiert. Die hierbei aufgezeichneten Sensordaten dienen als Grundlage der Untersuchung auf Schädigungen der Gleise. Der Prozess der Datenauswertung in der Schienenprüfung läuft jedoch derzeit nur in Teilen automatisiert ab. Die aufgenommenen Prüfdaten werden überwiegend manuell gesichtet. Bei einer nachgelagerten Handprüfung am betreffenden Schienenabschnitt stellen sich oftmals in den Daten vermutete Defekte als unbegründet heraus. Vor dem Hintergrund einer angespannten Personalsituation in der Auswertung von Schienenprüfdaten und einer großen Anzahl an falsch positiv erkannten Defekten muss nach effizienteren Lösungen im Auswertungsprozess der Daten gesucht werden. So kann auch langfristig die Schienenprüfung in der geforderten Qualität und Zuverlässigkeit durchgeführt werden. Um diese Situation zu verbessern, wurde im Zeitraum von Dezember 2021 bis Mai 2025 das Projekt AIFRI durchgeführt. Hier wurde eine Methode entwickelt, mit der Schienenprüfdaten mittels künstlicher Intelligenz ausgewertet und Schienenfehler detektiert und bewertet werden können. Des Weiteren wurde ein Konzept zur Optimierung der Instandhaltungsplanung erstellt. Gleichzeitig wurden ... |
| Document Type: |
report |
| File Description: |
application/pdf |
| Language: |
German |
| Relation: |
https://oa.tib.eu/renate/handle/123456789/27432; https://doi.org/10.34657/26663 |
| DOI: |
10.34657/26663 |
| Availability: |
https://oa.tib.eu/renate/handle/123456789/27432; https://doi.org/10.34657/26663 |
| Rights: |
Creative Commons Attribution-NonDerivs 3.0 Germany ; https://creativecommons.org/licenses/by-nd/3.0/de/ ; frei zugänglich |
| Accession Number: |
edsbas.948EF637 |
| Database: |
BASE |