OnboardEU – mit KI Schäden am Gleis automatisch erkennen
OnboardEU – mit KI Schäden am Gleis automatisch erkennen
Mit dem Projekt OnboardEU hat das DLR es sich zum Ziel gesetzt, leisere und effizientere Straßenbahnen zu entwickeln. Dabei helfen sollen die automatische Detektion von Schäden an den Schienen und dem Gleisoberbau mit Hilfe geeigneter KI-Verfahren sowie eine Lärmkartierung für die zielgerichtete Ergreifung von Gegenmaßnahmen.
Straßenbahnen sind stark frequentierte öffentliche Verkehrsmittel, die auch durch eng bewohnte Stadtbezirke fahren. Besonders störend empfinden Fahrgäste und Einwohner dabei meist Lärm und Erschütterungen, die durch Schäden an den Gleisen verursacht werden. Darüber hinaus bedeuten die Schäden höhere Kosten für die Fahrzeugbetreibenden. Hier setzt das Projekt OnboardEU an, in dem das Deutsche Zentrum für Luft- und Raumfahrt (DLR) gemeinsam mit dem AIT Austrian Institute of Technology GmbH, Wien, und der i4M technologies GmbH, Aachen, Lösungen für eine automatische Erkennung der Schäden mittels KI entwickelt. Das Projekt wird im Rahmen der Innovationsinitiative mFUND durch das Bundesministerium für Digitales und Verkehr (BMDV) mit rund 760.000 Euro über den Zeitraum von drei Jahren bis Ende 2024 gefördert.
„Ziel des Projekts ist die Erforschung geeigneter KI-Verfahren für die automatische Detektion von Schäden an den Schienen und dem Gleisoberbau. Dafür werden wir die dynamischen Fahrzeugreaktionen im laufenden Betrieb kontinuierlich erfassen und bereits auf dem Fahrzeug mit KI-Verfahren auswerten“, erklärt Projektkoordinator Dr. Jörn Groos vom DLR-Institut für Verkehrssystemtechnik. „Außerdem arbeiten wir an einer sogenannten Lärmkartierung. Anhand derer können wir Streckenabschnitte mit besonders starken Lärmemissionen für die zielgerichtete Ergreifung von Gegenmaßnahmen aufdecken.“
Für OnboardEU statten die Forschenden zwölf Fahrzeuge in verschiedenen europäischen Städten (unter anderem Hannover und Düsseldorf) mit Onboard-Messsystemen mit der Fähigkeit zum Edge-Computing aus. Diese Systeme erfassen Signale von Beschleunigungssensoren (Vibrationen/Erschütterungen) und Mikrofonen (Direktschall/Lärm) im Bereich des Rad-Schiene-Kontakts. Die erhobenen Messdaten können sie mittels einer kartengestützten Verknüpfung mehrerer Sensoren gleisgenau lokalisieren. Anhand der gesammelten Vibro-Akustikdaten sowie ergänzenden Erhebungen des Streckenzustands (zum Beispiel erkennbaren Schäden an den Schienen wie Riffel) erfolgt die Entwicklung und Erprobung von KI-Algorithmen. Eine zentrale Herausforderung ist die Entwicklung robuster automatischer Auswerteverfahren für die sehr komplexen und anspruchsvollen Messdaten. Die vollautomatische Auswertung soll zukünftig eine aufwandsarme und kostengünstige Zustandsüberwachung im laufenden Betrieb ermöglichen.
Es wird angestrebt, die Entwicklung entsprechender KI-Verfahren über das Projekt und die Projektpartner hinaus zu unterstützen. Ein weiteres Ziel von OnboardEU ist daher die Erstellung eines für alle Akteure offenen Trainingsdatenkatalogs. Dieser steht nach Abschluss des Projektes im Mai 2025 über die mCLOUD bereit. „Vielfältige und umfassende Datensätze sind die Voraussetzung für das erfolgreiche Training zuverlässiger und robuster KI-Ansätze. Die Verfügbarkeit entsprechender offener Datensätze fördert die einsatzreife Umsetzung und damit breite Anwendung entsprechender Ansätze in der Praxis“, betont Groos.
Die i4M technologies GmbH entwickelt und fertigt die Onboard-Messsysteme inklusive der zugehörigen Sensorik. Der Fokus liegt hierbei darauf, die Messsysteme derart zu gestalten, dass KI-Algorithmen die eintreffenden Sensordaten auf dem Zug in Echtzeit analysieren können. Somit kann eine signifikante Datenreduzierung von Big-Data hin zu Smart-Data realisiert werden.
Der Bereich Transportation Infrastructure Technologies am AIT übernimmt im Projekt die Aufgabe des überwachten maschinellen Lernens um anhand von Schall- und Vibrationsdaten automatisch Gleisfehlstellen zu detektieren. Gleichzeitig soll durch Vorbeifahrtsmessungen die Schallausbreitung verschiedener Fahrzeuge und Betriebsbedingungen untersucht werden, um die Kartierung von Lärm durch Straßenbahnen zu unterstützen.
Das DLR-Institut für Verkehrssystemtechnik übernimmt im Projekt die Aufgabe, die gleisgenaue Georeferenzierung umzusetzen einschließlich der Bereitstellung als open source Software. Außerdem entwickeln die Wissenschaftlerinnen und Wissenschaftler maschinelle Lernverfahren, insbesondere im Bereich des unüberwachten Lernens und bereiten den Trainingsdatensatz auf.
Über das Förderprogramm mFUND des BMDV
Im Rahmen des Förderprogramms mFUND unterstützt das BMDV seit 2016 Forschungs- und Entwicklungsprojekte rund um datenbasierte digitale Innovationen für die Mobilität 4.0. Die Projektförderung wird ergänzt durch eine aktive fachliche Vernetzung zwischen Akteuren aus Politik, Wirtschaft, Verwaltung und Forschung und die Bereitstellung von offenen Daten auf dem Portal mCLOUD. Weitere Informationen finden Sie unter www.mfund.de.