ESPEK
Erkennung von Schadmustern an Personenverkehrszügen und Evaluierung der Konfidenz zur Auswahl robuster Features für „Predictive Maintenance“
Projekt ESPEK - Erkennung von Schadmustern an Personenverkehrszügen und Evaluierung der Konfidenz zur Auswahl robuster Features für „Predictive Maintenance“
Copyright: © Projektlogo ESP
Im Rahmen des Projekts ESPEK sollen Häufigkeit, Impact und damit Relevanz bestimmter Schäden an verbreiteten Waggontypen analysiert und basierend darauf im Rahmen eines Konzepts "KI-gestützte Wartung" praxistaugliche, datenbasierte, KI-gestützte EDV-Lösungen (Hard-/Software) entwickelt werden, um Schäden an ausgewählten Personenwaggons automatisiert während der Vorbeifahrt zu erkennen. Dadurch werden Wartungsvorgänge effizienter gestaltet. Übergeordnet werden die Sicherheit der Fahrgäste erhöht, Ausfall- und Standzeiten reduziert, was zur besseren Auslastung des Systems Schiene beiträgt.
Copyright: © TH Wildau
Aktuelles
Kick-off des Projektes am 22. August 2023
Zum Start des mFUND Projekts ESPEK stellen sich die beteiligten Partner TH Wildau, TelcoTech und RWS sowie deren Mitarbeitende dem Projektträger und dem Bundesministerium für Digitales und Verkehr vor und informieren über Themen zu Verkehr, Mobilität und Digitales. BMDV vor und erläutern ihre Teilaufgaben, Ziele, die zu erwartenden Ergebnisse und zukünftigen Verwertungen.
Interesssierte waren eingeladen, an der Online-Konferenz teilzunehmen.
Projektumriss
Hintergrund und ProblemstellungBereich öffnenBereich schließen
Personenverkehrszüge werden in den meisten Werkstätten bis auf wenige Ausnahmen (z.B. ICE) manuell inspiziert, bestenfalls können installierte Sensoren/Datenspeicher ausgelesen werden. Eine automatische Schaderkennung durch KI-gestützte computervisuelle Techniken vor bzw. während der Einfahrt in die Werkshalle kann Wartungsvorgänge beschleunigen, für mehr Sicherheit sorgen und die frühzeitige Planung von Arbeitsaufträgen und Allokation von Ressourcen ermöglichen, was die Durchlaufzeiten der Instandhaltung verkürzt.
ZielBereich öffnenBereich schließen
Schäden an einlaufenden Personenzügen sollen mittels Kameratechnik robust erkannt werden.
Insbesondere sich oft am Zug wiederholende, sicherheitsrelevante und wichtige/tragende Bauteile und Verbindungen sollen auf ihr Potential zur automatisierten computergestützten Untersuchung hin überprüft werden. Neben dem gezielten KI-Training an einzelnen Schadklassen (mittels Deep Machine Learning), wofür umfangreiche Bilddaten gesammelt werden, sollen durch den Einsatz von generativen KIs, auch bisher undokumentierte oder neuartige Schadmuster als Anomalie erkannt werden.
Projektbeteiligte / -partnerBereich öffnenBereich schließen
Verbundkoordinator
Technische Hochschule Wildau
FG SiPro (Sichere Prozesse) / FB INW
Projektpartner
MittelgeberBereich öffnenBereich schließen
Das Forschungsprojekt ESPEK wird im Rahmen des Förderporgramms mFUND vom Bundesministerium für Digitales und Verkehr i.H.v. 167.027,38 € gefördert.
Weiterführende Informationen und ProjektergebnisseBereich öffnenBereich schließen
Im Kontext der Dekarbonisierung gewinnt die Schiene an Bedeutung, weshalb Waggons für Regional- und Fernverkehr in Stand gesetzt bzw. überholt werden und erhöhtes Wartungsaufkommen entsteht. Bisher werden diese Arbeiten überwiegend manuell verrichtet. Während es für Güterwaggons und ICE bereits Konzepte und Produkte zur Automatisierung gibt, unterscheidet sich die Masse momentan eingesetzter Personenwaggons signifikant, weshalb die Anwendungen nicht trivial übertragbar sind.
Die TH Wildau übernimmt die Analyse des Automatisierungspotentials. Davon ausgehend wird sie Hardware/Software-Designs vorschlagen, trainieren und optimieren mit denen ausgewählte Schadfälle erfasst und hochgenau vermessen werden können. Für den Komplex „Scheibenbremsen/Bremsbeläge/Rad-Welle-Verbindung“ soll eine integrierte im Gleis platzierbare Lösung entwickelt werden. Für an verschiedenen Baugruppen auftretende Schadmuster (sich lösende Schraubverbindungen am Radsatz, Federbrüche oder Verschmutzungen/Ölablagerungen), sollen generalisierte Lösungen entstehen. Besonders innovativ ist die Untersuchung der panorama-basierten, ganzheitlichen Anomaliedetektion mittels einer selbstlernenden KI, die auf Gesundmodell-Daten trainiert wird. Die Lösungen werden am realen Zug getestet und abschließend bewertet und der Öffentlichkeit präsentiert.
Veröffentlichungen, Presse und WissenstransferBereich öffnenBereich schließen
tba
