KI-basierte Analyse von Schienenprüfdaten zur Fehlerdetektion, Fehlerbewertung und Optimierung der Instandhaltungsplanung (AIFRI)

Abstract

Das Schienennetz in Deutschland ist in vielen Teilen hoch ausgelastet und gilt auf einigen Korridoren bereits als überlastet. Zusätzlich zu den daraus ohnehin resultierenden Verschleißerscheinungen kann es bei Schienen zu frühzeitigen Ausfällen kommen, wenn sich aus kleinen initialen Schäden große Defekte entwickeln. Dies kann durch zielgerichtete Instandhaltungsmaßnahmen verhindert werden. Dazu ist es erforderlich, den Zustand der Schienen effizient und zuverlässig zu überprüfen. Neben der Überwachung der Gleisgeometrie und der Fahrdrahtmessung wird daher auch die Schiene hinsichtlich ihrer Materialbeschaffenheit auf Unregelmäßigkeiten geprüft. Um das jährliche Volumen von knapp 90000 zu inspizierenden Gleis-Kilometern in der Schienenprüfung zu bewältigen, kommen spezielle Prüfzüge zum Einsatz. An diesen Zügen sind Ultraschall- und Wirbelstromsensoren installiert. Die hierbei aufgezeichneten Sensordaten dienen als Grundlage der Untersuchung auf Schädigungen der Gleise. Der Prozess der Datenauswertung in der Schienenprüfung läuft jedoch derzeit nur in Teilen automatisiert ab. Die aufgenommenen Prüfdaten werden überwiegend manuell gesichtet. Bei einer nachgelagerten Handprüfung am betreffenden Schienenabschnitt stellen sich oftmals in den Daten vermutete Defekte als unbegründet heraus. Vor dem Hintergrund einer angespannten Personalsituation in der Auswertung von Schienenprüfdaten und einer großen Anzahl an falsch positiv erkannten Defekten muss nach effizienteren Lösungen im Auswertungsprozess der Daten gesucht werden. So kann auch langfristig die Schienenprüfung in der geforderten Qualität und Zuverlässigkeit durchgeführt werden. Um diese Situation zu verbessern, wurde im Zeitraum von Dezember 2021 bis Mai 2025 das Projekt AIFRI durchgeführt. Hier wurde eine Methode entwickelt, mit der Schienenprüfdaten mittels künstlicher Intelligenz ausgewertet und Schienenfehler detektiert und bewertet werden können. Des Weiteren wurde ein Konzept zur Optimierung der Instandhaltungsplanung erstellt. Gleichzeitig wurden verschiedene Datenbanken, Protokolle und Speicherorte entlang des Prüf- und Auswerteprozesses in einem zentralen Asset Management System zusammengeführt. Abschließend wurde das gesamte Verfahren erprobt. Zur effizienteren Verarbeitung der sehr großen Datenmenge an Prüfdaten wurde eine automatisierte Auswertung durch ein KI-Verfahren mit einem bidirektionales Long Short-Term Memory (LSTM)-Netzwerk entwickelt. Damit werden in den Prüfdaten auffällige Muster identifiziert, Defekte erkannt und klassifiziert. Anschließend kann sich die manuelle Sichtung der Daten bei der Deutsche Bahn InfraGO AG (DB InfraGO) auf diese vormarkierten Stellen im Datensatz beschränken. Entscheidend für die Entwicklung von KI-Algorithmen ist ein hinreichend großer und ausbalancierter Trainingsdatensatz. Dazu wurden einerseits von der DB InfraGO reale Schienenprüfdaten bereitgestellt, die auf drei ausgewählten Strecken aufgenommen wurden. Da hierbei allerdings nicht alle möglichen Defekttypen in den verschiedenen Ausprägungen vorliegen, müssen zusätzlich simulierte Daten erzeugt werden. Hierzu wurden Verfahren entwickelt, um synthetische Daten zu berechnen, wie sie von den Ultraschall- und Wirbelstromprüfköpfen beim Überfahren eines vorgegebenen Schienenfehlers ausgegeben würden. Auf diese Weise können die entsprechenden Prüfdaten zu vielen verschiedenen Defekttypen in jeder möglichen Lage und Orientierung innerhalb der Schiene und mit vorgegebener Länge und Tiefe generiert werden. Durch Analysen mittels der statistischen Methode der Probability of Detection (POD) wurde zudem die Detektionsgenauigkeit, d.h. ab welcher Größe ein Defekt zuverlässig festgestellt werden kann, untersucht. Diese Prüfgenauigkeit wird zum einen aus der inhärenten Güte des eingesetzten Sensorsystems und zum anderen aus der durch die KI verstärken Qualität der Auswertung der Daten bestimmt. Für zwei Planungsprozesse wurde ein Konzept für einen effizienteren Einsatz der Ressourcen entwickelt. Dazu wurden jeweils mathematische Optimierungsmodelle formuliert und Softwarelösungen implementiert. Somit werden die verantwortlichen Planer sowohl in der Disposition der Schienenprüfzüge als auch bei der Terminierung von Instandhaltungsmaßnahmen zur Behebung von Defekten unterstützt.