Predictive Alarm Detection

AI

SBB ZKE misst auf der freien Strecke die Lager- und Radtemperaturen der vorbeifahrenden Züge. SCS hat ein KI Modell trainiert, welches angezogene Bremsen anhand von Messungen von mehreren aufeinanderfolgenden Messanlangen vorhersagen kann. Das ermöglicht, einen Alarm zu prognostizieren, bevor er auftritt.

  • Ausgangslage

    Die SBB betreiben Messanlagen, auf welchen nicht gelöste Bremsen (Festbremser) detektiert werden. Beim Gotthard-Basistunnel ist es von Vorteil, wenn ein bevorstehender Festbremser vor dem Befahren des Tunnels vorhergesagt werden kann, da eine Störung im Tunnel betrieblich sehr umständlich wäre.

  • Lösung SCS

    SCS hat ein Machine Learning Modell trainiert, welches Festbremser vorhersagen kann. Anhand von Messungen von mehreren aufeinanderfolgenden Messanlangen können Ansätze einer Störung frühzeitig erkannt werden.

  • Mehrwert

    Die Studie hat gezeigt, dass die Wahrscheinlichkeit einer erfolgreichen Früherkennung von Festbremser hoch ist. Betroffene Züge könnten damit vor der Einfahrt in kritische Streckenabschnitte aus dem Verkehr gezogen werden. Damit wird das Blockieren des Streckenabschnitts verhindert.

Projekteinblicke

Im Rahmen der ZKE (Zugkontrolleinrichtungen) werden mit Hilfe von HFO-Anlagen (Heissläufer- und Festbremserortung) auf der freien Strecke die Lager- und Radtemperaturen der vorbeifahrenden Züge gemessen. Werden zu hohe Temperaturen gemessen, wird ein Alarm ausgelöst und wenn nötig eine Intervention eingeleitet (Reduktion der Geschwindigkeit, Halt im einem Interventionsbahnhof, Kontrolle des Fahrzeugs durch den Lokführen, beheben des Problems). Angezogene Bremsen (Festbremser) oder zu heisse Radlager (Heissläufer) verursachen Schäden am Rollmaterial und können zu Achs- bzw. Radbrüchen und damit zu Entgleisungen führen.

Ein Zug fährt über eine HFO Anlage, welche die Temperaturen der Achsen und der Räder misst. Bild © SBB

In gewissen Situationen ist es von Vorteil, wenn bereits vor dem Überschreiten von Grenzwerten bekannt ist, dass ein kritischer Zustand bevorsteht. Das ist insbesondere auf Streckenabschnitten im Schienennetz wichtig, bei denen es aufgrund der Netztopologie für längere Zeit nicht möglich ist, den Zug für eine Kontrolle anzuhalten (z.B. im Gotthard-Basistunnel). Wird auf einem solchen Abschnitt ein Überschreiten eines Grenzwertes detektiert, darf der Zug nur noch mit reduzierter Geschwindigkeit verkehren und blockiert dadurch die Strecke für nachfolgende Züge.

Bei der Vorhersage eines Alarms ist eine nicht zu unterschätzende Herausforderung, dass jede Achse mit dem Algorithmus untersucht wird. Dieser muss sich bei einem Alarm also sehr sicher sein, um mögliche Falschalarme zu reduzieren. Wird für eine Achse ohne Problem ein Alarm vorausgesagt, ist die daraus resultierende unnötige Intervention mit hohen Kosten verbunden. Daraus folgt, dass der Anteil der Achsen, die zu einem Alarm führen, obwohl kein Alarm vorliegt, um Grössenordnungen um einen millionstel sein muss. Aber trotzdem sollten die echten Alarme detektiert werden.

Beispiel eines starken Heissläuffers mit Funkenwurf. Bild © SBB

Eine von SCS durchgeführte Studie hat vielversprechende Resultate für die Vorhersage von Festbremsern geliefert. Mit der Hilfe von Machine Learning wird Aufgrund der Messungen von zuvor befahrenen HFO-Anlagen vorhergesagt, ob auf der nächsten HFO-Anlage ein Alarm durch einen Festbremser auftreten wird. Ein solcher Ansatz wird dadurch ermöglicht, dass SBB die Messungen der HFO-Anlagen und deren Beurteilung speichert. Über die Jahre ist dadurch eine Datenbasis entstanden, die sich zum Trainieren von Machine Learning Ansätzen eignet.

Die enge Zusammenarbeit zwischen SBB und SCS hat es erlaubt, das Wissen der Fachexperten von SBB beim Design der Früherkennung einfliessen zu lassen. Denn ein gutes Systemverständnis hilft dabei, sinnvolle Kenngrössen auszuarbeiten, die schliesslich für den Erfolg eines Machine Learning Ansatzes fundamental sind.

Haben Sie Fragen oder möchten Sie ebenfalls durch Ihre Daten in die Zukunft schauen? Nehmen Sie mit Florentin Marty Kontakt auf!

Verwandte Projekte

KI erkennt Hüftfehl­stellungen

Eine Hüftfehlstellung bei Neugeborenen kann viele Operationen nötig machen. SCS hat eine KI entwickelt, welche solche Fehlstellungen ... mehr erfahren

Erkennung Radfehler mit smarter Algorithmik

Radfehler führen zu hoher Beanspruchung der Bahn-Infrastruktur und erzeugen Lärm. SCS hat Algorithmen zum Erkennen von Radfehlern entwickelt. Somit ... mehr erfahren

AI at the edge – Zellen zählen

SCS entwickelte einen Deep Learning Algorithmus, welcher im Mikroskopiesystem die Anzahl der Zellen auf einem Bild bestimmt. Die AI wurde dabei für ... mehr erfahren

Digitalisierung von Kabelplänen

SCS gewinnt einen internationalen Ideenwettbewerb und unterstützt Dänische Bahnen bei der Digitalisierung von Kabelplänen. Die Informationsdichte ... mehr erfahren

Mit Vision zur bahnbrechenden Schweissnahtinspektion

Für Rohrleitungssysteme in der Halbleiterindustrie sind zuverlässige Schweissnähte wichtig. Um diese Qualität zu prüfen hat SCS für den Kunden ... mehr erfahren

Intelligente Torsteuerung

In Industriehallen werden Tore oft vollständig geöffnet, unabhängig von den tatsächlichen Torbenutzern (Personen, Fahrzeug). Dadurch entweicht ... mehr erfahren
Alle Projekte anzeigen
Florentin Marty Measure & Decide Wie kann ich Ihnen weiterhelfen?