Siemens Mobility använder AI och digitala tvillingar i ett nytt omfattande program för att modernisera drift och underhåll av Deutsche Bahns järnvägsnät.
För att upprätthålla tågens drifts- och godssäkerhet och även för passagerarnas säkerhet genomgår många av Europas järnvägsnät ett omfattande moderniseringsprogram som inkluderar digitala tvillingar. Med stöd av artificiell intelligens (AI) bidrar digitala tvillingar till att underlätta och effektivisera underhåll av spår, så som signaler och andra objekt i järnvägssystemet, under hela järnvägsområdets livscykel.
Siemens Mobility’s kunniga tekniker använder digitala tvillingar i arbetet med Deutsche Bahns program för modernisering av sitt järnvägsnät, ett projekt värderat till 12,7 miljarder euro (15,3 miljarder dollar). Siemens Mobility’s byggnadsinformationsmodellering (BIM) för järnvägsinfrastruktur omfattar en fullständig digitalisering av produktion, planering, drift och underhåll av järnvägen.
Startar en infrastruktur inventering
En central del av det tyska nationella järnvägsföretagets Deutsche Bahns (DB) moderniseringsinsatser är övergången till det europeiska tågkontrollsystemet (ETCS), den avancerade signal- och styrkomponenten i det europeiska järnvägstrafikhanteringssystemet (ERTMS). Den första delen av BIM-moderniseringsprocessen är att dokumentera och digitalisera signalinfrastrukturen i DB´s järnvägsnät.
Erfarna tekniker på Siemens Mobility använder digitala tvillingar i Tysklands Deutsche Bahns moderniseringsprogram för järnvägsnätet. Foto: Siemens Mobility
Deutsche Bahn insåg tidigt att man behöver uppdaterade data om spåren och järnvägsanläggningen innan man kan implementera ETCS,” säger Carolin Baier, chef för digitala tvillingar och digitalisering för den inhemska marknaden i Tyskland på Siemens Mobility GmbH.
”Vårt uppdrag är att starta infrastruktur inventeringar i olika järnvägsprojekt. Det betyder att vi verkligen behöver en uppdaterad och tydligare bild av anläggningens nuvarande status.”
Föråldrad information om befintlig järnvägsanläggning tillåter inte en genuin planering, drift och underhåll av anläggningen. Särskilt på stora infrastrukturprojekt är det tidsödande att skaffa aktuella data med traditionella mätningsmetoder, vilket i sin tur kan försena projektet och därmed öka kostnaderna för projektet.
Noggrannhet är viktigt
För Siemens Mobility är processen för data inhämtning byggd kring ett Mobile mapping system som kan monteras på tåg, vagnar och bilar, vid behov.
”Det är viktigt att mätdatat är så noggrant som möjligt. Noggrannhetskraven styr valet av insamlingsmetod.” tillägger Baier.
Siemens Mobility förlitar sig på Trimble MX9, Mobile mappning-system, med dubbla laserskannerhuvuden och en AP60 IMU, den högsta kvaliteten på marknaden. Trimble’s MX9 är det första fordonsoberoende Mobil Mappning-systemet som officiellt godkänts av Deutsche Bahn för att dokumentera spår, punkter, kollisionskontroller och föremål i järnvägsområdet, som kontaktledningar, stolpar, kabelrännor mm.
Datainsamlingsprocessen bygger på ett Trimble MX9 mobilt kartläggningssystem som kan installeras på tåg, vagnar och bilar efter behov. Foto: Siemens Mobility
I detta fall monteras Trimble MX9 på ett lok, för effektiv insamling av data.
”Det fantastiska med denna Mobile Mappning lösning är att vi kan samla in information vid normala tåghastigheter, vanligtvis mellan 80 och 110 km/h, och därmed undvika avbrott i ordinarie tågverksamhet.” fortsätter Baier.
Siemens Mobility provkörde Trimble MX9 i Deutsche Bahn Netz AG, Region East som en del av ett projekt för uppgradering av befintliga data. Det redovisade georefererade 3D-punktmolnet av järnvägsområdet inkluderade detaljerade bilder av spåret, spårområdet med bland annat bankslänter.
Data från olika källor
Förutom punktmolnsdata och bilder från MX9 integrerar Siemens Mobility-
teamet en betydande mängd kunddata i 3D-modellen från olika andra källor, som geografiska informationssystem (GIS) och fastighetsregistret (ALKIS).
All data synkroniseras för att skapa en as-built BIM-modell som är positionerad med ett globalt geo-refererat koordinatsystem – i grunden en digital tvilling av det befintliga järnvägsnätet och dess infrastruktur (t.ex. signaler). Teamet utför sedan en gap-analys för att kontrollera om objekten i kunddatabasen överensstämmer med positionerna i punktmolnet. Nästa steg är att identifiera och kategorisera objekt och att implementera en komplett systemlayout i form av en skalenlig spårlayout.
Till exempel, på en 500-800 km lång sträcka kan det finnas cirka 120 000 olika objekt. ”Datat är fantastiskt; den är mycket detaljerad, och tack vare Mobil Mapping kan vi samla in all data snabbt. Men AI är verkligen nyckeln för att låsa upp kraften i data eftersom det möjliggör att arbeta med dessa stora data set på ett effektivt sätt,” säger Baier.
Algoritmisk fördel
Baier och hennes team samarbetade med Siemens Mobility AI-grupp för att utveckla anpassade algoritmer för specifika användningsområden, såsom automatisk objektigenkänning av spårelement. ”Objektigenkänning och AI-algoritmer stöder nuvarande och framtida utvecklingar, vilket möjliggör optimering av järnvägsinfrastruktur samt tågrörelse i halv- eller helt självstyrande system. Utan AI-teknik, för att hjälpa till att sortera data, skulle vi inte kunna utveckla dessa framtida system,” tillägger hon.
Baier anser att framgångsrik implementering av BIM inom järnvägsinfrastrukturen och värdet av en digital tvilling innebär att människor, processer och teknik är
i linje.
”Övergången till ETCS och framtidens järnvägsdrift kommer att kräva en digital medvetenhet. Vi är övertygade om att tillämpningen av BIM snart kommer att göra processlandskapet inom järnvägsinfrastrukturen ännu mer effektivt, vilket i sin tur kommer att möjliggöra betydligt mer transparent samarbete,” avslutar hon.
Källa: Artikel skriven av Vicki Speed, frilansskribent som är specialiserad inom ingenjörs- och byggsektorn på uppdrag av Trimble. Översatt och bearbetad av Trimtec.
Trimble MX9 är det första fordonsoberoende mobila kartläggningssystemet som officiellt godkänts av Deutsche Bahn för att mäta spår, punktavstånd och topografiska objekt. Foto: Trimble
Läs mer om hur du dokumenterar hela spårområdet vid ett tillfälle