Filtern
Dokumenttyp
- Vortrag (12)
- Beitrag zu einem Tagungsband (4)
- Posterpräsentation (4)
- Zeitschriftenartikel (1)
Referierte Publikation
- nein (21)
Schlagworte
- Simulation (21) (entfernen)
Organisationseinheit der BAM
- 8.4 Akustische und elektromagnetische Verfahren (21) (entfernen)
Eingeladener Vortrag
- nein (12)
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.
In diesem Vortrag werden die aktuellen Techniken für die angewandte mechanisierte Schienenprüfung dargestellt und Perspektiven für die Zukunft der handgeführten und fahrzeuggeführten Prüftechnik aufgezeigt. Insbesondere wird hier die bildhafte Darstellung, der zusätzliche Nutzen von Arraysensoren sowie die Möglichkeiten der Simulation von Schienenfehlern vorgestellt.
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.
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.
Bei der simulationsunterstützten Planung kritischer Ultraschallprüfaufgaben ist die detaillierte Kenntnis der Parameter der eingesetzten Prüfköpfe von entscheidender Bedeutung. Durch die, in den Regelwerken (DIN EN ISO 22232-2) zugelassenen Toleranzen bei der Herstellung der Prüfköpfe sind einige Prüfkopfparameter nur ungefähr bekannt. Durch die Alterung von Prüfköpfen und Verschleiß können auch Parameter variieren, die nicht vollständig durch die erforderliche Justierung ausgeglichen werden können. Daher sind zusätzlichen Vorversuche oft unvermeidlich. In dieser Arbeit wurden nach einer statistischen Versuchsplanung (DoE) Untersuchungen zur relativen Echo-Empfindlichkeit von konventionellen Prüfköpfen durchgeführt. Die Auswertung wurde für prüfkopfbezogene und personenbezogene Stichproben durchgeführt. Es wird gezeigt, wie weit die Daten um den Zentralwert herum verteilt sind bzw. wie sehr sich das Testobjekt im untersuchten Merkmal unterscheidet. Gerade in Hinblick auf die Beurteilung der intrinsischen Fähigkeit von Prüfverfahren und der Human Factors wird das POD-Analysekonzept zur quantitativen Bewertung der Zuverlässigkeit weiterentwickelt. Die HF-Quantifizierung bezieht sich auf verschiedene Faktoren und Methoden, die in der Veröffentlichung von M. Bertovic et al. [1] ausführlich beschrieben wurden. Die Schritte, die für das Bewertungsverfahren zur POD-Analyse erforderlich sind, werden in der Veröffentlichung von D. Kanzler et al. [2] detailliert dargestellt. Die grundlegenden Anforderungen an die Testkörpersätze für die POD-Analyse wurden in der Publikation von A. Jüngert et al. [3] zusammengefasst. Diesbezüglich wurden mit Hilfe von Simulationsrechnungen die möglichen Abweichungen an Beispielen der im Projekt norm- POD ausgewählten Prüfanordnungen dargestellt. Die Ergebnisse wurden Messungen an Testkörpern gegenübergestellt.
Seit beinahe 50 Jahren werden Zuverlässigkeitsbewertungen zerstörungsfreier Prüfverfahren erfolgreich in unterschiedlichen Industriebranchen eingesetzt. Dennoch gibt es weiterhin viele Vorbehalte, da die Bewertungsgrundlage nicht standardisiert ist und konkrete Handlungsanweisungen fehlen. Dem gegenüber steht die Anerkennung in der ZfP-Community. Es ist bisher nur Wenigen bekannt, dass dem Wissen über die Zuverlässigkeit eines zerstörungsfreien Prüfverfahren eineSchlüsselfunktion für die ZfP 4.0 zukommt.
Im Vortrag wird die Notwendigkeit für eine Norm oder eine Richtlinie zum Thema Zuverlässigkeitsbewertungen aufgezeigt. Es wird darauf eingegangen, warum es bisher (in Deutschland) noch keine Richtlinie gab und gibt und was der:die Anwender:innen aus einer Richtlinie zur Zuverlässigkeitsbewertung von ZfP-Prüfverfahren erwarten kann.
Es werden konkrete Schritte und Vorgehensweisen zur Bewertung der Zuverlässigkeit eines Verfahrens aufgezeigt; von der Definition eines Anwendungsfalls, über die Herstellung geeigneter Testkörper bis hin zur Durchführung und Bewertung von Prüfungen unter Einbeziehung von menschlichen Einflüssen. Die Beispiele umfassen sowohl Anwendungen aus dem Bauwesen als auch aus dem Maschinen- und Anlagenbau.
Der Vortrag fasst die bisherigen und geplanten Arbeiten in dem WIPANO Projekt „Normung für die probabilistische Bewertung der Zuverlässigkeit für zerstörungsfreie Prüfverfahren“ zusammen.
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 Poster stellen wir die Simulation dieser Ultraschall- und Wirbelstromprüfdaten vor. Dabei gehen wir im Detail auf die Themen CAD-Modellierung, Modellparameter, Simulationssoftware und Signalverarbeitung ein. Wir stellen ausgewählt die Simulation von Head Checks für Wirbelstromprüfverfahren und Bohrungsanrissen für Ultraschallprüfverfahren dar, da das Erkennen dieser Schädigungstypen bei der Schienenprüfung hohe Priorität innehat.
Für die Verifikation der Simulationsergebnisse verweisen wir auf den ebenfalls eingereichten Vortrag „Verifikation von Ultraschall- und Wirbelstromsimulationen bei der Schienenprüfung“.
Das Projekt AIFRI wird im Rahmen der Innovationsinitiative mFUND unter dem Förderkennzeichen 19FS2014 durch das Bundesministerium für Digitales und Verkehr gefördert.
Die Simulation von Ultraschallausbreitung ist ein wesentliches Hilfsmittel zur Optimierung von Prüfanordnungen und wird zunehmend in der Prüfvorbereitung eingesetzt. Eisenbahnschienen sind Bauteile mit komplexer Geometrie und im eingebauten Zustand eingeschränkter Zugänglichkeit. Bei der Prüfung im Feld entstehen aus der Schienengeometrie komplexe Echosignale mit Formanzeigen, die schwer zu interpretieren sind.
Für das bessere Verständnis der Schallausbreitung in der Eisenbahnschiene wird diese in einem ersten Schritt mit Hilfe verschiedener Ansätze modelliert. Hierbei werden Finite Elemente Methoden und semi-analytischen Modelle verwendet. In einem zweiten Schritt werden die Ergebnisse der Simulationsmodelle einander gegenübergestellt und mit Messungen an realen Schienen verglichen.
Ziel dieser Untersuchungen ist die Validierung von Simulationsverfahren mit Hilfe von Messdatensätzen und Überprüfung der Anwendbarkeit bei der Bewertung von Ergebnissen der Schienenprüfung.
Die Simulation von Ultraschallausbreitung ist ein wesentliches Hilfsmittel zur Optimierung von Prüfanordnungen und wird zunehmend in der Prüfvorbereitung eingesetzt. Eisenbahnschienen sind Bauteile mit komplexer Geometrie und im eingebauten Zustand eingeschränkter Zugänglichkeit. Bei der Prüfung im Feld entstehen aus der Schienengeometrie komplexe Echosignale mit Formanzeigen, die schwer zu interpretieren sind.
Für das bessere Verständnis der Schallausbreitung in der Eisenbahnschiene wird diese in einem ersten Schritt mit Hilfe verschiedener Ansätze modelliert. Hierbei werden Finite Elemente Methoden und semi-analytischen Modelle verwendet. In einem zweiten Schritt werden die Ergebnisse der Simulationsmodelle einander gegenübergestellt und mit Messungen an realen Schienen verglichen.
Ziel dieser Untersuchungen ist die Validierung von Simulationsverfahren mit Hilfe von Messdatensätzen und Überprüfung der Anwendbarkeit bei der Bewertung von Ergebnissen der Schienenprüfung.
Die Simulation von Ultraschallausbreitung ist ein wesentliches Hilfsmittel zur Optimierung von Prüfanordnungen und wird zunehmend in der Prüfvorbereitung eingesetzt.
Eisenbahnschienen sind Bauteile mit komplexer Geometrie und im eingebauten Zustand eingeschränkter Zugänglichkeit. Bei der Prüfung im Feld entstehen aus der Schienengeometrie komplexe Echosignale mit Formanzeigen, die schwer zu interpretieren sind.
Für das bessere Verständnis der Schallausbreitung in der Eisenbahnschiene wird diese in einem ersten Schritt mit Hilfe verschiedener Ansätze modelliert. Hierbei werden Finite Elemente Methoden und semi-analytischen Modelle verwendet. In einem zweiten Schritt werden die Ergebnisse der Simulationsmodelle einander gegenübergestellt und mit Messungen an realen Schienen verglichen.
Ziel dieser Untersuchungen ist die Validierung von Simulationsverfahren mit Hilfe von Messdatensätzen und Überprüfung der Anwendbarkeit bei der Bewertung von Ergebnissen der Schienenprüfung.