Machine Learning bringt mehr Sicherheit und Verfügbarkeit im Bahnverkehr

Um den Verschleiß von Eisenbahnweichen – den kritischsten Elementen der Eisenbahninfrastruktur – bereits im Vorhinein erkennen zu können, werden mit Hilfe von großen Datenmengen aus Sensordaten intelligente Prognosen durchgeführt.

Im Forschungsprojekt „Intelligent Turnout Performance Prognosis 4.0 (iTPP4.0)“ wurden dazu grundlagennahe Methoden entwickelt, die eine intelligente Weiche für den Eisenbahnverkehr ermöglichen sollen. Diese soll zukünftige Abnützung, Verschleiß oder Fehler der Weiche zu jedem Zeitpunkt zuverlässig prognostizieren können. Dazu leiten Machine-Learning-
Algorithmen selbstlernend aus Daten von Eisenbahninfrastruktur-Sensoren Entscheidungen zu geplanten Wartungen ab.

Weichen: kritische Elemente der Eisenbahninfrastruktur

Ein wesentlicher Baustein der Eisenbahninfrastruktur ist die Weiche. Zuverlässige Weichen liefern einen wesentlichen Beitrag zur Verfügbarkeit des gesamten Netzes. Im österreichischen Netz befinden sich davon mehr als 10.000 Stück. Die Weichennutzungsdauer liegt bei etwa 25 Jahren, wobei eine Weiche während ihrer Lebensdauer mehrmals gewartet werden muss, um störungsfrei zu funktionieren. Erreicht eine Weiche nach dem Stellbefehl vom Stellwerk nicht die sichere und ordnungsgemäße Lage in vorgegebener Zeit, beispielsweise durch zu geringen Druck in der Weichenstellvorrichtung, muss diese Weiche ungeplant gewartet werden. Bei einer Störung bzw. ungeplanten Stillständen können Züge die Weiche nur mit geringer Geschwindigkeit oder gar nicht passieren. Es kann zu Verspätungen durch die erforderlichen „Langsamfahrstellen“ kommen. Die Verfügbarkeit des Netzes wird eingeschränkt.

Die intelligente Weiche

Bahnweichen sind bereits mit unterschiedlichsten Kraft-, Weg- und Drucksensoren ausgestattet. Bis dato war eine Reduktion der Störfälle von ca. 30 Prozent durch die Auswertung der Sensordaten möglich. Um noch früher festzustellen, wann eine Weiche einen Störfall verursacht, wurden nun für die Eisenbahninfrastruktur untypische Sensoren eingesetzt. Dies sind beispielsweise Ultraschallsensoren, Mikrophone oder optische Sensoren zur Erfassung von Schwingungen sowie Vibrationssensoren. Ebenfalls werden äußere Einflüsse wie Umgebung, Klima und Wetter miteinbezogen. Die somit große Menge an erhaltenen Daten wird zentral gesammelt und mit Hilfe von mathematischen Algorithmen und Machine-Learning-Ansätzen zu Prognosen für die Wartung weiterverarbeitet. Somit können Abnützung, Verschleiß oder Fehler bereits vorzeitig prognostiziert und Störungen verhindert werden.

Machine Learning

Die Herausforderung liegt in der Erkennung von relevanten Mustern der Datenquellen, um den Abnützungszustand einer Weiche festzustellen. Dazu wurden Trainingsdaten von bestehenden Weichen herangezogen und die von den bestehenden Systemen der Weichendiagnostik erkannten Fehlerfälle analysiert und kategorisiert. Diese Daten dienten als Grundlage für die Entwicklung von intelligenten Prognosen.

Die RISC Software GmbH bearbeitete das Projekt „iTPP 4.0“ in enger Kooperation mit der voestalpine SIGNALING Zeltweg GmbH. Es wurde im Rahmen des FFG-Projektes mit der FFG-Nummer 855345 und durch das strategische Wirtschafts- und Forschungsprogramm „Innovatives Oberösterreich 2020“, der Wirtschaftsstrategie des Landes Steiermark 2020 sowie der Forschungsstrategie Steiermark gefördert.

Diesen Beitrag mit Ihrem Netzwerk teilen: