Filtern
Dokumenttyp
- Vortrag (17) (entfernen)
Referierte Publikation
- nein (17)
Schlagworte
- Simulation (17) (entfernen)
Organisationseinheit der BAM
- 8 Zerstörungsfreie Prüfung (17) (entfernen)
Eingeladener Vortrag
- nein (17)
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. Die Bandbreite möglicher Defekte und die Menge an Einflussgrößen auf die Schienenprüfung ist sehr groß, aber die Prüfdaten aus dem Feld bilden diese Bandbreite nicht balanciert ab und sind unzureichend gelabelt. Durch Simulationen werden große Mengen detailliert gelabelter Daten für relevante Schienenschädigungen und Artefakte bereitgestellt. Aus diesen Daten werden wiederum virtuellen Prüffahrten erstellt, die für das Training und die Validierung der KI genutzt werden können.
In unserem Vortrag stellen wir den Erstellungsprozess der Datensätze vor. Jeder Schritt von der Geometriedarstellung bis zur Datenverarbeitung wird erfasst. Der Fokus wird auf Simulationsergebnisse und deren Verarbeitung gelegt. Die Signalverarbeitung spielt in den Datensätzen eine große Rolle, dabei werden die Datensätze an die realen Daten angepasst. Für Wirbelstrom und Ultraschall werden diese Prozesse im Hinblick auf die Fehlertypen Head Checks und Bohrungsanrisse veranschaulicht. Ferner diskutieren wir die Simulation von Schweißnähten, die von beiden Prüfsystem detektiert werden können; und somit besondere Abstimmung bedürfen aber auch Synergieeffekte zwischen den Prüfsystem ermöglichen.
Für die Ablage der Datensätze verweisen wir auf das ebenfalls eingereichte Poster „Verwendung von DICONDE bei der Eisenbahn-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 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.
The project series CTSimU was initiated with the goal to develop a set of procedures to enable the determination of the task-specific measurement uncertainty of a CT system numerically by radiographic simulation. The first project (2019-2022) “Radiographic Computed Tomography Simulation for Measurement Uncertainty Evaluation - CTSimU” was focused on the sufficient physical correctness of the radiographic simulation and created as a result a test framework for simulation softwares and a draft of a VDI standard in the series VDI/VDE 2630 for this application. However, for the realistic simulation of a CT system in a simulation software (i.e. a digital twin), not only the correctness of the simulation software itself is crucial, but also the quality of the parameterization of the CT system in the simulation software - this represents the starting point of the 2nd project “Realistic Simulation of real CT systems with a basic-qualified Simulation Software - CTSimU2” (2022-2024).
The parameterization of a CT system in a simulation software can be divided into four steps: after the data acquisition at the real CT system (step 1) follows the evaluation of the acquired data for the generation of general parameter specifications (step 2). It follows the transfer of the parameters into the specific simulation software (step 3) and the validation of the resulting simulation parameters by a suitable test (step 4). The intended result of the project CTSimU2 is a draft VDI standard (for VDI/VDE 2630) for this test, which contains an informative annex on the state of the art regarding the possibilities for parameter determination.
Die Entwicklung von Werkzeugen zur realitätsnahen Nachbildung eines industriellen CT-Systems in einer Simulationssoftware ist derzeit Hauptaufgabe des WIPANO Forschungsprojektes CTSimU2 Realistische Simulation realer Röntgencomputertomografie - Systeme mit basisqualifizierter Simulationssoftware. Als Voraussetzung dienen dabei Simulationssoftwares, die durch das Testframework aus dem Vorprojekt CTSimU1 basisqualifiziert wurden. Das Testframework testet die hinreichende physikalische Korrektheit und Funktionalität einer Simulationssoftware (Basisqualifizierung der Software). Für eine realitätsnahe Nachbildung ist nicht nur die Güte der Simulationssoftware, sondern insbesondere die Güte der Parametrisierung des realen CT-Systems in der Simulationssoftware ausschlaggebend. Dabei kann das Vorgehen der Parametrisierung in vier Schritte unterteilt werden: die Datenaufnahme am realen CT-System (Schritt 1), die Auswertung der aufgenommenen Daten für die Generierung allgemeiner Parameterangaben (Schritt 2), die Übertragung der Parameter in die spezifischen Simulationssoftwares (Schritt 3) und die Validierung der resultierenden Simulationsparameter durch einen geeigneten Test (Schritt 4). Ziel des Projektes ist es daher neben der Erarbeitung eines Werkzeugkastens mit allgemeinen Methoden zur Datenaufnahme und Auswertung der Daten, die Entwicklung eines Tests, auf dessen Basis die ausreichend korrekte Simulation einer realen Anlage beurteilt werden kann. Die erarbeiteten Ergebnisse sollen wie bereits im Vorprojekt CTSimU1 in einen Richtlinienentwurf für die Richtlinienreihe VDI/VDE 2630 übertragen werden. Dieser Beitrag soll einen Überblick über das Projekt und die ersten Ergebnisse geben.
Structural Health Monitoring (SHM) mittels geführter Ultraschallwellen ermöglicht eine kontinuierliche Überwachung komplexer Bauteile und liefert umfangreiche Informationen über deren strukturelle Integrität. Die aufgezeichneten Signale sind jedoch komplex und werden daher zunehmend mittels KI verarbeitet, um Anomalien in der Systemintegrität automatisch zu erkennen. Eine Herausforderung dabei ist jedoch das Trainieren solcher KI-Modelle, da dafür große Mengen an Trainingsdaten inklusive diverser Schadensfälle benötigt werden, um eine hohe Genauigkeit und Zuverlässigkeit zu gewährleisten. Experimentelle Generierung dieser Daten ist wegen des enormen Zeit- und Kostenaufwands nicht möglich.
Eine Alternative hierfür bieten die numerischen Simulationen, da dadurch Trainingsdaten für beliebige Anzahl an Schadenskonfigurationen erzeugt werden können. Das Hauptproblem dabei ist jedoch die Abweichung zwischen den experimentellen und simulierten Daten (durch z.B. Abweichungen bei der Geometrie, Randbedingungen oder Materialparameter). Um diese Abweichungen zu reduzieren bzw. zu eliminieren, wird ein KI-Modell mit einer Autoencoder-Decoder Architektur vorgestellt, die mittels eines Experiments kalibriert werden kann und anschließend in der Lage ist, die Genauigkeit der Simulationsergebnisse nachträglich zu erhöhen.
The present work is part of the AIFRI project (Artificial Intelligence For Rail Inspection), where we and our project partners train a neural network for defect detection and classification. Our goal at BAM is to generate artificial ultrasound and eddy current training data for the A.I. This paper has an exploratory nature, where we focus on the simulation of eddy current signals for head check cracks, one of the most important rail surface defects. The goal of this paper is twofold. On the one hand, we present our general simulation setup. This includes geometric models for head check cracks with features like branching and direction change, a model for the HC10 rail testing probe, and the configuration of the Faraday simulation software.
On the other hand, we use the Faraday software to simulate eddy current testing signals with a strong focus on the influence of the damage depth on the signal, while differentiating between different crack geometries. Here, we observe an early saturation effect of the test signal at a damage depth of 2 mm (at a crack angle of 25◦ to the surface). That is about 2 mm earlier than we would expect from measurements at a crack angle of 90◦. This behavior will be investigated further in a future paper. Finally, we interpolate the simulated signals in a two-step curve fitting process. With these interpolations we may generate eddy current test signals for any damage depth within the simulated range.
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.
The rails of modern railways face an enormous wear and tear from ever increasing train speeds and loads. This necessitates diligent non-destructive testing for defects of the entire railway system.
Non-destructive testing of rail tracks is carried out by rail inspection trains equipped with ultrasonic and eddy current test devices. However, the evaluation of the gathered data is mainly done manually with a strong focus on ultrasonic data, and defects are checked on-site using hand-held testing equipment. Maintenance measures are derived based on these on-site findings.
The aim of the AIFRI project (Artificial Intelligence For Rail Inspection) is to
- increase the degree of automation of the inspection process, from the evaluation of the data to the planning of maintenance measures,
- increase the accuracy of defect detection,
- automatically classify detected indications into risk classes.
These aims will be achieved by training a neural network for defect detection and classification. Since the current testing data is unbalanced, insufficiently labeled and largely unverified we will supplement fused, simulated eddy current and ultrasonic testing data in form of a configurable digital twin.
Non-destructive testing of rail tracks is carried out by using rail inspection cars equipped with ultrasonic and eddy current measurement. The evaluation of test data is mainly done manually, supported by a software tool which pre-selects relevant indications shown to the evaluators. The resulting indications have to be checked on-site using hand-held testing equipment. Maintenance interventions are then derived on the basis of these on-site findings.
Overall aim of the AIFRI (Artificial Intelligence For Rail Inspection) project - funded by the German Federal Ministry of Digital and Transport (BMDV) as part of the mFUND programme under funding code 19FS2014 – is to increase the degree of automation of the inspection process from the evaluation of the data to the planning of maintenance interventions. The accuracy of defect detection shall be increased by applying AI methods in order to enable an automated classification of detected indications into risk classes. For this purpose, data from both eddy current inspections and ultrasonic inspections will be used in combination.
Within the framework of this data-driven project, relevant defect patterns and artefacts present in the rail are analysed and implemented into a configurable digital twin. With the help of this digital twin virtual defects can be generated and used to train AI algorithms for detection and classification. With the help of reliability assessment trained AI algorithms will be evaluated with regard to the resulting quality in defect detection and characterisation.
A particular aspect of the development of AI methods is the data fusion of different NDT data sources: Thereby, synergies are used that arise from linking eddy current and ultrasonic inspection data in a combined model.
In the course of the project a demonstrator consisting of the developed IT-tool and an asset management system will be implemented and tested in the field using real-world data.