Neues KI-Framework erkennt Radschäden in Echtzeit – ohne umfangreiche Daten

Ein innovatives KI-System ermöglicht die kontinuierliche Erkennung von Radschäden an Eisenbahnen, ohne dass umfangreiche manuelle Datenaufbereitung nötig ist. Durch die Kombination von Beschleunigungssignalen, die mittels Variational AutoEncoder in latente Darstellungen überführt werden, und semantischen Metadaten wie Achszählung, Radindex und Deformationen aus Fasern Bragg‑Grating‑Sensoren, kann das System Anomalien zuverlässig identifizieren.

Die semantische Verarbeitung der Sensorinformationen erfolgt automatisch über KI‑gestützte Peak‑Detection, wodurch das System robust gegenüber elektromagnetischen Störungen bleibt. Ein leichtgewichtiger Gradient‑Boosting‑Classifier stabilisiert die Anomalie‑Bewertung mit nur wenigen gelabelten Beispielen, während eine Replay‑basierte kontinuierliche Lernstrategie die Anpassung an sich verändernde Betriebsbedingungen ohne „catastrophales Vergessen“ gewährleistet.

In Tests konnte das Modell bereits kleine Fehler wie Flachstellen und Polygonisationen erkennen und gleichzeitig auf Änderungen in Zugtyp, Geschwindigkeit, Beladung und Gleisprofil reagieren – alles mit nur einem Beschleunigungssensor und einem Dehnungsmesser an einer Seitenstation. Diese Fortschritte versprechen eine zuverlässigere und kosteneffizientere Instandhaltung der Rad‑Schienen‑Grenzfläche, die für die Sicherheit im Eisenbahnverkehr entscheidend ist.