Zustandsüberwachung der Bahninfrastruktur mit KI

Kurzfassung

Die vorgestellten Anwendungsfälle zeigen exemplarischen die enormen Potenziale für den Einsatz des maschinellen Lernens bei der Zustandsüberwachung der Bahninfrastruktur. Gleichzeitig wird deutlich, dass schnelle Lösungen durch maschinelles Lernen nur für ausgewählte Anwendungsfälle möglich sind, wie z. B. für die Detektion von Rissen in Bahnschwellen. Dies liegt sowohl an der technischen Komplexität der Bahninfrastruktur als auch den rechtlichen und regulativen Randbedingungen des Systems Bahn. Am Beispiel der Weichenüberwachung anhand von Stellstromkurven wird deutlich, dass die flächendeckende Einbringung neuer Sensoren in bestehende Anlagen die Betreiber vor technische, regulatorische und schlussendlich finanzielle Herausforderungen stellt. Diese nimmt auch beim Einsatz etablierter Technik häufig mehrere Jahre in Anspruch (z. B. [2]). Die Bahninfrastruktur ist zahlreichen äußeren Einflüssen wie der Witterung und der betrieblichen Belastung ausgesetzt. Wie die Untersuchungen für Eisenbahnweichen und elektronische Stellwerke zeigen, beeinflussen diese sowohl das aktuelle Anlagenverhalten als auch die zu erwartende Entwicklung des Anlagenzustands. Für die Detektion, Diagnose und Prognose des Anlagenzustands mittels Verfahren des maschinellen Lernens müssen entsprechende Daten und Informationen erhoben, ausgetauscht und den Verfahren maschinenverwertbar zur Verfügung gestellt werden. Für einen effizienten Datenaustausch ist eine branchenweite Verständigung über genutzte Datenmodelle und Schnittstellentechnologien erforderlich. Eine hohe Bedeutung kommt dabei entsprechenden Initiativen mit breiter Beteiligung von Herstellern, Betreibern und Forschungseinrichtungen wie z. B. railML zu. Wo branchenunabhängige Lösungen und Standards (z. B. für Sensordaten) vorhanden sind, sollte auf die Entwicklung branchenspezifischer Lösung unbedingt verzichtet werden. Nur auf diese Weise kann langfristig von technologischen Fortschritten in anderen Domänen profitiert werden. Bezüglich der sensorischen Datenerhebung sollte bei der Digitalisierung des Bahnsystems die umfassende und flächendeckende Erhebung relevanter Einflussfaktoren (wie z. B. der Witterung) direkt an den Anlagen im Fokus stehen. Die vorgestellten Forschungsergebnisse für die Überwachung von Eisenbahnweichen und Stellwerken zeigen beispielhaft, dass das Fehlen entsprechender meteorologischer Daten die Ergebnisqualität bestehender KI-Ansätze negativ beeinflusst. Neben der Erfassung von Messdaten mit zusätzlichen Sensoren sowie der systematischen und umfassenden Erhebung von Betriebsdaten der technischen Anlagen spielt eine konsequentere und systematischere Erfassung von Informationen aus den betrieblichen Prozessen eine große Rolle. Wann werden an welchen Anlagen welche Wartungsmaßnahmen mit welchem Ergebnis durchgeführt? Gegenwärtig werden derartige Informationen im Verlauf der etablierten Prozesse und Abläufe noch nicht hinreichend umfassend bzw. systematisch erfasst. Häufig sind noch handschriftliche Freitext-Protokolle üblich. Die rasch fortschreitende Digitalisierung der Geschäfts- und Unternehmensprozesse wird hier in den kommenden Jahren viele zusätzliche Daten und Informationen erschließen. Insbesondere für die Zustandsüberwachung und prädiktive Instandhaltung sollte diese Entwicklung jedoch nicht dem Zufall überlassen sondern gezielt entsprechend der bestehenden Anforderungen mit gesteuert werden. Für den Einsatz der besonders leistungsfähigen überwachten Lernverfahren wie tiefen neuronalen Netzen müssen umfangreiche Datensätze von Domänenexperten umfassend annotiert werden. Die korrekte Annotation von auffälligem Anlagenverhalten in multi-variaten Zeitreihen (siehe Abschnitt 4.1) oder von anlagenspezifischen Fehlzuständen in Bilddaten (siehe Abschnitt 0) ist zum einen arbeitsintensiv und zum anderen selbst für ausgewiesene Anlagenexperten eine sehr schwierige bis zeitweilen unmögliche Aufgabe. Für viele konkrete Anwendungsfälle im Bereich der Zustandsüberwachung stehen daher auch mittelfristig keine geeigneten Trainingsdatensätze zur Verfügung. In solchen Fällen muss auf unüberwachte Verfahren zur Anomaliedetektion sowie für nachvollziehbare Diagnosemodelle zurückgegriffen werden. Um KI-Verfahren im operativen Betrieb kontinuierlich weiter lernen zu lassen und um das vorhandene Expertenwissen möglichst vollständig nutzbar zu machen, sind einfache und intuitive Schnittstellen für die Interaktion mit den Anlagenverantwortlichen im Alltag erforderlich.