Schwelle 3.0 – Einsatz von Methoden der Künstlichen Intelligenz für Aufgaben der Inspektion der DB-InfraGo
Schwelle 3.0 – Einsatz von Methoden der Künstlichen Intelligenz für Aufgaben der Inspektion der DB-InfraGo
Im Projekt Schwelle 3.0 untersucht das DLR-Institut für Verkehrssystemtechnik im Auftrag der Deutschen Bahn die Eignung künstlicher neuronaler Netze für die Erkennung von Rissen in Bestonschwellen.
Bahnschwellen unterliegen einer ständigen mechanischen Belastung durch Befahrung sowie der allgemeinen Witterung. Neben diesen beiden wesentlichen Belastungen gibt es eine Reihe weiterer Ursachen, die über die Zeit zu einem Verschleiß der Schwellen führen. Eine Ausprägung dieses Verschleißes sind Risse in den Schwellen. Mit zunehmender Anzahl und Ausprägung der Risse einer Schwelle degeneriert die Integrität der Schwelle und beeinträchtigt die Funktionalität sowie die Sicherheit des Bahnbetriebs. Daher muss der Zustand jeder einzelnen Schwelle, das sind im Netz der DB rund 54 Mio. Stück, regelmäßig erfasst und bewertet werden. Dies kann unter großem Aufwand durch eine von einem Menschen durchgeführte visuelle Inspektion erfolgen.
Im Projekt Schwelle 3.0 wird untersucht, wie moderne Algorithmen des maschinellen Lernens, sogenannte Convolutional Neural Networks (CNN) im Regelbetrieb der Schwelleninspektion zum Einsatz kommen können. Dabei stehen neben der reinen Entwicklung und Umsetzung der Algorithmen auch Abläufe und Prozesse der Qualitätssicherung im Fokus. Streckenverantwortliche sichten die Ergebnisse der Risserkennung, identifizieren Abweichungen und tragen damit neue Trainingsdaten zusammen, sodass ein lernendes System entsteht.
