AIFRI - Artificial Intelligence for Rail Inspection

  • Verlegte Eisenbahnschienen werden mit Schienenprüfzügen, die mit zerstörungsfreier Ultraschall- und Wirbelstromprüftechnik ausgerüstet sind, auf Schienenfehler geprüft. Im Rahmen des mFund-geförderten Projektes AIFRI wurden von der TU Berlin KI-Algorithmen entwickelt, die die Prüfer bei der Auswertung der Daten unterstützen. Felddaten von realen Prüffahrten sind für das Training der KI ungeeignet, da es einerseits kaum Defekte in den Schienen gibt, die sich mit Ultraschall detektieren lassen, andererseits bei der Wirbelstromprüfung zahlreiche Oberflächeneffekte unbekannter Ursache angezeigt werden. Die Aufgabe der BAM bestand darin, durch Simulation gelabelte Trainingsdaten für die KI zu generieren. Während die mit simulierten Daten trainierte KI bei der Ultraschallprüfung eine gute Performance aufweist, sofern der Sim2Real-Gap durch Addition realitätsnaher Rauschsignaturen zu den simulierten Trainingsdaten minimiert wird, erwies sich die verwendete KI bei der WirbelstromprüfungVerlegte Eisenbahnschienen werden mit Schienenprüfzügen, die mit zerstörungsfreier Ultraschall- und Wirbelstromprüftechnik ausgerüstet sind, auf Schienenfehler geprüft. Im Rahmen des mFund-geförderten Projektes AIFRI wurden von der TU Berlin KI-Algorithmen entwickelt, die die Prüfer bei der Auswertung der Daten unterstützen. Felddaten von realen Prüffahrten sind für das Training der KI ungeeignet, da es einerseits kaum Defekte in den Schienen gibt, die sich mit Ultraschall detektieren lassen, andererseits bei der Wirbelstromprüfung zahlreiche Oberflächeneffekte unbekannter Ursache angezeigt werden. Die Aufgabe der BAM bestand darin, durch Simulation gelabelte Trainingsdaten für die KI zu generieren. Während die mit simulierten Daten trainierte KI bei der Ultraschallprüfung eine gute Performance aufweist, sofern der Sim2Real-Gap durch Addition realitätsnaher Rauschsignaturen zu den simulierten Trainingsdaten minimiert wird, erwies sich die verwendete KI bei der Wirbelstromprüfung aufgrund zu vieler Falsch-Positives als ungeeignet. Die Ursache liegt vermutlich darin, dass aufgrund der großen Vielfalt von teils unbekannten Oberflächeneffekten nur eine kleine Auswahl simuliert werden konnte und die KI bei untrainierten Signalsignaturen halluziniert.zeige mehrzeige weniger

Volltext Dateien herunterladen

  • AIFRI AI Symposium 2025.pdf
    eng

Metadaten exportieren

Weitere Dienste

Suche bei Google Scholar Anzahl der Zugriffe auf dieses Dokument
Metadaten
Autor*innen:Ralf CaspersonORCiD
Dokumenttyp:Vortrag
Veröffentlichungsform:Präsentation
Sprache:Englisch
Jahr der Erstveröffentlichung:2025
Organisationseinheit der BAM:8 Zerstörungsfreie Prüfung
8 Zerstörungsfreie Prüfung / 8.4 Akustische und elektromagnetische Verfahren
DDC-Klassifikation:Technik, Medizin, angewandte Wissenschaften / Ingenieurwissenschaften / Ingenieurwissenschaften und zugeordnete Tätigkeiten
Technik, Medizin, angewandte Wissenschaften / Ingenieurwissenschaften / Ingenieurbau
Freie Schlagwörter:Artificial intelligence; Eddy current testing; Non-destructive testing; Railway rail inspection; Sim2real gap; Simulation; Ultrasonic testing
Themenfelder/Aktivitätsfelder der BAM:Infrastruktur
Infrastruktur / Verkehrsinfrastrukturen
Material
Material / Degradationsmechanismen
Veranstaltung:AI/ML Symposium
Veranstaltungsort:Berlin, Germany
Beginndatum der Veranstaltung:06.11.2025
Verfügbarkeit des Dokuments:Datei im Netzwerk der BAM verfügbar ("Closed Access")
Datum der Freischaltung:11.11.2025
Referierte Publikation:Nein
Eingeladener Vortrag (wissenschaftliche Konferenzen):Nein
Einverstanden
Diese Webseite verwendet technisch erforderliche Session-Cookies. Durch die weitere Nutzung der Webseite stimmen Sie diesem zu. Unsere Datenschutzerklärung finden Sie hier.