Filtern
Dokumenttyp
- Beitrag zu einem Tagungsband (6)
- Vortrag (6)
- Zeitschriftenartikel (2)
- Posterpräsentation (1)
Referierte Publikation
- nein (15)
Schlagworte
- Schienenprüfung (15) (entfernen)
Organisationseinheit der BAM
Eingeladener Vortrag
- nein (6)
Im Rahmen des Forschungsprojekts "Artificial Intelligence for Rail Inspection" (AIFRI) wird ein KI-Algorithmus entwickelt, um die Fehlererkennung und Bewertung bei der Auswertung von Schienenprüfungen mittels Ultraschall- und Wirbelstromprüfverfahren zu verbessern. Je nach Prüfverfahren werden relevante Schienenschädigungen (z. B. Head Checks) und Artefakte (z. B. Bohrungen) entsprechend analysiert und in einem parametrisierbaren digitalen Zwilling abgebildet, um anschließend die KI-Algorithmen trainieren zu können. Mit der Simulation können Prüffahrten virtuell durchgeführt und Schadensbilder für das KI-Training erzeugt werden, die das Verhalten komplexer Systeme reproduzieren, ohne dass das reale System benötigt wird. Die Modellannahmen sind dabei von erheblicher Bedeutung, denn unzureichende Modellannahmen führen leicht zu falschen Simulationsergebnissen. Um die Ergebnisse einer Simulation ordnungsgemäß darstellen zu können, ist das Simulationsmodell selbst zu überprüfen.
Die Vollständigkeit, Richtigkeit und Genauigkeit der Simulationsergebnisse werden anhand von realen Prüfungen verifiziert. Für die Verifikation der Ultraschallsimulation werden hier Stegbohrungen als Referenzreflektoren herangezogen. Als Testkörper stehen Schienensegmente mit unterschiedlichen Profiltypen sowie speziell angefertigte Testkörper mit schienenähnlicher Geometrie zur Verfügung. In den Testkörpern befinden sich künstliche und reale Schädigungen in Kopf-, Steg- und Fußbereich, sowie Bohrungen mit Nuten. Die Validierung der Wirbelstromsimulation erfolgt an Testkörpern, die aus Schienenköpfen gefertigt sind. Dabei werden die Signale für unterschiedliche Nuttiefen und Nutenpaare mit unterschiedlichen Abständen untersucht.
Für die Modellierung der Simulationsergebnisse verweisen wir auf das ebenfalls eingereichte Poster „Simulation von Ultraschall- und Wirbelstromprüfdaten für die Schienenprüfung“.
Das Projekt AIFRI wird im Rahmen der Innovationsinitiative mFUND unter dem Förderkennzeichen 19FS2014 durch das Bundesministerium für Digitales und Verkehr gefördert.
Im Rahmen des Forschungsprojekts "Artificial Intelligence for Rail Inspection" (AIFRI) wird ein KI-Algorithmus entwickelt, um die Fehlererkennung bei der Auswertung von Schienenprüfungen zu verbessern. Der Prozess der mechanisierten Schienenprüfung wird analysiert und die Schienenfehler sowie Artefakte werden in einem digitalen Zwilling abgebildet, um in einem weiteren Schritt die automatische Fehlererkennung und Klassifizierung mit KI-Algorithmen trainieren zu können. Zu diesem Zweck werden Ultraschalldatensätze auf der Grundlage der Regelwerke und Informationen aus der Instandhaltung mit einer Simulationssoftware erstellt, die Anzeigen der verschiedenen Schienenschädigungen und Artefakte enthalten.
Die Schienenfehler werden bei der Auswertung in Fehlerklassen eingeordnet, für das KI-Training priorisiert und auf Basis der von der DB Netz AG ausgewählten Informationen untersucht. Hierfür werden die Schienenfehler nach den für das KI-Training relevanten Merkmalen zerlegt und die Konfiguration der Parameter der Simulation entsprechend abgestimmt.
Für die Grundstruktur des Datensatzes wird ein Schienenmodell mit einer Länge von einem Meter für die Simulation eingesetzt, auf dessen Basis alle bei der Schienenprüfung zu verwendenden Prüfköpfe für den jeweiligen Reflektortyp betrachtet werden. Die simulierten Daten werden auf einer Testschiene im Labormaßstab validiert. Mögliche Einflussparameter wie z. B. der Signal-Rausch-Abstand sowie die Fahrgeschwindigkeit werden in den Datensätzen herangezogen. Die Zusammenstellung eines Testdatensatzes mit lokal veränderlichen Einflussgrößen erfolgt aus den simulierten Daten unter Verwendung der skriptbasierten Programmierumgebung Python und Matlab.
Das Projekt AIFRI wird im Rahmen der Innovationsinitiative mFUND unter dem Förderkennzeichen 19FS2014 durch das Bundesministerium für Digitales und Verkehr gefördert.
Im Rahmen des Forschungsvorhabens AIFRI „Arteficial Intelligence for Rail Inspection“ wird der Prozess der mechanisierten Schienenprüfung in einem digitalen Zwilling abgebildet, um in einem zweiten Schritt mit KI-Algorithmen eine automatisierte Defekterkennung und -klassifizierung trainieren zu können. Hierzu werden relevante Schienenschädigungen und in der Schiene vorhandene Artefakte analysiert und in skalierbare Modelle übertragen.
Die Norm DIN EN 16729-1 „Bahnanwendungen - Infrastruktur - Zerstörungsfreie Prüfung an Schienen im Gleis - Teil 1: Anforderungen an Ultraschallprüfungen und Bewertungsgrundlagen“ gilt für die Prüfausrüstung von Schienenprüffahrzeugen und handgeführten Rollgeräten und legt die Anforderungen an die Prüfgrundsätze und -systeme bei der Prüfung verlegter Eisenbahnschienen fest, um vergleichbare Ergebnisse in Bezug auf Lage, Art und Größe der Unregelmäßigkeiten in den Schienen zu erhalten.
Um die Performance von Prüfsystemen in der Simulation zu evaluieren, wurden die in den Anhängen der DIN EN 16729-1 angegebenen Bezugsreflektoren als künstliche Reflektoren (nach Anhang A) und simulierte Reflektoren (nach Anhang B) in einem digitalen Zwilling mit einem Schienenprofil 54E4 nach DIN EN 13674-1 sowie mit vereinfachter Geometrie als virtuelle Testschienen abgebildet.
Die Simulationen wurden mit den in den Tabellen 3 und 4 nach DIN EN 16729-1 definierten Prüfkopfwinkeln durchgeführt. Die Rechnungen wurden im Labormaßstab an Testkörpern verifiziert und die Signal-Rausch-Abstände für Untersuchungen im Feld ermittelt.
Ergebnisse der Untersuchungen und Möglichkeiten der Anwendung werden vorgestellt.
Das Forschungsvorhaben wird durch das Bundesministerium für Verkehr und digitale Infrastruktur (BMVI) im Rahmen von mFund unter dem Förderkennzeichen 19FS2014 gefördert.
Using a rail-inspection train, the Deutsche Bahn's system of railroads is continuously checked for traffic-induced defects. Until now, only ultrasonic inspection was used. In addition, eddy-current inspection could successfully and efficiently be used to detect and evaluate certain surface cracks - so-called head checks. There have already been reports about laboratory tests which proved the general suitability of this test method [1,2]. The next step - described here - consisted of practical trials under real-life conditions. A test system which is able to fulfil the strict requirements (test speeds of up to 100 km/h, complex probe guidance, suppression of electrical and mechanical interference, recording of data, filtering and evaluation of data) was developed. As part of the rail-inspection train and as a manual system, this inspection system was successfully tested on the Deutsche Bahn's system of railroads under real-life conditions.
Die zerstörungsfreie Prüfung von Eisenbahnschienen wird mit Schienenprüfzügen durchgeführt. In den Prüfsystemen liegen alle Messdaten und Ortskoordinaten in digitaler Form vor. Mithilfe einer automatisierten Auswertung und Standardisierung der Datenformate ist eine Einbindung der Prüfergebnisse in Instandhaltungskonzepte möglich, die auf den Ideen von Industrie 4.0 bzw. Bahn 4.0 basieren. Für die Erhöhung der passiven Sicherheit der Komponente Schiene durch die automatisierte Klassifizierung von Anzeigen, deren Bewertung und Verortung kann eine moderne zerstörungsfreie Prüfung einen signifikanten Beitrag leisten. Dieser Grundgedanke wurde bereits bei der technischen Auslegung der Prüfsysteme in den Schienenprüfzügen berücksichtigt. In diesem Vortrag wird dargestellt, welche Möglichkeiten die installierte Technik bereits heute bereitstellt und welche Synergien mit einer automatisierten auf bildgebenden Methoden basierenden Bewertung in Zukunft möglich sind.
Bei der zerstörungsfreien Prüfung verlegter Eisenbahnschienen werden die Rohdaten derzeit in proprietären Datenformaten gespeichert und auf Datenträgern zwischen den Prüfzügen und den auswertenden Stellen versendet. Die proprietären Datenformate sind in der Regel nur den Herstellern der Prüfsysteme bekannt und deren Dokumentation nicht allgemein zugänglich.
Die „Standard Practice for Digital Imaging and Communication in Nondestructive Evaluation“ (DICONDE), basierend auf dem medizinischen Standard „Digital Imaging and Communication in Medicine“ (DICOM), ermöglicht es, sowohl Prüfdaten als auch Prüfergebnisse und Streckeninformationen in einem standardisierten Format zu speichern und zwischen verschiedenen Endpunkten zu übertragen.
Das Poster gibt zunächst einen kurzen Überblick über die hierarchische Struktur von DICONDE und zeigt dann, wie DICONDE bei der Prüfung verlegter Eisenbahnschienen verwendet werden kann. Die geometrischen Besonderheiten (mehrere Kilometer Länge pro Prüffahrt, kurviger Streckenverlauf) stellen dabei eine besondere Herausforderung dar. Im Rahmen des mFUND-geförderten Projektes „Arteficial Intelligence for Railway Inspection (AIFRI)“, Förderkennzeichen 19FS2014C, wurde ein Vorschlag für eine Erweiterung des DICONDE-Standards für die Schienenprüfung erarbeitet und bei der ASTM eingereicht.
Bei der zerstörungsfreien Prüfung verlegter Eisenbahnschienen werden die Rohdaten derzeit in proprietären Datenformaten gespeichert und auf Datenträgern zwischen den Prüfzügen und den auswertenden Stellen versendet. Die proprietären Datenformate sind in der Regel nur den Herstellern der Prüfsysteme bekannt und deren Dokumentation nicht allgemein zugänglich.
Die „Standard Practice for Digital Imaging and Communication in Nondestructive Evaluation“ (DICONDE), basierend auf dem medizinischen Standard „Digital Imaging and Communication in Medicine“ (DICOM), ermöglicht es, sowohl Prüfdaten als auch Prüfergebnisse und Streckeninformationen in einem standardisierten Format zu speichern und zwischen verschiedenen Endpunkten zu übertragen.
Das Poster gibt zunächst einen kurzen Überblick über die hierarchische Struktur von DICONDE und zeigt dann, wie DICONDE bei der Prüfung verlegter Eisenbahnschienen verwendet werden kann. Die geometrischen Besonderheiten (mehrere Kilometer Länge pro Prüffahrt, kurviger Streckenverlauf) stellen dabei eine besondere Herausforderung dar. Im Rahmen des mFUND-geförderten Projektes „Arteficial Intelligence for Railway Inspection (AIFRI)“, Förderkennzeichen 19FS2014C, wurde ein Vorschlag für eine Erweiterung des DICONDE-Standards für die Schienenprüfung erarbeitet und bei der ASTM eingereicht.