Archiv

Während des Stopfens entsteht beim Heben und Richten ein Hohlraum unter der Schwelle. Dieser muss vollständig verfüllt werden, um ein stabiles Auflager zu schaffen. Durch die Überwachung des Vorganges ist es nun möglich, die vollständige Verfüllung Schwelle für Schwelle nachzuweisen sowie Langlebigkeit und Qualität der Gleislage zu optimieren.

Dieser Beitrag bietet einen Überblick über die Forschung zum virtuellen Kuppeln im Next Generation Train-Projekt des Deutschen Zentrums für Luft- und Raumfahrt. Es werden verschiedene Analysen, z.B. zu technologischen Entwicklungen im Kommunikations- und Ortungsbereich, Auswirkungen auf den Energiebedarf sowie betriebliche Konzepte zusammengefasst, um die Herausforderungen und Möglichkeiten des Konzepts zu verdeutlichen. In Teil 1 des Beitrags wird das Konzept an sich vorgestellt, Charakteristika der fahrzeugzentrierten Idee des virtuellen Kuppelns und damit zusammenhängende Hindernisse werden aufgezeigt. Weiterhin werden potenzielle Lösungen für zwei der wichtigsten Herausforderungen vorgestellt: direkte Zug-zu-Zug-Kommunikation und relative Ortung als Schlüsselfunktionen für das kooperative Fahrverhalten und die Sicherheit beim Fahren im relativen Bremsabstand. Abschließend werden die daraus folgenden Vorteile beschrieben. In Teil 2 werden die zuvor besprochenen Herausforderungen und Vorteile dann anhand des Anwendungsbeispiels Slip Coaching (Verkehr mehrerer kurzer, virtuell gekuppelter Zugeinheiten zwischen Knotenbahnhöfen) veranschaulicht und quantifiziert.

Um die Möglichkeiten der automatischen Erkennung von Tunneldefekten mit Deep Learning Methoden zu analysieren, wurde von den Wiener Linien eine Studie mit zwei Partnerfirmen, die unabhängig voneinander beauftragt wurden, durchgeführt. Das Ziel war die Evaluierung der Leistungsfähigkeit von Convolutional Neural Networks (CNNs) für die Erkennung von Rissen und Sinterstellen an Tunneloberflächen.
Die dafür erforderliche Computer Vision Aufgabe heißt Bildsegmentierung. Dabei werden Pixelmasken der Bildinhalte generiert. Als Grundlage wurden Annotationen der Fehlerstellen in den Bildern der Tunnel­abschnitte erstellt, diese Annotationen stellen die Grundwahrheit für das Training und die Evaluierung der Rechenmodelle dar.
Die Ergebnisse zeigen auf Basis der Auswertung der Qualitätsmetriken, dass die Modelle Schwierigkeiten haben, die Schadensklassen zuverlässig zu erkennen. Es wird aber deutlich, dass diese das Potential haben in Form eines Assistenz­systems zukünftige Auswertungen zu unterstützen.