Die Instandhaltung im Bahnsektor wird zunehmend datengetrieben, und mit jeder neuen tmOS-Version rückt das Ziel näher, diese Daten nicht nur zu erfassen, sondern wirklich nutzbar zu machen. Die aktuelle Weiterentwicklung setzt vor allem auf drei Schwerpunkte: mehr Sicherheit, tiefere Einblicke in Daten und eine verbesserte Transparenz im Flottenmanagement.
Künstliche Intelligenz – wie kann sie die Gleispflege verbessern?
Höchstwahrscheinlich nutzen Sie bereits KI im Geschäft und zu Hause. Wann haben Sie das letzte Mal “Siri?” oder „Alexa“ gesagt? Oder haben Ihr Auto gebeten: „Ruf Mama an“? KI mag also neu erscheinen, ist es aber nicht. Im Gegensatz zu natürlicher Intelligenz beinhaltet künstliche Intelligenz kein Bewusstsein und keine Emotionalität. Vielmehr handelt es sich bei KI meist um eine Software, die auf einem Gerät läuft. Sie nimmt ihre Umgebung wahr und ist so programmiert, dass sie Aktionen ausführt, die die Chance maximieren, ein gesetztes Ziel erfolgreich zu erreichen. KI zur Verbesserung der Gleispflege ist ein spannendes Thema.
Bei tmc nutzen wir Algorithmen der Künstlichen Intelligenz, um der Stopfmaschine eine menschenähnlichere Wahrnehmung des Stopfens zu geben. Unser Stopfassistent (tmA²) ist ein selbstlernendes Assistenzsystem. Die Gleisumgebung wird in einer digitalen Datendarstellung abgebildet. Hochspezialisierte Algorithmen berechnen aus der digitalen Datenrepräsentation Hindernisse und andere Umgebungsdetails. Aus diesen Details leitet der digitale Stopfassistent Handlungen ab, die dann dem Benutzer vorgeschlagen werden. Im Prinzip erleichtert so die künstliche Intelligenz in unserem Stopfassistenten die Bedienung und sorgt für die präzise Wiederherstellung der Gleislage.
Stopfen wie ein Profi mit Sensordatenfusion & KI
Wir haben das Stopfverfahren auf die nächste Stufe gehoben, indem wir mit KI-gestützter Laser- und Lichtsensorik arbeiten. Alle Sensoren werden mit Sensordatenfusion in ein Umgebungsmodell eingelesen. Dabei werden u.a. Punktwolkendaten und Kamerabilder zusammengeführt. Das Ergebnis ist ein datenbasiertes Modell der Umgebung, das den Arbeitsbereich der Maschine abdeckt. Das Fully-Convolutional-Neural-Network (FCNN) transformiert die Sensorinformationen, wie z. B. Abstandsinformationen, in einen semantisch höherwertigen Informationsraum, in unserem Fall die Gleisumgebungsinformationen. Anschließend wird die Technik des verstärkenden Lernens angewandt, um aus diesen höherwertigen Informationen Handlungen abzuleiten. Verstärkendes Lernen ist ein neueres Paradigma im Bereich des maschinellen Lernens. KI zur Verbesserung der Gleispflege wird vor allem im Bereich des autonomen Fahrens eingesetzt, aber bei tmc nutzen wir es für tmA².
Lesen Sie mehr über tmA², um mehr über die Vorteile des Stopfens mit tmA² zu erfahren oder kontaktieren Sie uns für eine detaillierte Präsentation.
