Quelle: TH Wildau
Problemstellung
Personenverkehrszüge werden in den meisten Werkstätten bis auf wenige Ausnahmen (z.B. ICE) manuell inspiziert, bestenfalls können installierte Sensoren/Datenspeicher ausgelesen werden. Eine automatische Schaderkennung durch KI-gestützte computervisuelle Techniken vor bzw. während der Einfahrt in die Werkshalle kann Wartungsvorgänge beschleunigen, für mehr Sicherheit sorgen und die frühzeitige Planung von Arbeitsaufträgen und Allokation von Ressourcen ermöglichen, was die Durchlaufzeiten der Instandhaltung verkürzt.
Projektziel
Schäden an einlaufenden Personenzügen sollen mittels Kameratechnik robust erkannt werden.
Insbesondere sich oft am Zug wiederholende, sicherheitsrelevante und wichtige/tragende Bauteile und Verbindungen sollen auf ihr Potential zur automatisierten computergestützten Untersuchung hin überprüft werden. Neben dem gezielten KI-Training an einzelnen Schadklassen (mittels Deep Machine Learning), wofür umfangreiche Bilddaten gesammelt werden, sollen durch den Einsatz von generativen KIs auch bisher undokumentierte oder neuartige Schadmuster als Anomalie erkannt werden.
Durchführung
Zuerst werden Wartungsprozesse je nach Waggontyp durch die Partner erfasst, um ein Automatisierungskonzept zu entwickeln. Nach Identifikation von Bauteilen, deren automatisierte Prüfung eine Steigerung der Wartungseffizienz impliziert, werden am Zugmodell Parameter zur Datenerfassung wie hinreichender Blickwinkel, Belichtung oder Tiefeninformationen untersucht. Prototypische Tests in der Wartungshalle von RWS etablieren Best Practices zur Datenakquise, um – fallgerecht je Schadmuster – KIs mit den gesammelten Daten zu trainieren.
| Verbundkoordinator | Technische Hochschule Wildau
|
Projektvolumen (zum Bewilligungszeitpunkt) | 184.269 Euro (davon 90,45 % Förderanteil durch BMDV) |
Projektlaufzeit (zum Bewilligungszeitpunkt) | 08/2023 – 07/2024 |
| Projektpartner |
|
| Ansprechpartner | Technische Hochschule Wildau Prof. Dr.-Ing. Frank Gillert Prof. Dr. Alexander Stolpmann |