WO2019092248A1 - Analyseverfahren und analysesystem für mit einem inspektionssystem zur optischen inspektion eines fahrzeugs aufgenommene rohdaten - Google Patents
Analyseverfahren und analysesystem für mit einem inspektionssystem zur optischen inspektion eines fahrzeugs aufgenommene rohdaten Download PDFInfo
- Publication number
- WO2019092248A1 WO2019092248A1 PCT/EP2018/080950 EP2018080950W WO2019092248A1 WO 2019092248 A1 WO2019092248 A1 WO 2019092248A1 EP 2018080950 W EP2018080950 W EP 2018080950W WO 2019092248 A1 WO2019092248 A1 WO 2019092248A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- data
- inspection
- vehicle
- analysis method
- inspection object
- Prior art date
Links
- 238000007689 inspection Methods 0.000 title claims abstract description 285
- 238000004458 analytical method Methods 0.000 title claims abstract description 95
- 238000003745 diagnosis Methods 0.000 claims abstract description 65
- 238000000034 method Methods 0.000 claims description 47
- 238000012423 maintenance Methods 0.000 claims description 44
- 230000003287 optical effect Effects 0.000 claims description 26
- 238000004422 calculation algorithm Methods 0.000 claims description 25
- 238000011156 evaluation Methods 0.000 claims description 23
- 230000009471 action Effects 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 10
- 230000007613 environmental effect Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 7
- 238000005286 illumination Methods 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 6
- 238000011179 visual inspection Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000006835 compression Effects 0.000 claims description 2
- 238000007906 compression Methods 0.000 claims description 2
- 238000012790 confirmation Methods 0.000 claims description 2
- 230000036541 health Effects 0.000 claims description 2
- 238000005259 measurement Methods 0.000 description 15
- 238000012545 processing Methods 0.000 description 13
- 230000007257 malfunction Effects 0.000 description 11
- 230000008901 benefit Effects 0.000 description 10
- 238000004378 air conditioning Methods 0.000 description 8
- 230000004888 barrier function Effects 0.000 description 7
- 238000003384 imaging method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000002950 deficient Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008014 freezing Effects 0.000 description 3
- 238000007710 freezing Methods 0.000 description 3
- 238000013403 standard screening design Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000011990 functional testing Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000004393 prognosis Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000011157 data evaluation Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 231100000206 health hazard Toxicity 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000000275 quality assurance Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
- B61L27/50—Trackside diagnosis or maintenance, e.g. software upgrades
- B61L27/57—Trackside diagnosis or maintenance, e.g. software upgrades for vehicles or trains, e.g. trackside supervision of train conditions
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
- B61L27/40—Handling position reports or trackside vehicle data
Definitions
- the invention relates to an analysis method and an analysis system for raw data recorded with an inspection system from a moving vehicle in the operating state for optical inspection of a technical functional state of the vehicle, the raw data comprising at least image data of the vehicle
- the aforementioned method and the aforementioned analysis system are known, for example, toll bridges or video-based traffic monitoring.
- the vehicle approaches the toll bridge, and the sensor assembly, which includes cameras as optical sensors, inspects the vehicle by reading out a license plate or a toll badge.
- the read data is processed by the analysis system operatively connected to the inspection system. All of this happens while the vehicle is in operating condition, that is driving towards the toll bridge or driving under it.
- the described methods and systems are currently very limited in their versatility, although vehicles often pass such known systems several times a day and at frequent intervals.
- Document EP2546120A1 describes an inspection method for optically inspecting a railway vehicle in the operating state using an inspection system. System during a relative movement between the vehicle and a sensor arrangement.
- the inspection method includes applying a thermal and an optical camera to at least one inspection section of the vehicle to inspect a technical operational state of the vehicle.
- WO201 1 / 035983A1 discloses another method and system for optical inspection of a train in the operating state.
- a disadvantage of the known inspection method is that for a comprehensive inspection of the vehicle, a large amount of image data must be evaluated, whereby a diagnosis of the vehicle is available only with significant time lag, and / or significant human and / or computer technology resources are needed, which the Inspection makes uneconomically expensive.
- the object of the invention is therefore to provide an analysis method and an analysis system that are improved over the prior art.
- an improved speed and efficiency of analysis method and analysis system should be achieved.
- the object of the present invention provides an analysis method which achieves the object according to the invention in accordance with the features of claim 1. Likewise, the object is achieved by an analysis system having the features of claim 14. Advantageous embodiments emerge from the dependent claims.
- An analysis method is for evaluating raw data recorded with an inspection system from a moving vehicle in the operating state for optical inspection of a technical functional state of the vehicle, the raw data comprising at least image data of the vehicle.
- the raw data may, for example, be recorded and stored as described in the International Patent Application entitled “Inspection Method and Inspection System for Inspecting a Vehicle in Operation” filed on the same filing date by the same Applicants as the present application.
- the raw data is stored in a database provided by a local server located to the inspection system so that even large amounts of raw data, such as image data, are transferred to and stored in the database within a short time, especially while the vehicle passes the inspection system - can be chert.
- the raw data can be evaluated after the storage of all raw data of an inspection process and / or by a computer system independent of the local server.
- the local server in particular during storage, is not burdened with additional tasks and can be correspondingly low-performance and cost-effective.
- the analysis method comprises at least the following steps in the order named:
- a. computer-aided selecting from the raw data a selection of image data comprising at least one image of an inspection section containing an inspection subject to be inspected;
- Image data the following process steps are applied only to data relevant to the inspection of the inspection object, so that the necessary time and resource use is reduced.
- the computer-aided, in particular automated, recognition of inspection-object-related structures, for example contours, and the image data associated with the structures and the computer-aided, in particular automated, assignment of inspection-object-related structures and associated image data to the inspection object comprises for example a comparison of the structures and image data with corresponding reference data of the inspection object, for example by a learning algorithm.
- the image data and structures belonging to the inspection object can be identified, preferably unambiguously, within the selection.
- the data quantity to be further evaluated is considerably reduced, by raw data which does not relate to the inspection object, for example areas of an image, which do not show the inspection object, can not be further evaluated.
- the further evaluation can be carried out faster and / or with considerably less use of resources than in conventional methods.
- the structures associated with the inspection object are stored as extracted data, these can also be included in the further evaluation in order to increase the reliability of the method.
- an actual contour of an inspection object can be compared with a desired contour.
- comparing actual data with War data and / or target data becomes much more efficient by using extracted data instead of the raw data. For example, in the case of images as raw data, each individual pixel would otherwise have to be compared, regardless of whether it shows the inspection object, another part of the vehicle or a background, which would require a great deal of computation.
- a malfunction, a probability of malfunction or the type of malfunction of the inspection object can be derived therefrom.
- a gradual change can be detected and preferably a further course for the future can be predicted so that a future maintenance action on the object to be inspected can be planned and prepared early, and the vehicle for maintenance only has to be taken out of service as soon as possible.
- the diagnosis also referred to below as the evaluation result, includes, for example, an indication of a probability for each inspected object or inspection section that the respective inspection object has a malfunction or the respective inspection section contains at least one inspection object with a malfunction.
- the diagnosis for a malfunction preferably also includes the type of malfunction.
- the diagnosis may include a current probability and preferably also a predicted future probability of a malfunction.
- a particular advantage of the invention is that selecting, recognizing, associating and tagging or storing can be performed with algorithms optimized for high processing speed and low resource usage to time and resourcesaving a large amount of raw data and selected data to process. Regardless, comparing and creating the diagnostics can be performed with algorithms optimized for high precision and reliability, as only a small amount of extracted data needs to be processed, and so on Algorithms can be created in a short time and with relatively little use of resources a precise and reliable diagnosis.
- the selection of image data may comprise a plurality of images of the inspection section, in particular from different perspectives, under different illumination, in different spectral ranges and / or with different acquisition times. If there are several images of the same inspection section, it is possible, in particular automatically, to check whether the inspection object-related structures and image data recognized in each image are each assigned to the same inspection object. As a result, the assignment can include a plausibility of the assignments by a comparison of the assignments resulting from the individual pictures, so that a more reliable allocation is achieved, in particular if the assignment based on a single picture is not unique. Similarly, making the diagnosis may include plausibility of the diagnosis by comparing the diagnoses resulting from the individual images to increase the reliability of the diagnosis.
- Images taken with different acquisition parameters can be used to diagnose different functional parameters of an inspection object.
- a contour of the inspection object in the case of a recording with incident light, a surface condition of the inspection object and / or a surface temperature of the inspection object during a recording in the infrared spectral range.
- images recorded with different acquisition parameters can also be used for plausibility of evaluation results.
- a surface temperature can also influence a visual image of an object to be inspected, in particular by thermal deformation, so that a different target image can be expected depending on the surface temperature.
- the method preferably comprises a calibration transformation of several images taken from different perspectives and / or with different acquisition times onto a common, at least two-dimensional, preferably three-dimensional, coordinate system.
- images taken at different times typically display an object of inspection at different coordinates in the image and, optionally, from different angles of view.
- the calibration transformation may involve, for example, the recording times of the images, the recording positions of the images relative to the vehicle, and / or the viewing directions of the images relative to the vehicle and / or a speed of the vehicle relative to the inspection system.
- the image data associated with the inspection object may, for example, comprise a section of the at least one image containing the inspection object.
- the section preferably contains as few as possible, in particular none, image data that does not show the inspection object.
- the cut-out can, for example, be the smallest possible rectangle, in particular aligned with its edges parallel to the edges of the image, that contains the entire inspection object.
- the image data associated with the inspection item may include position information of the portion relative to the image.
- position information With the help of the position information, in addition to a functional state of the inspection object itself, its relative position to other parts of the vehicle, which can likewise have an influence on the functional state, can be inspected.
- the position information can be stored as a separate data set of position, shape, size and / or position of the detail relative to the image, in particular in an electronic medical record associated with the vehicle.
- the image outside the detail can be stored with a reduced resolution and / or an increased compression ratio, in particular in an electronic medical record associated with the vehicle.
- the computer-aided recognition, association and / or comparison can include a computer-implemented method of photogrammetry, image matching, image recognition and / or edge recognition, preferably by a self-learning algorithm. sen.
- a self-learning algorithm has the particular advantage that it enables reliable detection, assignment and comparison even with minor changes in the appearance of an inspection object, as is often the case with vehicles, for example due to dirt or moisture.
- the analysis method according to the invention Since the volume of the extracted data is substantially less than the volume of the raw data, it is possible with the analysis method according to the invention to transfer the extracted data quickly and inexpensively to an external computer system remote from the inspection system for further evaluation, so that a local server of the Inspection system is not burdened with the further evaluation and can be designed according to cost.
- analysis method further comprises the following step :
- the vehicle is a rail vehicle.
- An achievable advantage of the invention lies in the creation of time-efficient and cost-effective organizational structures for inspection and maintenance of vehicles, such as trains, and rail networks.
- a rail vehicle that is supplied with power from a power line during the inspection, such as a passenger train, a freight train, a tram, a subway or a suburban train.
- the inspection of vehicles with high voltage power supply is often very personal and time consuming. If it is necessary to inspect elements associated with the high voltage, it has hitherto often been necessary to use people who may be exposed to a health hazard as a result of the high voltage.
- the inspection section has an inspection object, also called an inspection element or inspection object.
- the inspection object is a specific component to be inspected in the inspection section.
- the inspection section can also have a plurality of individual inspection objects which are to be inspected together.
- the inspection portion may thus include a portion of the vehicle or an item of the vehicle.
- An inspection section is preferably an element selected from the group consisting of so-called roof garden of the vehicle, undercarriage of the vehicle, air conditioning of the vehicle, individual car of the vehicle, several cars of the vehicle, pantograph of the vehicle, pantograph of the pantograph, wheel of the vehicle, Tire of the vehicle, axle of the vehicle, air deflector of the vehicle or a combination of these objects with each other and also other objects.
- Such articles often need to be inspected for their technical condition and an inspection in the operating condition of the vehicle may be more efficient than at standstill when performed by an inspection system, method, method of analysis and analysis system according to the invention.
- the inspection system comprises at least one sensor, preferably with permanently set measurement technology, for collecting raw data via the inspection section, wherein the sensor is preferably selected from the group consisting of optical sensor, olfactory sensor, chemical sensor, vibration sensor, electromagnetic sensor, thermal image sensor and acoustic sensor , where at least one sensor is an opti- shear sensor, and preferably a further sensor is provided in the sensor arrangement, which preferably differs from the optical sensor in a measuring technique used by it for collecting raw data.
- a camera as an optical sensor.
- a preferred camera is an area camera or a line camera. In front of the camera, a prism for spectral separation may be upstream.
- the spectral range of the camera is preferably the range of visible light and in particular also the IR range.
- the analysis method may include storing the diagnosis, and preferably the extracted data, a test result of a test by a user of the diagnosis and / or a suggested maintenance action in an electronic medical record associated with the vehicle.
- the data may be archived for use as war data for future evaluation of vehicle inspection data.
- the data of a vehicle can be used in the medical record, in particular for documentation and quality assurance. For example, it can be easily checked in the medical record whether a diagnosis to be checked by a user has actually been checked.
- the medical record does not contain the very extensive raw data, but a summary of the main results in the form of the diagnosis, possibly with extracted data, test results and / or maintenance action proposals. Furthermore, the results summarized in this way can also be processed and analyzed in a simple manner using methods of information retrieval, knowledge discovery in databases and data mining which are customary in information technology.
- the electronic medical record preferably comprises means for manipulation protection of data stored in it, for example encryption algorithms and / or electronic certificates.
- the analysis method may include an automated conversion to a format suitable for a vehicle system control system and transmission of the diagnosis, and preferably a test result of a user's validation of the diagnosis and / or proposed maintenance action to the traffic analysis system.
- system control Different means of transport systems, such as a railway long-distance transport system and a rail transport system, usually have different requirements for the vehicles used and their inspection objects and different systems for transport system control. Therefore, conversion to a system for the traffic system control, in particular with an adapted weighting of evaluation results, is advantageous for a problem-free further processing.
- diagnosis or the maintenance action on an operational capability of the vehicle early in the transport system control are taken into account, for example, to prevent lost time or delays.
- the analysis method comprises a step of generating a diagnosis concerning the technical functional condition of the vehicle using raw data acquired by the sensor arrangement.
- the steps of storing raw data, extracted data and / or metadata generated from raw data by the inspection system into a database, which is preferably arranged remotely relative to the inspection system, and / or applying an algorithm to the raw data stored in the database are particularly preferred , extracted data and / or metadata, and / or establishing the diagnosis pertaining to the vehicle based on the application of the algorithm.
- Metadata may be data derived from inspection data, for example, and metadata may relate only to a portion of the inspection data relevant to the inspection purposes, for example, the metadata may include weights (eg, on a scale of 0 to 1) indicating the relevance of a parameter encode for inspection purposes.
- Metadata may also include "diagnoses" or predictions, such as a probability that a pantograph will fail within a given time period, and metadata may include action instructions, such as repairing or exchanging a particular pantograph at a particular time interval.
- the data network can extract and / or statistically evaluate higher-level metadata algorithmically from medical records of various moving vehicles.
- These higher-level metadata may include, for example, in which maintenance intervals a typical pantograph whose train may be reversed, serviced or replaced on certain routes should be included.
- Parent metadata may also include a set of weighting factors of parameters that contain the information as to which parameters must be considered in which weights to achieve an inspection purpose with particularly small hardware and software resources.
- the medical record comprises a train identification.
- the train identification can be transmitted, for example via a data transmission device, such as a transponder or an example SOFI antenna to an ICE train from the train to a data network and / or an inspection system. It is also conceivable to read the train identification by an optical image recognition method from a feature of a train, such as the train number on the side or for a train model characteristic design features of the outer shell or previous damage.
- a number of auxiliary measurements can be taken and evaluated by measuring equipment.
- a measuring apparatus may be a number of photoelectric sensors for measuring properties of an external shape of a train.
- a simple photoelectric barrier can determine whether a train or a car of a train, such as a dining car, exceeds a certain height.
- the height of a turn can significantly limit the possible draw type.
- a measurement of the external shape of a train is also independent of the pollution or the technical function of the train, unlike markings such as a train number on the train that can not be read or not error-free due to contamination or malfunction.
- a light barrier arranged horizontally can in particular raise the number of wagons and the length of the wagons of a train, which makes it possible with simple means to draw conclusions about the type of train, its series of wagons and / or its orientation with respect to the direction of travel.
- the train actively communicates with an inspection system.
- the train can actively communicate its identity and other information concerning, for example, its previously determined evaluation results. This can be done wirelessly, for example.
- Exemplary wireless communication technologies are WLAN, radio, RFID, light signals and / or acoustic signals, such as a Morse code.
- a preferred analysis method comprises comparing current actual data with historical War data and / or expected target data preferably within a data type, wherein the data types comprise raw data, extracted data and / or metadata and generating the diagnosis of the vehicle by determining Deviations of the compared data.
- inspection data can be collected from an inspection system in the workshop Kunststoff by an inspection system.
- This inspection data can be processed into a diagnosis by comparing it with a central database of empirical and metadata-based data, for example, a 60 percent chance that a coffee maker or air conditioner will fail within the next week. Preserving the exact type of forecasted defective air conditioning in each factory workshop would require expensive inventory. If, in addition, a replacement component for the predicted defective component had to be brought to the site of the inspection, ie Kunststoff, for servicing, the service life of the train as well as the occupancy of tracks or service workshops would increase.
- the analysis method comprises the following steps in the order given:
- the diagnosis can be communicated to the user, for example, in the form of a three-level traffic light system in which, for example, inspection objects or inspection sections are marked green with a low probability of a malfunction, marked yellow with medium probability, and marked red in a high probability. In this case, for example, only red or yellow marked inspection objects or inspection sections would have to be checked by the user.
- the testing can be carried out in several stages, first on the basis of the extracted data, that is to say, for example, the image sections associated with the inspection object. Only if the extracted data does not provide a clear result will the raw data be checked additionally. Only if the raw data does not provide a clear result, an employee must go to the vehicle for a visual inspection.
- the type of checking can be selected automatically depending on the diagnosis and / or the inspection object. For example, with a high probability of a malfunction and / or diagnoses and / or inspection objects having a high relevance for the safety and / or function of the vehicle, a visual check on the vehicle can be selected and with a low probability and / or relevance Check based on the extracted data.
- the relevance of an inspection object can be dynamic, for example, an air conditioner in summer can be more relevant than in winter.
- the user can confirm or reject the automatically generated diagnosis.
- a self-learning algorithm that has created the diagnosis may include the result of the test to improve future diagnoses.
- the analysis method may include automatically suggesting a maintenance action for the vehicle based on the diagnosis.
- a maintenance action for example the replacement of a high-probability defective inspection object, this can be carried out particularly quickly so as not to take the vehicle out of operation for an unnecessarily long time and to avoid consequential damage due to a delayed maintenance action.
- the analysis method may include automatically predicting a future technical health of the vehicle based on a result of computer-assisted comparing current extracted actual data with historical extracted war data, wherein the analysis method preferably includes automatically suggesting a maintenance activity at a maintenance time, and preferably a maintenance location for performing the maintenance action.
- a predicted functional condition allows maintenance actions to be planned in advance according to requirements and according to a usage plan of the vehicle, so that maintenance resources, for example spare parts, workshops and workshop personnel, are used as efficiently as possible and the vehicle is minimally restricted in its use by the maintenance activity.
- the raw data may include environmental parameters of an environment of the vehicle upon collection of the raw data, wherein the environmental parameters are preferably taken into account in computerized comparison and / or diagnostics.
- Environmental parameters may include, for example, ambient temperature, ambient humidity, ambient brightness, ambient noise, or chemical analyzes such as the detection of leakages of the train. Logging environmental parameters is important to verify that, for example, a sensor is operating within its operating conditions.
- the operating conditions of a sensor may be a temperature range of -10 ° C to 50 ° C and a maximum humidity of 80%. If the sensor is operated outside of its operating conditions, the probability of measurement artifacts that can lead to misdiagnosis increases. Consequently, diagnoses whose raw data were recorded outside the corresponding operating conditions of the sensors should be checked by a user.
- measurements of the environmental parameters can be an input variable in the evaluation of raw inspection data. For example, if an ambient temperature is below freezing point of water, an increased probability may be implemented in the evaluation algorithm that artifacts in the inspection image data are due to icing.
- the inspection process essentially takes place in a closed environment such as, for example, an operating workshop
- the environmental parameters of an outdoor area through which the vehicle traveled before the inspection can additionally be taken into account.
- the ambient conditions of the exterior area are preferably determined by a sensor system of the vehicle and transmitted to the inspection system. For example, at outdoor temperatures below freezing, a vehicle may freeze over water and then enter an operating workshop at a local temperature above the freezing point of water. Without the information that the outside temperatures were below 0 ° C, the algorithm may reject the interpretation that an artifact in the optical inspection data is due to icing as unlikely.
- an analysis method with at least one of the steps of recording raw data by the sensor arrangement and / or buffering of raw data on a first storage medium, which is preferably arranged within the sensor arrangement, and / or after completion of the recording of, preferably all, raw data, analysis the raw data and deriving extracted data based on the analysis and / or collection of metadata from raw data and / or extracted data and / or archiving raw data and / or extracted data and / or metadata on a second storage medium, the first storage medium having a higher write and or reading speed as the second storage medium, and the second storage medium is preferably located remotely from the sensor assembly and / or correlating raw data, extracted data and / or metadata by using the algorithm to create the diagnosis and / or store the diagnosis in a data base nk, preferably assigned to a vehicle on which the raw data was acquired.
- an analysis method comprising at least one of deriving an evaluation result for the vehicle based on the diagnosis, preferably confirming the evaluation result by a user and preferably giving a maintenance recommendation to the user and / or proposing a maintenance action for the vehicle to the user by the inspection system by diagnosing and / or re-inspecting the vehicle at a later time, by re-applying technical sensors or by human inspection based on the previous diagnosis to confirm or reject the previous diagnosis.
- the analysis method comprises a step of generating big data using the evaluation result.
- big data Possible embodiments and advantages of big data are described in the corresponding section 3.1.14 "Big Data" of international patent application WO2018087341 A1, which is incorporated herein by reference.
- the method can become more efficient through statistical data evaluation, for example by learning algorithms documenting empirical values preferably in as compact as possible metadata with regard to the data volume.
- these metadata can be used as weighting factors for inspection parameters (for example: missing
- Screw is a must for immediate maintenance) or selection factors for a Inspection measurements relevant to the purposes of the inspection (for example: for the three-dimensional inspection of a pantograph of a train, one or two optical cameras are sufficient, possibly with a specific illumination and acquisition sequence).
- Exemplary adaptive algorithms which are suitable for the method according to the invention are Monte Carlo algorithms, traveling salesman algorithms, neural networks or evolutionary algorithms. For the problem of image processing, learning algorithms can also be used according to the invention. Exemplary embodiments and concepts of such adaptive algorithms for image recognition are described in the seminar series "Technologies of Production Automation: Learning Machine Vision for Quality Assessment on the Basis of Supervised Learning: Support Vector Machine" by Patrick Raulfugfug, publisher: Univ. Ing. Michael Weyrich; Siegen (ISSN 2195-9986), which is incorporated herein by reference.
- a preferred inspection method comprises the step of generating a three-dimensional model of at least the inspection object, in particular of the inspection section, from one- or two-dimensional images of the inspection section captured by one or more sensors. It is preferably provided to generate three-dimensionally resolved data sets of the inspection object, the inspection section or the vehicle.
- the three-dimensionally resolved data sets are formed from data recorded sequentially in time by at least one sensor and / or from one or two-dimensional data of the inspection section recorded synchronously or temporally sequentially by a plurality of sensors.
- the inspection method preferably derives a three-dimensional model of the inspection section from a singular or a plurality of three-dimensionally resolved data sets from one or more sensors or sensor types.
- a three-dimensional model of at least one inspection section of the vehicle to be inspected can even be generated with only one imaging sensor, such as a camera.
- the approach according to the invention is to utilize the relative movement of the vehicle to be inspected against the imaging sensor.
- the imaging sensor is translationally and / or rotationally stationary, which facilitates its location, actuation, adjustment and calibration, and the vehicle to be inspected is moved. Recorded at different times, one or two-dimensional measurement data of the imaging sensor are thus recorded from different angles of the vehicle with respect to the optical axis of the imaging sensor. From this, a three-dimensional image of at least one inspection object of the vehicle to be inspected can be created by an image-evaluating algorithm.
- a three-dimensional plan view of a pantograph on the roof of a moving train can be created from which it is possible to check with higher interpretation reliability and also by an algorithm as to whether the pantograph is damaged in its structure, for example broken.
- groups of technical components on a moving train in particular on the roof garden of a moving train, can be grouped together in clusters.
- clustering such components the pattern recognition from image data can be made more efficient and less computationally and / or hardware-intensive.
- such a target-actual comparison can be performed more efficiently, in which not the individual components are compared, but the entire cluster with a database of possible target clusters.
- a cluster for example, a pantograph, an air conditioner, a roof flap and / or an antenna of a train can be summarized. This increase in efficiency results in a lower data volume with the same inspection accuracy. For example, with the same sampling rate of the inspection system, the relative speed of the moving object and inspection system can be increased, so that the utilization and the throughput of the inspection system can be increased.
- categorization is also conceivable.
- the analysis method can be used for the diagnosis of a variety of technical operating conditions of the vehicle, preferably for crack detection or for detection of burn-in holes or for inspection of one or more elements from the group consisting of covers, antennas, air conditioning latches, air blades, screws, cables, switches, Insulators, power strips, bellows, pantograph links, pantograph heads, pantograph air baffles, lift drive cables, transducers, bearing pads, test taps, car transitions, etc.
- Possible methods for diagnosing functional states of specific inspection objects and their advantages are described in the corresponding section 3.1 .22 "Methods and Methods" of international patent application WO2018087341A1, which is incorporated herein by reference.
- An inventive electronic analysis system preferably comprises both an internal to the inspection system and an external, remote from the inspection system subsystem.
- the analysis system is set up to carry out an analysis method according to the invention, wherein the internal subsystem, for example a local server, is designed at least for carrying out the following steps:
- the external subsystem for example a computer system external to the inspection system, is preferably designed to carry out the remaining steps of the analysis method according to the invention.
- the above-mentioned mandatory and optional features of the inspection method can be transferred to device features of the analysis system according to the invention.
- the analysis system has at least one subsystem, which is arranged internally with respect to the inspection system.
- this may be a server in an internal data network associated with the inspection system.
- the analysis system has at least one subsystem, which is arranged externally relative to the inspection system.
- this may be a cloud computing farm in an external data network that is outside the inspection system.
- part of the data processing of the inspection system is done in the internal subsystem, while another part of the data processing is done in the external subsystem.
- the computing power of an external subsystem such as a Cloud computing farm, without fully transferring the inspection data collected by the inspection system and derived inspection object data to the external subsystem. This reduces the risk of losing control over the measurement data.
- the analysis system has software resources and / or hardware resources that are at a transferable and storable data rate for applying the sensor arrangement to the inspection portion of the vehicle at a predetermined relative velocity of relative movement with one for inspection purposes and / or validation the measurement results are designed sufficient data redundancy.
- the relative speed is preferably between 2 km / h up to 400 km / h, more preferably between 2 km / h and 50 km / h, more preferably between 3 km / h and 10 km / h and ideally at 5 km / h.
- the data rate is adapted to a constant or variable relative speed during an inspection interval, preferably dynamically to achieve the sufficient and / or constant data redundancy.
- sufficient data redundancy is at least one, preferably 3 and more preferably 3 to 10 data sets per section of an inspection object to be inspected.
- the hardware resources provide a data transfer rate of up to 7 Gb / s between a server and the sensor array.
- the sensor arrangement may make such high data rates necessary for certain sensors.
- the data transmission can be split over several data cables. For example, over 7 copper coax cables per 1 Gb / s can be transmitted to achieve the total transmission rate of 7 Gbps.
- a camera detector which is part of a camera as a sensor, initially stores image recordings on the camera chip. The image recordings are then led out of the camera chip via a data line with preferably at least 300 Mbit / s. It is preferred that 3 sensors, e.g. Cameras connected to a common switch. The switch is thus configured to process a data volume arriving from the sensors of preferably approximately 1 Gbit / s.
- a preferred switch provides power to the sensors connected to it, either via the data line to the sensors or via a separate power line.
- the advantage of bundling several sensors on one switch can be that the A variety of cables that go from the multiple sensors, only to the switch must exist, and behind a reduced number of cables may be present, for example, only a single data cable that connects the switch with other components of the analysis system.
- a processing memory or analysis hard disk preferably a SSD (Solid State Disk) is provided.
- SSDs can also handle a data rate of eg 7 times 1 Gbit / s.
- the SSDs can also be provided redundantly, preferably also in a RAID array, eg RAID 0 or 1, it is preferred that the SSDs are operated in a single mode.
- a separate processor or processor cluster is provided for the data processing of each inspection section. This avoids disruptions in a processor causing disturbances in evaluations of several inspection sections. Thus, a parallelization of the tasks by processors is preferred. For example, in embodiments, a processor or processor cluster exclusively evaluates the roof garden or the pantograph.
- the relevant image section is extracted, whereby fewer data and objects are to be evaluated. For example, an amount of data to be evaluated can be reduced from 40GB to 5GB.
- certain sensors can already reduce the amount of data from 40GB to 26GB.
- the image sections recognized as relevant are stored, preferably on an SSD.
- the extracted data is stored on an archival hard disk that is slower than the SSD, such as a mechanical hard disk.
- the archival hard disk is preferably redundantly created in the RAID array, e.g. as RAID1, RAID3, RAID5 or RAIDI O.
- a preferred hard disk has a capacity of 3 - 6 TB, preferably 5 TB.
- an interface be provided by camera clients to servers.
- a user at a camera client of the inspection system can access a server that manages the inspection system.
- a preferred server is remotely located relative to the sensor assembly. This means that for example the Sensor assembly may be arranged in a tunnel, while the server is housed in a remote data center.
- An interface for a web interface is preferably provided on the server.
- the server can be accessed via the Internet via a browser.
- Another preferred interface is provided between the server and control of the inspection system.
- the server controls lighting systems and triggers of the inspection system.
- the lighting and the triggering of the inspection system can take place remotely through the server.
- the server has an interface to external databases.
- Such is preferably SOFIS to retrieve train arrival and train type, e.g. to read in a maintenance plan. If the server learns by SOFIS and which train is approaching the inspection system, the server can send control signals to the sensors, e.g. initialize the cameras. Preferably, the cameras are initialized about 30 seconds before the train arrives.
- the server may preferably initialize a train search camera and, if necessary, activate the lighting of the inspection system for the inspection sections.
- admission clients Two types of clients are preferably provided for the analysis system: admission clients and user clients.
- Recording clients are preferably extra computers for receiving and linking external data without disturbing a calculation computer. This achieves a hardware-based separation between external data reception and processing of measured data.
- user clients allow the user to influence the analysis system.
- Automation of an inspection and / or maintenance procedure of a moving object such as a train or rail network has a significant added value compared to manual control, especially if it functions so reliably and smoothly that the inspection system and / or maintenance system itself has little manual controls or Maintenance interventions needed. This applies in particular to the operation of railway networks, in which security and documented security have a high priority.
- FIG. 1 shows a schematic structure of an inspection system, wherein the inspection system comprises an analysis system according to the invention
- FIG. 2 is a schematic diagram of substeps of an embodiment of an inspection method
- FIG. 3 shows a further schematic diagram of sub-steps of an embodiment of an analysis method according to the invention.
- Figure 1 shows a schematic structure of an inspection system 1.
- the inspection system 1 provides a passage for a vehicle (not shown).
- the passage and the exact structural configuration of the inspection system 1 relative to the vehicle is not shown in this schematic view for the sake of simplicity.
- the inspection system 1 is arranged to inspect a traveling train while passing through the passage.
- the train is an electrically powered train supplied with power from a high voltage line.
- the high voltage line runs through the passage.
- the inspection system 1 has a sensor arrangement. Sensors 2a-g are combined in a first sensor module 3 and a second sensor module 4.
- the inspection system 1 includes a server constituting the analysis system 5.
- the server 5 comprises a database for storing raw data, extracted data and metadata acquired by the sensors 2a-g of the inspection system 1, in the present exemplary embodiment in a folder structure.
- the server 5 is arranged to apply an algorithm to the stored data to make a diagnosis concerning the vehicle.
- the Inspection system 1 further comprises a programmable logic controller (PLC) 6 for controlling the inspection system 1.
- the PLC 6 can have a PFC (programmable fieldbus controller).
- the inspection system 1 comprises a lighting system 7 for illuminating an inspection section of the vehicle.
- the lighting system 7 is connected to the PLC 6 for control purposes.
- the inspection system 1 has a light barrier 8.
- the light barrier 8 is also connected to the PLC 6 for control purposes.
- the sensor assembly is used to inspect an inspection section of the train. In this case, it is provided according to the invention that a technical functional state of the vehicle is inspected in the operating state, that is, while the train is traveling.
- the first sensor module 3 includes three optical sensors 2a-c, namely area-scan cameras.
- the cameras 2a-c are adapted to take black and white pictures.
- the three cameras 2a-c of the first sensor module 3 are each arranged to record images with a data volume of about 4.5 MB per image.
- the frame rate is about 5 frames per second. At a relative speed between the vehicle and camera 2a-c of 5 km / h, as provided, this results in a frame rate of about 5 images per passing inspection object.
- a first camera 2a is connected to the PLC 6 via a first trigger line 9.
- the first trigger line 9 is electrically grounded via a first ground connection 10.
- the first trigger line 9 is designed as an optical cable, more precisely fiber optic cable, and connected to the first camera 2a via an optocoupler 1 1 for transmitting a trigger signal.
- the first sensor module 3 further includes a first switch 12.
- the first switch 12 has a module-internal connection, via which the first switch 12 can receive data from the optical sensors 2a-g, and a module-external connection, via which the first switch 12 can transmit data to the server 5.
- the three cameras 2a-c are each connected via a first combined Ethernet data-current line 13 to the first switch 12 at its module-internal connection.
- the first switch 12 not only receives the data from the three cameras 2a-c via the module-internal connection, but also supplies each of the three cameras 2a-c via the module-internal connection, in each case with 48 volts of voltage and a maximum of 20 watts of power.
- the data flow from each camera 2a-c to the first switch 12 is a maximum of 40 MB / s, whereby as a rule only actual values of about 22.5 MB / s are achieved (at 5 frames per second).
- the first switch 12 sends to the server 5 data corresponding to up to about 125 Mbytes / s (1 Gbit / s) via a first switch-server connection 14. This data contains one in addition to the image data of the three cameras 2a-c certain administrative overhead.
- the first switch 12 is grounded via a second ground connection 15.
- the second ground connection 15 differs from the first ground connection 10. Since the first trigger line 9 is an optical cable, there is no electrical coupling between the first camera module 3 and the first trigger line 9.
- the first trigger line 9 and the first sensor module 3 are, in other words , galvanically isolated. In this way, interference effects on the first sensor module 3 are reduced, which can have a positive effect on the recording quality of the three cameras 2a-c.
- the second sensor module 4 includes four optical sensors 2d-g, which preferably have a distance of about 60 cm from the vehicle during application to the vehicle.
- Two of the optical sensors 2d, 2e are line scanners with integrated camera, the other two optical sensors 2f, 2g are cameras without line scanners.
- the cameras in each of the optical sensors 2d-g of the second sensor module 4 are preceded by color filters.
- Each camera 2d-g of the second sensor module has a cache for exactly one image.
- the second sensor module 4 is configured to perform laser line measurements, in particular for a light-slit method.
- the raw data recorded by the cameras 2d-g of the second sensor module 4 are internally processed internally in the cameras 2d-g of the second sensor module 4 itself.
- a raw height image and / or raw intensity image is generated in the second sensor module 4.
- a calibration and rectification of the detected laser image is performed in the cameras 2d-g of the second sensor module 4.
- the second sensor module 4 includes a second switch 16.
- the four optical sensors 2d-g of the second sensor module 4 are connected to the second switch 16 via a second combined Ethernet data-power line 17, respectively.
- the data rate to the second switch 16 is reduced by the internal data processing in the cameras 2d-g of the second sensor module 4 to about 80 MBit / picture or a 6-channel picture to 12 Mbit per channel, it is unproblematic in this second sensor module 4 even four cameras 2d-2g via a combined Ethernet data-power line 17 to the second switch 16 to connect.
- Per camera 2d-2g less than 40 MByte / s of image data sent to the second switch 16.
- the second switch 16 is connected to the server 5 via a second switch-server connection 18 and is configured to send a maximum of 125 MBytes / s (1 GBit / s) to the server 5.
- the second switch 16 sends the captured raw data and the calibrated and rectified images to the server 5. Further evaluation is performed on the server 5 side based on the calibrated and rectified images.
- One of the optical sensors 2d-g of the second sensor module 4 is connected to the SPS 6 by a second trigger line 19. Thus, the PLC 6, the second sensor module 4
- the illumination system 7 is connected to the PLC 6 via a third trigger line 20.
- the PLC 6, the lighting system 7 trigger.
- the PLC 6 is connected to the server 5 bidirectionally via a PLC server connection 21.
- the lighting system 7 is connected to the first ground connection 10, as is the first switch 12.
- a relay 22 is connected to the lighting system.
- the first sensor module 3 in the operating state, is spaced apart from the second sensor module 4 along the direction of movement of the vehicle.
- the first sensor module 3 and the second sensor module 4 are at the same height.
- the server 5 preferably has eight Gbit network inputs for interfacing with the sensor array; seven for the sensor modules and one for the PLC 6, for example to provide updates.
- the sensors Preferably, six sensor modules are present, which in each case resemble the first sensor module 3.
- the sensors contain different measurement techniques and allow both invasive and non-invasive measurements on the vehicle.
- a preferred server 5 may manage 15-25 cameras, preferably 20 cameras, arranged as shown in groups in several sensor modules.
- the trigger signals are sent by the PLC 6 via the first trigger line 9, the second trigger line 19 and the third trigger line 20 as soon as the light barrier 8 is triggered by a train passing through the inspection system 1 and the PLC 6 was woken up by the light barrier 8.
- the illumination system 7 is activated and the first sensor module 3 and the second sensor module 4 of the sensor arrangement begin to record raw data.
- the first sensor module 3 transmits the raw data unchanged to the server 5 for further processing.
- the cameras 2d-g in the second sensor module 4 preprocess the raw data and send extracted data via the second switch 16 to the server 5. There, a further processing of some or all takes place from the sensors 2a-g recorded and received by the server 5 data.
- the software resources and hardware resources provided in the inspection system 1 and, in particular, the analysis system thus allow comprehensively the application of the sensor arrangement to the inspection section of the vehicle with a predetermined relative speed of relative movement, the relative speed preferably being between 2 km / h and 400 km / h, namely as mentioned at about 5 km / h.
- the software and hardware resources are thus designed for applying the sensor arrangement to the inspection section of the vehicle at a predetermined relative speed of the relative movement with sufficient data redundancy for the inspection purposes and for validating the measurement results.
- the server 5 is set up to carry a medical record via trains and to make diagnoses via inspection objects, such as air conditioning grids, on the trains. Using analytic results, big data is generated.
- the server 5, in embodiments, may form an internal subsystem of the analysis system, while an external subsystem, such as an external subsystem. a cloud computing farm, outsourced.
- an external subsystem such as an external subsystem. a cloud computing farm
- the server 5 is set up to generate a three-dimensional model of the inspection section 1 from surface image data of the first sensor module 3. From several two-dimensional images of the moving train, which were recorded temporally sequentially by one of the three cameras 2a-c of the first sensor module 3, the three-dimensional model is derived by an algorithm on the server 5. For example, one of the three cameras 2a-c of the first sensor module 3 five shots in transit of the Zuges be created. Thus, with only a single 2D camera or area-scan camera, a 3D model can be generated because the train moves in relation to the camera.
- FIG. 2 shows a schematic diagram of substeps of an embodiment of an inspection method.
- the inspection system 1 shown in FIG. 1 and the analysis system, that is to say the server 5, are set up to carry out this inspection process.
- a maintenance plan of all vehicles in this case trains, is read.
- a second step S302 it is detected whether a vehicle is approaching the inspection system 1, in the present exemplary embodiment by reading out an RFID chip.
- a pre-warning time for the inspection system 1 is set.
- the inspection system 1 is initialized, in particular the sensor arrangement.
- a functional test of the inspection system 1 is performed.
- a functionality of the inspection system 1 is automatically determined.
- step S308 it is selected depending on an inspection method based on historical data depending on the vehicle to be inspected.
- a ninth step S309 environmental parameters are determined after applying the sensor arrangement.
- the inspection system is finally shut down after all raw data has been acquired by the sensor arrangement.
- steps S301 to S310 are executed in the order indicated. In other embodiments, however, a changed order may be used or further steps may be added, even between the two
- Steps S301 to S310, or steps may be removed.
- big data is generated based on a diagnosis or an evaluation result.
- FIG. 3 shows a schematic diagram of sub-steps of an embodiment of an analysis method according to the invention. The sub-steps can be combined, for example, with the steps of the inspection method of Figure 2, for example, entangled, or upstream or downstream of the steps of Figure 2.
- a first step S401 an evaluation result for the vehicle is derived from a diagnosis made using raw data.
- the evaluation result is confirmed by a user. This can be done on one User client via a corresponding interface, eg web interface done.
- a maintenance recommendation is given to the user by the analysis system.
- a maintenance action for the vehicle is proposed to the user. This maintenance action can be based on a medical record.
- the vehicle is later inspected again by technical sensors, in this embodiment by the inspection system on a later passage of the vehicle, based on the previous diagnosis to confirm or reject the previous diagnosis.
- the inspection method in this embodiment allows to check whether a diagnosis or prognosis actually becomes a reality or not. For example, if the diagnosis is "pantograph likely to break in 5 weeks", based on historical data compared to a current evaluation result, a new diagnosis, ie a previous diagnosis, can be made after 4 weeks, if the re-diagnosis "pantograph breaks probably in one week ", confirms the previous diagnosis. If the re-diagnosis is "pantograph likely to break in 4 weeks", the previous diagnosis will be discarded and a pantograph replacement may be postponed until further notice, thus saving costs.
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Vehicle Cleaning, Maintenance, Repair, Refitting, And Outriggers (AREA)
Abstract
Die Erfindung betrifft einerseits ein Analyseverfahren für mit einem Inspektionssystem (1) von einem bewegten Fahrzeug im Betriebszustand zur optischen Inspektion eines technischen Funktionszustands des Fahrzeugs aufgenommene Rohdaten, wobei die Rohdaten zumindest Bilddaten des Fahrzeugs umfassen. Das Analyseverfahren umfasst zumindest folgende Schritte: Auswählen einer Auswahl von Bilddaten, umfassend zumindest ein Bild eines ein zu inspizierendes Inspektionsobjekt enthaltenden Inspektionsabschnitts, aus den Rohdaten; computergestütztes Erkennen von inspektionsobjektbezogenen Strukturen und zugehörigen Bilddaten in der Auswahl; computergestütztes Zuordnen der inspektionsobjektbezogenen Strukturen und zugehörigen Bilddaten zu dem Inspektionsobjekt; automatisiertes Markieren in der Auswahl oder Speichern der dem Inspektionsobjekt zugeordneten Bilddaten und bevorzugt der dem Inspektionsobjekt zugeordneten Strukturen als extrahierte Daten; computergestütztes Vergleichen gegenwärtiger extrahierter Ist-Daten mit historischen extrahierten War-Daten und/oder erwartungsgemäßen extrahierten Soll-Daten und automatisiertes Erstellen einer Diagnose des technischen Funktionszustands des Fahrzeugs durch Bestimmen von Abweichungen der verglichenen Daten. Die Erfindung betrifft andererseits ein Analysesystem (5), das sowohl ein zu dem Inspektionssystem (1) internes als auch ein externes, entfernt von dem Inspektionssystem (1) angeordnetes Teilsystem umfasst und dafür eingerichtet ist, das erfindungsgemäße Analyseverfahren durchzuführen.
Description
ANALYSEVERFAHREN UND ANALYSESYSTEM FÜR MIT EINEM INSPEKTIONSSYSTEM ZUR OPTISCHEN INSPEKTION EINES FAHRZEUGS AUFGENOMMENE ROHDATEN
BESCHREIBUNG
1 Technischer Hintergrund
Die Erfindung betrifft ein Analyseverfahren und ein Analysesystem für mit einem Inspektionssystem von einem bewegten Fahrzeug im Betriebszustand zur optischen Inspektion eines technischen Funktionszustands des Fahrzeugs aufgenommene Rohdaten, wobei die Rohdaten zumindest Bilddaten des Fahrzeugs umfassen
Aus dem Stand der Technik sind das eingangs genannte Verfahren und das eingangs genannte Analysesystem bekannt, beispielsweise von Mautbrücken oder videogestützter Verkehrsüberwachung. Das Fahrzeug nähert sich der Mautbrücke und die Sensoranordnung, die als optische Sensoren beispielsweise Kameras aufweist, inspiziert das Fahrzeug, indem es ein Autokennzeichen oder eine Mautplakette ausliest. Die ausgelesenen Daten werden durch das Analysesystem, das mit dem Inspektionssystem wirkverbunden ist, verarbeitet. Dies alles geschieht, während das Fahrzeug im Betriebszustand ist, also auf die Mautbrücke zufährt oder unter dieser hindurch fährt. Die beschriebenen Verfahren und Systeme sind in ihrer Vielseitigkeit gegenwärtig sehr limitiert, obwohl Fahrzeuge oft mehrmals täglich und in kurzen Abständen derartige bekannte Systeme passieren.
Das Dokument EP2546120A1 beschreibt ein Inspektionsverfahren zum optischen Inspizie- ren eines Eisenbahn-Fahrzeugs im Betriebszustand unter Verwendung eines Inspektions-
Systems während einer Relativbewegung zwischen dem Fahrzeug und einer Sensoranordnung. Das Inspektionsverfahren umfasst ein Anwenden einer thermischen und einer optischen Kamera auf zumindest einen Inspektionsabschnitt des Fahrzeugs, um einen technischen Funktionszustand des Fahrzeugs zu inspizieren.
Die Druckschrift WO201 1/035983A1 offenbart ein weiteres Verfahren und System zur optischen Inspektion eines Zugverbandes im Betriebszustand.
Nachteilig an den bekannten Inspektionsverfahren ist, dass für eine umfassende Inspektion des Fahrzeugs eine große Menge an Bilddaten ausgewertet werden muss, wodurch eine Diagnose des Fahrzeugs erst mit deutlichem Zeitversatz verfügbar ist, und/oder erhebliche menschliche und/oder computertechnische Ressourcen benötigt werden, was die Inspektion unwirtschaftlich teuer macht.
2 Aufgabe der Erfindung
Aufgabe der Erfindung ist es daher, ein Analyseverfahren und ein Analysesystem zu schaffen, die gegenüber dem Stand der Technik verbessert sind. Insbesondere sollen eine verbesserte Geschwindigkeit und Wirtschaftlichkeit von Analyseverfahren und Analysesystem erreicht werden. 3 Erfindungsgemäße Lösung
Der Gegenstand der vorliegenden Erfindung stellt ein Analyseverfahren bereit, das die Aufgabe erfindungsgemäß entsprechend den Merkmalen des Anspruches 1 löst. Gleichfalls wird die Aufgabe durch ein Analysesystem mit den Merkmalen des Anspruches 14 gelöst. Vor- teilhafte Ausgestaltungen ergeben sich aus den abhängigen Ansprüchen.
Durch das erfindungsgemäße Analyseverfahren und das erfindungsgemäße Analysesystem ist es möglich, das Fahrzeug im Betrieb hinsichtlich technischer Funktionszustände und ohne menschlichen Eingriff, also automatisch, schnell und kostengünstig zu inspizieren, ohne dass das Fahrzeug dafür temporär aus dem Betriebszustand genommen werden müsste. Dies hat die Wirkung, dass die Nutzungszeiten des Fahrzeugs erhöht, die Standzeiten verringert und Personaleinsatz reduziert werden können, mit dem Vorteil, dass Inspektionskosten gesenkt werden können. Somit wird die Vielseitigkeit bekannter Inspektionssysteme und Inspektionsverfahren über die bekannte Möglichkeit hinaus verbessert oder es werden sogar völlig neu- artige Verwendungsmöglichkeiten zur Fahrzeuginspektion geschaffen. Insbesondere bei Schienenfahrzeugen kann eine Inspektion im Betriebszustand große Vorteile mit sich brin-
gen, da eine Zugflotte im regulären Fahrbetrieb inspiziert werden kann, ohne zur Inspektion aus dem Betrieb genommen zu werden.
3.1 Analyseverfahren
Ein erfindungsgemäßes Analyseverfahren ist zur Auswertung von mit einem Inspektionssystem von einem bewegten Fahrzeug im Betriebszustand zur optischen Inspektion eines technischen Funktionszustands des Fahrzeugs aufgenommene Rohdaten, wobei die Rohdaten zumindest Bilddaten des Fahrzeugs umfassen.
Die Rohdaten können beispielsweise so aufgenommen und gespeichert sein, wie es in der mit gleichem Anmeldetag von den gleichen Anmelderinnen wie die vorliegende Anmeldung eingereichte internationalen Patentanmeldung mit dem Titel„Inspektionsverfahren und Inspektionssystem zum Inspizieren eines Fahrzeugs im Betriebszustand" beschrieben ist.
Vorzugsweise sind die Rohdaten in einer Datenbank gespeichert, die von einem zu dem Inspektionssystem angeordneten lokalen Server bereitgestellt ist, sodass auch große Mengen von Rohdaten, beispielsweise Bilddaten, innerhalb kurzer Zeit, insbesondere während das Fahrzeug das Inspektionssystem passiert, an die Datenbank übertragen und dort gespei- chert werden können.
Das Auswerten der Rohdaten kann nach dem Speichern aller Rohdaten eines Inspektionsvorgangs und/oder durch ein von dem lokalen Server unabhängiges Computersystem erfolgen. Dadurch wird der lokale Server, insbesondere während des Speicherns, nicht durch zusätzliche Aufgaben belastet und kann entsprechend leistungsschwach und kostengünstig ausgelegt sein.
Vorzugsweise umfasst das Analyseverfahren zumindest folgende Schritte in der genannten Reihenfolge:
a. computergestütztes Auswählen einer Auswahl von Bilddaten, umfassend zumindest ein Bild eines ein zu inspizierendes Inspektionsobjekt enthaltenden Inspektionsabschnitts, aus den Rohdaten;
b. computergestütztes Erkennen von inspektionsobjektbezogenen Strukturen und zugehörigen Bilddaten in der Auswahl;
c. computergestütztes Zuordnen der inspektionsobjektbezogenen Strukturen und zugehörigen Bilddaten zu dem Inspektionsobjekt;
d automatisiertes Markieren in der Auswahl oder Speichern der dem Inspektionsobjekt zugeordneten Bilddaten und bevorzugt der dem Inspektionsobjekt zugeordneten Strukturen als extrahierte Daten;
e computergestütztes Vergleichen gegenwärtiger extrahierter Ist-Daten mit historischen extrahierten War-Daten und/oder erwartungsgemäßen extrahierten
Soll-Daten und
f. automatisiertes Erstellen einer Diagnose des technischen Funktionszustands des Fahrzeugs durch Bestimmen von Abweichungen der verglichenen Daten. Durch das computergestützte, insbesondere automatisierte, Auswählen der Auswahl von
Bilddaten werden die folgenden Verfahrensschritte nur auf zur Inspektion des Inspektionsobjekts relevante Daten angewendet, sodass sich der notwendige Zeit- und Ressourceneinsatz verringert.
Das computergestützte, insbesondere automatisierte, Erkennen von inspektionsobjektbezo- genen Strukturen, beispielsweise Konturen, und zu den Strukturen zugehörigen Bilddaten und das computergestützte, insbesondere automatisierte, Zuordnen der inspektionsobjekt- bezogenen Strukturen und zugehörigen Bilddaten zu dem Inspektionsobjekt, umfasst beispielsweise ein Vergleichen der Strukturen und Bilddaten mit entsprechenden Referenzdaten des Inspektionsobjekts, beispielsweise durch einen lernfähigen Algorithmus. Durch das Er- kennen und Zuordnen können die zu dem Inspektionsobjekt gehörigen Bilddaten und Strukturen innerhalb der Auswahl, vorzugsweise eindeutig, identifiziert werden.
Durch das automatisierte Markieren in der Auswahl oder Speichern, insbesondere in einer dem Fahrzeug zugeordneten elektronischen Krankenakte, der dem Inspektionsobjekt zuge- ordneten Bilddaten wird die weiter auszuwertende Datenmenge erheblich reduziert, indem Rohdaten, die sich nicht auf das Inspektionsobjekt beziehen, beispielsweise Bereiche eines Bildes, die nicht das Inspektionsobjekt zeigen, nicht weiter ausgewertet werden. Dadurch kann das weitere Auswerten schneller und/oder mit erheblich geringerem Ressourceneinsatz als in üblichen Verfahren erfolgen.
Werden zusätzlich die dem Inspektionsobjekt zugeordneten Strukturen als extrahierte Daten gespeichert, können auch diese zur Erhöhung der Zuverlässigkeit des Verfahrens in die weitere Auswertung einbezogen werden. Beispielsweise kann eine Ist-Kontur eines Inspektionsobjekts mit einer Soll-Kontur verglichen werden.
Insbesondere das Vergleichen von Ist-Daten mit War-Daten und/oder Soll-Daten wird durch die Verwendung von extrahierten Daten anstelle der Rohdaten wesentlich effizienter. Beispielsweise bei Bildern als Rohdaten müsste sonst jedes einzelne Pixel verglichen werden, unabhängig davon, ob es das Inspektionsobjekt, einen anderen Teil des Fahrzeugs oder einen Hintergrund zeigt, was mit einem enormen Rechenaufwand verbunden wäre.
Wenn die extrahierten Ist-Daten um mehr als einen Toleranzbereich von entsprechenden War-Daten oder Soll-Daten abweichen, kann daraus eine Fehlfunktion, eine Wahrscheinlichkeit einer Fehlfunktion oder die Art der Fehlfunktion des Inspektionsobjekts abgeleitet werden. Insbesondere kann durch den Vergleich mit War-Daten des gleichen Inspektionsobjektes auch eine graduelle Veränderung detektiert und vorzugsweise ein weiterer Verlauf für die Zukunft prognostiziert werden, sodass eine zukünftige Wartungshandlung an dem Inspektionsobjekt bereits frühzeitig geplant und vorbereitet werden kann, und das Fahrzeug für die Wartung nur möglichst kurz aus dem Betrieb genommen werden muss.
Die Diagnose, im folgenden auch Auswertungsergebnis genannt, umfasst beispielsweise eine Angabe jeweils einer Wahrscheinlichkeit zu jedem betrachteten Inspektionsobjekt oder Inspektionsabschnitt, dass das jeweilige Inspektionsobjekt eine Fehlfunktion aufweist oder der jeweilige Inspektionsabschnitt zumindest ein Inspektionsobjekt mit einer Fehlfunktion enthält. Vorzugsweise umfasst die Diagnose zu einer Fehlfunktion auch die Art der Fehlfunktion. Insbesondere kann die Diagnose eine aktuelle Wahrscheinlichkeit und bevorzugt auch eine prognostizierte zukünftige Wahrscheinlichkeit einer Fehlfunktion umfassen.
Indem die extrahierten Daten und/oder die Diagnose dem Fahrzeug zugeordnet in einer elektronischen Krankenakte gespeichert werden, stehen sie für zukünftige Inspektionen des Fahrzeugs als War-Daten zur Verfügung und können beispielsweise für eine Verlaufsdiagnose und insbesondere für eine Prognose eines zukünftigen Funktionszustandes genutzt werden. Ein besonderer Vorteil der Erfindung liegt darin, dass das Auswählen, Erkennen, Zuordnen und Markieren oder Speichern mit Algorithmen durchgeführt werden können, die auf eine hohe Verarbeitungsgeschwindigkeit und geringen Ressourceneinsatz optimiert sind, um eine große Menge an Rohdaten und ausgewählten Daten zeit- und ressourceneffizient zu verarbeiten. Unabhängig davon können das Vergleichen und Erstellen der Diagnose mit Algorith- men durchgeführt werden, die auf eine hohe Präzision und Zuverlässigkeit optimiert sind, da nur eine geringe Menge extrahierter Daten verarbeitet werden muss, sodass mit solchen
Algorithmen in kurzer Zeit und mit relativ geringem Ressourceneinsatz eine präzise und zuverlässige Diagnose erstellt werden kann.
Die Auswahl von Bilddaten kann eine Mehrzahl von Bildern des Inspektionsabschnitts, ins- besondere aus unterschiedlichen Perspektiven, unter unterschiedlicher Beleuchtung, in unterschiedlichen Spektralbereichen und/oder mit unterschiedlichen Aufnahmezeitpunkten, umfassen. Liegen mehrere Bilder des gleichen Inspektionsabschnitts vor, kann, insbesondere automatisiert, überprüft werden, ob die in jedem Bild erkannten inspektionsobjektbezo- genenen Strukturen und Bilddaten jeweils dem gleichen Inspektionsobjekt zugeordnet wer- den. Dadurch kann das Zuordnen ein Plausibilieren der Zuordnungen durch einen Vergleich der sich aus den einzelnen Bildern ergebenden Zuordnungen umfassen, sodass eine zuverlässigere Zuordnung erreicht wird, insbesondere wenn die Zuordnung anhand eines einzelnen Bildes nicht eindeutig ist. Analog kann das Erstellen der Diagnose ein Plausibilieren der Diagnose durch einen Vergleich der sich aus den einzelnen Bildern ergebenden Diagnosen umfassen, um die Zuverlässigkeit der Diagnose zu erhöhen.
Mit unterschiedlichen Aufnahmeparametern, beispielsweise Perspektive, Beleuchtung und/oder Spektralbereich aufgenommene Bilder, können zur Diagnose unterschiedlicher Funktionsparameter eines Inspektionsobjekts verwendet werden. Beispielsweise kann bei einer Aufnahme mit Gegenlicht eine Kontur des Inspektionsobjekts, bei einer Aufnahme mit Auflicht eine Oberflächenbeschaffenheit des Inspektionsobjekts und/oder bei einer Aufnahme im infraroten Spektralbereich eine Oberflächentemperatur des Inspektionsobjekts geprüft werden. Ferner können mit unterschiedlichen Aufnahmeparametern aufgenommene Bilder auch zum Plausibilieren von Auswertungsergebnissen verwendet werden. Beispielsweise kann eine Oberflächentemperatur auch ein visuelles Bild eines Inspektionsobjektes, insbesondere durch thermische Verformung, beeinflussen, sodass je nach Oberflächentemperatur ein anderes Soll-Bild zu erwarten ist.
Um aus unterschiedlichen Perspektiven und/oder mit unterschiedlichem Aufnahmezeitpunkt aufgenommene Bilder zuverlässig miteinander vergleichen zu können, umfasst das Verfahren vorzugsweise eine Eichtransformation mehrerer aus unterschiedlichen Perspektiven und/oder mit unterschiedlichem Aufnahmezeitpunkt aufgenommener Bilder auf ein gemein- sames, zumindest zweidimensionales, bevorzugt dreidimensionales, Koordinatensystem.
Wenn sich das Fahrzeug während der Inspektion relativ zu dem Inspektionssystem bewegt, zeigen zu unterschiedlichen Zeitpunkten aufgenommene Bilder ein Inspektionsobjekt in der Regel an unterschiedlichen Koordinaten in dem Bild und gegebenenfalls auch unter unterschiedlichen Blickwinkeln. Ein einfacher und zuverlässiger Vergleich solcher Bilder miteinan- der ist nur dann möglich, wenn sie auf ein gemeinsames Koordinatensystem transformiert werden. Die Eichtransformation kann beispielsweise die Aufnahmezeitpunkte der Bilder, Aufnahmepositionen der Bilder relativ zu dem Fahrzeug und/oder Aufnahmeblickrichtungen der Bilder relativ zu dem Fahrzeug und/oder eine Geschwindigkeit des Fahrzeugs relativ zu dem Inspektionssystem einbeziehen.
Die dem Inspektionsobjekt zugeordneten Bilddaten können beispielsweise einen das Inspektionsobjekt enthaltenden Ausschnitt aus dem zumindest einen Bild umfassen. Vorzugsweise enthält der Ausschnitt möglichst wenige, insbesondere keine, Bilddaten, die nicht das Inspektionsobjekt zeigen. Für eine einfache Weiterverarbeitung kann der Ausschnitt beispiels- weise das kleinstmögliche, insbesondere mit seinen Kanten parallel zu den Kanten des Bildes ausgerichtete, Rechteck sein, dass das gesamte Inspektionsobjekt enthält.
Die dem Inspektionsobjekt zugeordneten Bilddaten können eine Positionsinformation des Ausschnitts relativ zu dem Bild umfassen. Mit Hilfe der Positionsinformation kann zusätzlich zu einem Funktionszustand des Inspektionsobjekt selbst auch dessen relative Lage zu anderen Teilen des Fahrzeugs, die ebenfalls einen Einfluss auf den Funktionszustand haben kann, inspiziert werden.
Die Positionsinformation kann als separater Datensatz aus Position, Form, Größe und/oder Lage des Ausschnitts relativ zu dem Bild, insbesondere in einer dem Fahrzeug zugeordneten elektronischen Krankenakte, gespeichert werden. Zusätzlich oder alternativ zu dem separaten Datensatz kann das Bild außerhalb des Ausschnitts mit einer gegenüber dem Ausschnitt verringerten Auflösung und/oder einem erhöhten Kompressionsverhältnis, insbesondere in einer dem Fahrzeug zugeordneten elektronischen Krankenakte, gespeichert werden. Durch Überlagerung des Ausschnitts mit dem niedriger aufgelösten und/oder stärker komprimierten Bereich außerhalb des Ausschnitts ist eine präzise visuelle Inspektion des Inspektionsobjekts und eine zuverlässige Bestimmung seiner Lage relativ zu anderen Teilen des Fahrzeugs mit einem gegenüber den Rohdaten verringerten Datenvolumen möglich. Das computergestützte Erkennen, Zuordnen und/oder Vergleichen kann ein computerimplementiertes Verfahren der Photogrammetrie, des Image Matchings, der Bilderkennung und/oder der Kantenerkennung, bevorzugt durch einen selbstlernenden Algorithmus, umfas-
sen. Durch die genannten Verfahren lassen sich typische Inspektionsobjekte eines Fahrzeugs, insbesondere eines Schienenfahrzeugs, zuverlässig sowie zeit- und ressourcen effizient erkennen. Ein selbstlernender Algorithmus hat den besonderen Vorteil, dass er auch bei geringfügigen Veränderungen des Aussehens eines Inspektionsobjekts, wie sie bei Fahr- zeugen häufig vorkommen, beispielsweise durch Schmutz oder Nässe, ein zuverlässiges Erkennen, Zuordnen und Vergleichen ermöglicht.
Da das Volumen der extrahierten Daten wesentlich geringer ist, als das Volumen der Rohdaten, ist es mit dem erfindungsgemäßen Analyseverfahren möglich, die extrahierten Daten schnell und unaufwändig zur weiteren Auswertung an ein von dem Inspektionssystem entferntes, externes Computersystem zu übertragen, sodass ein lokaler Server des Inspektionssystems nicht mit der weiteren Auswertung belastet wird und entsprechend kostengünstig ausgelegt sein kann. Insbesondere ist es möglich, das externe Computersystem, beispielsweise als Cloud-basierte Lösung, von einem externen Dienstleister nur für Zeiträume zu mieten, während derer es tatsächlich benötigt wird, sodass die Investitionskosten zur Implementierung des Analyseverfahrens geringgehalten werden.
In einer besonders vorteilhaften Ausgestaltung des Analyseverfahrens werden die Schritte a. Auswählen einer Auswahl von Bilddaten;
b. computergestütztes Erkennen von inspektionsobjektbezogenen Strukturen und
Bilddaten in der Auswahl;
c. computergestütztes Zuordnen der inspektionsobjektbezogenen Strukturen und Bilddaten zu dem Inspektionsobjekt und
d. automatisiertes Speichern der dem Inspektionsobjekt zugeordneten Bilddaten als extrahierte Daten
von einem zu dem Inspektionssystem internen Teilsystem eines Analysesystems, beispielsweise einem lokalen Server, und weitere Schritte des Analyseverfahrens von einem entfernt von dem Inspektionssystems angeordneten, externen Teilsystem des Analysesystems, beispielsweise einem externen Computersystem, ausgeführt, wobei das Analyseverfahren fer- ner den folgenden Schritt umfasst:
e. Übertragen der extrahierten Daten von dem internen Teilsystem an das externe Teilsystem.
3.1.1 Fahrzeug
In einer besonderen Ausführungsform des Verfahrens ist das Fahrzeug ein Schienenfahrzeug. Ein erreichbarer Vorteil der Erfindung liegt in der Schaffung von zeiteffizienten und
kosteneffizienten Organisationsstrukturen für Inspektion und Wartung von Fahrzeugen, wie z.B. Zügen, und Bahnnetzen. Besonders bevorzugt ist ein Schienenfahrzeug, das während der Inspektion mit Leistung von einer Hochspannungsleitung versorgt wird, wie ein Personenzug, ein Güterzug, eine Straßenbahn, eine U-Bahn oder eine S-Bahn. Die Inspektion von Fahrzeugen mit Hochspannungsversorgung ist oft besonders personal- und zeitaufwändig. Müssen mit der Hochspannung assoziierte Elemente inspiziert werden, ist bisher häufig der Einsatz von Menschen notwendig, die dabei einer Gesundheitsgefährdung durch die Hochspannung ausgesetzt sein können. Zudem müssen zur Untersuchung der mit Hochspannung assoziierten Bauteile derartige Fahrzeuge oft für längere Inspektionsphasen aus dem Be- triebszustand genommen, also angehalten werden. Erfindungsgemäß kann auf das Anhalten des Fahrzeugs verzichtet werden und der beabsichtigte Inspektionsabschnitt auf seinen technischen Funktionszustand im Betriebszustand, das heißt während der Fahrt, inspiziert werden.
Der Inspektionsabschnitt weist ein Inspektionsobjekt, auch Inspektionselement oder Inspektionsgegenstand genannt, auf. Das Inspektionsobjekt ist ein spezifisches Bauteil, das in dem Inspektionsabschnitt zu inspizieren ist. Der Inspektionsabschnitt kann aber auch mehrere einzelne Inspektionsobjekte aufweisen, die gemeinsam zu inspizieren sind. Der Inspektionsabschnitt kann somit einen Abschnitt des Fahrzeugs oder ein Einzelteil des Fahrzeugs einschließen. Ein Inspektionsabschnitt ist vorzugsweise ein Element, das ausgewählt ist aus der Gruppe bestehend aus sogenanntem Dachgarten des Fahrzeugs, Unterboden des Fahrzeugs, Klimaanlage des Fahrzeugs, einzelner Waggon des Fahrzeugs, mehrere Waggons des Fahrzeugs, Stromabnehmer des Fahrzeugs, Schleifleiste des Stromabnehmers, Rad des Fahrzeugs, Reifen des Fahrzeugs, Achse des Fahrzeugs, Luftleitlamelle des Fahrzeugs oder eine Kombination dieser Gegenstände untereinander und auch weiterer Gegenstände. Derartige Gegenstände müssen häufig auf ihren technischen Funktionszustand inspiziert werden und eine Inspektion im Betriebszustand des Fahrzeugs kann effizienter sein als im Stillstand, wenn sie durch ein erfindungsgemäßes Inspektionssystem, -verfahren, Analyseverfahren, und Analysesystem durchgeführt wird. 3.1.2 Sensoren
Vorzugsweise umfasst das Inspektionssystem zumindest einen Sensor, vorzugsweise mit festeingestellter Messtechnik, zum Erheben von Rohdaten über den Inspektionsabschnitt, wobei der Sensor vorzugsweise ausgewählt ist aus der Gruppe bestehend aus optischer Sensor, olfaktorischer Sensor, chemischer Sensor, Vibrationssensor, elektromagnetischer Sensor, Wärmebildsensor und akustischer Sensor, wobei mindestens ein Sensor ein opti-
scher Sensor ist und vorzugsweise ein weiterer Sensor in der Sensoranordnung bereitgestellt wird, der sich vorzugsweise in einer von ihm verwendeten Messtechnik zur Erhebung von Rohdaten von dem optischen Sensor unterscheidet. Besonders bevorzugt ist eine Kamera als optischer Sensor. Eine bevorzugte Kamera ist eine Flächenkamera oder eine Linienkamera. Vor der Kamera kann ein Prisma zur Spektraltrennung vorgelagert sein. Der Spektralbereich der Kamera ist vorzugsweise der Bereich des sichtbaren Lichts und insbesondere auch der IR-Bereich.
3.1.3 Elektronische Krankenakte
Das Analyseverfahren kann ein Speichern der Diagnose und bevorzugt der extrahierten Daten, eines Prüfungsergebnisses eines Prüfens der Diagnose durch einen Benutzer und/oder einer vorgeschlagenen Wartungshandlung in einer dem Fahrzeug zugeordneten elektronischen Krankenakte umfassen. In der Krankenakte können die Daten zur Verwendung als War-Daten für zukünftige Auswertungen von Inspektionsdaten des Fahrzeugs archiviert werden. Außerdem können die Daten eines Fahrzeugs in der Krankenakte, insbesondere zur Dokumentation und zur Qualitätssicherung verwendet werden. Beispielsweise kann in der Krankenakte einfach überprüft werden, ob eine von einem Benutzer zu prüfende Diagnose auch tatsächlich geprüft wurde.
Für eine übersichtliche und einfach zugängliche Dokumentation ist es besonders vorteilhaft, dass die Krankenakte nicht die sehr umfangreichen Rohdaten enthält, sondern eine Zusammenfassung der wesentlichen Ergebnisse in Form der Diagnose, gegebenenfalls mit extrahierten Daten, Prüfungsergebnissen und/oder Wartungshandlungsvorschlägen. Ferner kön- nen die so zusammengefassten Ergebnisse auch auf einfache Weise mit in der Informationstechnik üblichen Methoden der Informationsrückgewinnung, Wissensentdeckung in Datenbanken und mit Data Mining effizient bearbeitet und analysiert werden.
Insbesondere für eine sichere Dokumentation umfasst die elektronische Krankenakte bevor- zugt Mittel zum Manipulationsschutz darin gespeicherter Daten, beispielsweise Verschlüsselungsalgorithmen und/oder elektronische Zertifikate.
Das Analyseverfahren kann ein automatisiertes Konvertieren in ein für ein System zur Verkehrsmittelsystemsteuerung des Fahrzeugs geeignetes Format und Übersenden der Diag- nose und bevorzugt eines Prüfungsergebnisses eines Prüfens der Diagnose durch einen Benutzer und/oder einer vorgeschlagenen Wartungshandlung an das System zur Verkehrs-
mittelsystemsteuerung umfassen. Unterschiedliche Verkehrsmittelsysteme, beispielsweise ein Eisenbahn-Fernverkehrssystem und ein Eisenbahn-Nahverkehrssystem, haben in der Regel unterschiedliche Anforderungen an die eingesetzten Fahrzeuge und deren Inspektionsobjekte sowie unterschiedliche Systeme zur Verkehrsmittelsystemsteuerung. Daher ist ein Konvertieren in ein für das jeweilige System zur Verkehrsmittelsystemsteuerung, insbesondere mit einer angepassten Gewichtung von Auswertungsergebnissen, für eine problemlose Weiterverarbeitung vorteilhaft. Durch das Übersenden kann ein möglicher Einfluss der, insbesondere durch einen Benutzer bestätigten, Diagnose oder der Wartungshandlung auf eine Einsatzfähigkeit des Fahrzeugs frühzeitig in der Verkehrsmittelsystemsteuerung be- rücksichtigt werden, beispielsweise um Fahrtausfälle oder Verspätungen zu verhindern.
Vorzugsweise umfasst das Analyseverfahren einen Schritt eines Erstellens einer Diagnose, die den technischen Funktionszustand des Fahrzeugs betrifft, unter Verwendung von durch die Sensoranordnung erfassten Rohdaten. Besonders bevorzugt sind die Schritte eines Speichern von Rohdaten, extrahierten Daten und/oder aus Rohdaten erzeugten Metadaten durch das Inspektionssystem in eine Datenbank, die vorzugsweise bezogen auf das Inspektionssystem entfernt angeordnet ist, und/oder eines Anwendens eines Algorithmus auf die in der Datenbank gespeicherten Rohdaten, extrahierten Daten und/oder Metadaten, und/oder eines Erstellens der Diagnose, die das Fahrzeug betrifft, basierend auf dem Anwenden des Algorithmus.
Alle Daten, die über ein Fahrzeug existieren, können in Ausführungsformen der Erfindung in einem vorzugsweise digitalen und cloud-basierten Datennetzwerk als digitaler Datensatz als„Krankenakte" gespeichert werden. Erfindungsgemäß werden vorzugsweise Metadaten aus den Inspektionsdaten, z.B. Rohdaten, generiert und in dieser sogenannten Krankenakte gespeichert. Metadaten können beispielsweise aus Inspektionsdaten abgeleitete Daten sein. Ferner können die Metadaten sich nur auf einen für die Inspektionszwecke relevanten Teil der Inspektionsdaten beziehen. Beispielsweise können die Metadaten Wichtungen (beispielsweise auf einer Skala von 0 bis 1 ) umfassen, welche die Relevanz eines Parameters für die Inspektionszwecke encodieren.
Ein solcher Parameter kann beispielsweise die Topographie eines Stromabnehmers oder die Position oder Anwesenheit einer Schraube sein. Metadaten können auch„Diagnosen" bzw. Prognosen betreffen und beispielsweise in einer Wahrscheinlichkeit bestehen, mit der ein Stromabnehmer innerhalb eines bestimmten Zeitraumes defekt wird. Metadaten können überdies Handlungsanweisungen umfassen, nämlich beispielsweise einen bestimmten Stromabnehmer in einem bestimmten Zeitintervall zu reparieren oder auszutauschen.
Das Datennetzwerk kann insbesondere algorithmisch aus Krankenakten verschiedener fahrender Fahrzeuge übergeordnete Metadaten extrahieren und/oder statistisch auswerten. Diese übergeordneten Metadaten können beispielsweise umfassen, in welchen Wartungsin- tervallen ein typischer Stromabnehmer, dessen Zug gegebenenfalls auf bestimmten Strecken verkehrt, gewartet oder ausgewechselt werden sollte. Übergeordnete Metadaten können auch einen Satz von Gewichtungsfaktoren von Parametern umfassen, welche die Information enthalten, welche Parameter in welchen Wichtungen für die Erreichung eines Inspektionszwecks mit besonders geringen Hardware- und Softwaremitteln berücksichtigt werden müssen.
Insbesondere umfasst die Krankenakte eine Zugidentifizierung. Die Zugidentifizierung kann beispielsweise über eine Datenübertragungseinrichtung, wie beispielsweise einen Transponder oder eine beispielsweise SOFI-Antenne an einen ICE-Zug vom Zug an ein Daten- netzwerk und/oder ein Inspektionssystem übermittelt werden. Denkbar ist auch, die Zugidentifikation durch ein optisches Bilderkennungsverfahren aus einem Merkmal eines Zuges, wie beispielsweise der Zugnummer an der Seite oder für ein Zug-Modell charakteristische Designmerkmale der Außenhülle oder Vorschäden auszulesen. Zur Unterstützung und Klassifizierung der Zugidentifikation können eine Anzahl von Hilfsmessungen durch Messapparaturen aufgenommen und ausgewertet werden. Beispielsweise kann eine Messapparatur eine Anzahl von Lichtschranken zur Messung von Eigenschaften einer Außenform eines Zuges sein. Zum Beispiel kann eine einfache Lichtschranke ermitteln, ob ein Zug oder ein Waggon eines Zuges, wie beispielsweise ein Speisewagen, eine be- stimmte Höhe überschreitet. Die Höhe eines Zuges kann den möglichen Zugtypus wesentlich einschränken. Eine Messung der Außenform eines Zuges ist zudem unabhängig von der Verschmutzung oder der technischen Funktion des Zuges, anders als Markierungen wie einer Zugnummer auf dem Zug, die aufgrund von Verschmutzung oder Fehlfunktionen nicht oder nicht fehlerfrei ausgelesen werden können.
Gerade bei einem automatisierten Inspektion- und Wartungsverfahren ohne menschliche Kontrolle empfiehlt sich die Erhebung von eigentlich redundanten Hilfsmessungen, um Ergebnisse der automatisierten Inspektion zu plausibilisieren. Eine beispielsweise horizontal angeordnete Lichtschranke kann insbesondere die Anzahl von Waggons und die Länge der Waggons eines Zuges erheben, was mit einfachen Mitteln Rückschlüsse auf den Zugtypus, seine Wagenreihung und/oder seine Orientierung bezüglich der Fahrtrichtung zulässt.
Denkbar ist auch, dass der Zug aktiv mit einem Inspektionssystem kommuniziert. Beispielsweise kann der Zug seine Identität und weitere Informationen, die zum Beispiel seine zuvor ermittelten Auswertungsergebnisse betreffen, aktiv kommunizieren. Dies kann beispielsweise drahtlos erfolgen. Beispielhafte drahtlose Kommunikationstechnologien sind WLAN, Funk, RFID, Lichtsignale und/oder akustische Signale wie zum Beispiel ein Morsecode.
Ein bevorzugtes Analyseverfahren umfasst Vergleichen gegenwärtiger Ist-Daten mit historischen War-Daten und/oder erwartungsgemäßen Soll-Daten bevorzugt innerhalb eines Da- tentyps, wobei die Datentypen Rohdaten, extrahierten Daten und/oder Metadaten umfassen und ein Erstellen der Diagnose des Fahrzeugs durch Bestimmen von Abweichungen der verglichenen Daten.
Eine„Krankenakte" mit kommunikativer Anbindung an ein zentrales System zur Datenver- arbeitung ermöglicht beispielsweise eine automatisierte und überregionale Wartung und Inspektion eines Zuges.
Beispielsweise können von einem Inspektionssystem in der Betriebswerkstätte München durch ein Inspektionssystem Inspektionsdaten erhoben werden. Diese Inspektionsdaten können durch Abgleich mit einer zentralen Datenbank mit statistisch und in Metadaten er- fassten Erfahrungswerten, zu einer Diagnose verarbeitet werden, beispielsweise dass eine Kaffeemaschine oder eine Klimaanlage mit 60-prozentiger Wahrscheinlichkeit innerhalb der nächsten Woche defekt werden wird. Den genauen Typus der prognostiziert defekten Klimaanlage in jeder Betriebswerkstätte vorzuhalten, würde eine aufwändige Lagerhaltung erfordern. Würde zudem ein Ersatzbauteil für das prognostiziert defekte Bauteil zur Wartung an den Ort der Inspektion, also München, verbracht werden müssen, so erhöht sich die Standzeit des Zuges sowie die Belegung von Gleisen oder Betriebswerkstätten.
Erfindungsgemäß können eine oder mehrere der folgenden Schritte vorgesehen werden:
• Auswerten der an einem Ort ermittelten Inspektionsdaten (optische Dachinspektion eines Zuges in München),
• Stellen einer Diagnose (Klimaanlage auf dem Dach mit 60-prozentiger Wahrschein- lichkeit defekt binnen der nächsten Woche),
• Ableiten einer Wartungsaufgabe aus dieser Diagnose (Klimaanlage muss ausgetauscht werden), die für die Durchführung der Wartungsaufgabe notwendigen
Ressourcen überregional ermittelt werden (eine Austauschklimaanlage des richtigen Typs lagert in Köln und konnte durch einen Spediteur in die Betriebswerkstätte Dortmund, welche der Zug fahrplanmäßig passiert, in weniger als der Fahrzeit des Zuges nach Dortmund angeliefert werden),
• Beauftragen einer Wartungshandlung (des Austausches der Klimaanlage in der Betriebswerkstätte Dortmund),
• die insbesondere stichprobenartige Nachkontrolle des prognostiziert defekten Bauteils auf tatsächliche Defekte und seine anschließende Reparatur und/oder
• die algorithmische Auswertung des Inspektions- und Wartungsvorgangs, mit den gewonnenen Erfahrungswerten zukünftige Inspektion- und Wartungsprognosen zuverlässiger zu machen.
3.1.4 Benutzerprüfung
Vorzugsweise umfasst das Analyseverfahren folgende Schritte in der angegebenen Reihenfolge:
a. Übermitteln der Diagnose an einen Benutzer und
b. Prüfen der Diagnose durch den Benutzer anhand der extrahierten Daten, der Auswahl von Bilddaten, der Rohdaten und/oder anhand einer visuellen Inspektion des Inspektionsobjekts und
c. Bestätigen oder Verwerfen der Diagnose durch den Benutzer.
Die Diagnose kann dem Benutzer beispielsweise in Form eines dreistufigen Ampelsystems übermittelt werden, bei dem beispielsweise Inspektionsobjekte oder Inspektionsabschnitte bei geringer Wahrscheinlichkeit für eine Fehlfunktion grün markiert werden, bei mittlerer Wahrscheinlichkeit gelb markiert werden und bei hoher Wahrscheinlichkeit rot markiert werden. In diesem Fall müssten beispielsweise nur rot oder auch gelb markierte Inspektionsobjekte oder Inspektionsabschnitte von dem Benutzer geprüft werden.
Um den Prüfaufwand möglichst gering zu halten, kann das Prüfen mehrstufig erfolgen, zunächst anhand der extrahierten Daten, also beispielsweise der dem Inspektionsobjekt zugeordneten Bildausschnitte. Nur wenn die extrahierten Daten kein eindeutiges Ergebnis liefern, werden zusätzlich die Rohdaten geprüft. Nur wenn auch die Rohdaten kein eindeutiges Ergebnis liefern, muss sich ein Mitarbeiter für eine visuelle Inspektion zu dem Fahrzeug begeben.
Ferner kann die Art des Prüfens abhängig von der Diagnose und/oder dem Inspektionsobjekt automatisiert ausgewählt werden. Beispielsweise kann bei einer hohen Wahrscheinlichkeit einer Fehlfunktion und/oder bei Diagnosen und/oder Inspektionsobjekten, die eine hohe Relevanz für die Sicherheit und/oder Funktion des Fahrzeugs haben, ein visuelles Prüfen am Fahrzeug ausgewählt werden und bei einer geringen Wahrscheinlichkeit und/oder Relevanz ein Prüfen anhand der extrahierten Daten. Die Relevanz eines Inspektionsobjekts kann dynamisch sein, beispielsweise kann eine Klimaanlage im Sommer eine höhere Relevanz haben als im Winter. Abhängig vom Ergebnis seiner Prüfung kann der Benutzer die automatisiert erstellte Diagnose bestätigen oder verwerfen. Insbesondere kann ein selbstlernender Algorithmus, der die Diagnose erstellt hat, das Ergebnis der Prüfung zur Verbesserung zukünftiger Diagnosen aufnehmen.
3.1.5 Wartungsvorschlag
Das Analyseverfahren kann ein automatisiertes Vorschlagen einer Wartungshandlung für das Fahrzeug anhand der Diagnose umfassen. Durch das automatisierte Vorschlagen einer Wartungshandlung, beispielsweise dem Austausch eines mit hoher Wahrscheinlichkeit defekten Inspektionsobjekts, kann diese besonders schnell durchgeführt werden, um das Fahr- zeug nicht unnötig lange aus dem betrieb zu nehmen und Folgeschäden durch eine verspätete Wartungshandlung zu vermeiden.
Das Analyseverfahren kann ein automatisiertes Prognostizieren eines zukünftigen technischen Funktionszustands des Fahrzeugs auf Basis eines Ergebnisses eines computerge- stützten Vergleichens gegenwärtiger extrahierter Ist-Daten mit historischen extrahierten War- Daten umfassen, wobei das Analyseverfahren bevorzugt ein automatisiertes Vorschlagen einer Wartungshandlung mit einem Wartungszeitpunkt und bevorzugt einem Wartungsort zur Durchführung der Wartungshandlung umfasst. Durch einen prognostizierten Funktionszustand können Wartungshandlungen bedarfsgerecht und auf einen Nutzungsplan des Fahrzeugs abgestimmt im Voraus geplant werden, sodass Wartungsressourcen, beispielsweise Ersatzteile, Werkstätten und Werkstattpersonal, möglichst effizient eingesetzt werden, und das Fahrzeug in seiner Nutzung durch die Wartungshandlung möglichst wenig eingeschränkt wird. 3.1.6 Umgebungsparameter
Die Rohdaten können Umgebungsparameter einer Umgebung des Fahrzeugs bei Erhebung der Rohdaten umfassen, wobei die Umgebungsparameter vorzugsweise bei dem computergestützten Vergleichen und/oder dem Erstellen der Diagnose berücksichtigt werden. Umgebungsparameter können beispielsweise eine Umgebungstemperatur, eine Luftfeuchtigkeit der Umgebung, Umgebungshelligkeit, Umgebungsgeräusche oder chemische Analysen wie beispielsweise die Detektion von ausgetretenen Betriebsstoffen des Zuges sein. Die Protokollierung von Umgebungsparametern ist wichtig, um zu prüfen, dass beispielsweise ein Sensor innerhalb seiner Betriebsbedingungen betrieben wird. Beispielsweise können die Betriebsbedingungen eines Sensors ein Temperaturbereich von -10 °C bis 50 °C und eine maximale Luftfeuchtigkeit von 80 % sein. Wurde der Sensor außerhalb seiner Betriebsbedingungen betrieben, steigt die Wahrscheinlichkeit von Messartefakten, die zu einer Fehldiagnose führen können. Folglich sollten Diagnosen, deren Rohdaten außerhalb entsprechender Betriebsbedingungen der Sensoren aufgenommen wurden, durch einen Benutzer über- prüft werden.
Auch innerhalb der Betriebsbedingungen können Messungen der Umgebungsparameter eine Eingangsgröße in der Auswertung von Inspektionsrohdaten sein. Liegt beispielsweise eine Umgebungstemperatur unter dem Gefrierpunkt von Wasser, so kann eine erhöhte Wahrscheinlichkeit im Auswertungsalgorithmus implementiert werden, dass Artefakte in den Inspektionsbilddaten auf eine Vereisung zurückzuführen sind.
Findet das Inspektionsverfahren im Wesentlichen in einer abgeschlossenen Umgebung wie zum Beispiel einer Betriebswerkstätte statt, so können zusätzlich auch die Umgebungspa- rameter eines Außenbereiches, durch den das Fahrzeug vor der Inspektion gefahren ist, berücksichtigt werden. Vorzugsweise werden die Umgebungsbedingungen des Außenbereichs von einem Sensorsystem des Fahrzeugs ermittelt und an das Inspektionssystem übertragen. Beispielsweise kann es sein, dass ein Fahrzeug auf freier Strecke bei Außentemperaturen unterhalb des Gefrierpunktes von Wasser vereist ist und dann in eine Be- triebswerkstätte mit einer lokalen Temperatur über dem Gefrierpunkt von Wasser einfährt. Ohne die Information, dass die Außentemperaturen unter 0 °C gelegen haben, könnte der Algorithmus die Interpretation, dass ein Artefakt in den optischen Inspektionsdaten auf eine Vereisung zurückzuführen ist, als unwahrscheinlich verwerfen.
3.1.7 Weitere Verfahrensschritte
Besonders bevorzugt ist ein Analyseverfahren mit mindestens einem der Schritte Aufzeichnen von Rohdaten durch die Sensoranordnung und/oder Zwischenspeichern von Rohdaten auf einem ersten Speichermedium, das vorzugsweise innerhalb der Sensoranordnung angeordnet ist, und/oder nach Abschluss des Aufzeichnens von, vorzugsweise allen, Rohdaten, Analyse der Rohdaten und Ableiten extrahierter Daten basierend auf der Analyse und/oder Erhebung von Metadaten aus Rohdaten und/oder extrahierten Daten und/oder Archivieren von Rohdaten und/oder extrahierten Daten und/oder Metadaten auf einem zweiten Speichermedium, wobei das erste Speichermedium eine höhere Schreibund/oder Lesegeschwindigkeit als das zweite Speichermedium aufweist, und das zweite Speichermedium vorzugsweise entfernt von der Sensoranordnung angeordnet ist und/oder Korrelieren von Rohdaten, extrahierten Daten und/oder Metadaten durch Anwendung des Algorithmus zum Erstellen der Diagnose und/oder Speichern der Diagnose in einer Datenbank, vorzugsweise zugeordnet zu einem Fahrzeug, an dem die Rohdaten erfasst wurden. Nochmal bevorzugt ist ein Analyseverfahren mit mindestens einem der Schritte Ableiten eines Auswertungsergebnisses für das Fahrzeug anhand der Diagnose, vorzugsweise Bestätigen des Auswertungsergebnisses durch einen Benutzer und vorzugsweise Geben einer Wartungsempfehlung an den Benutzer und/oder Vorschlagen einer Wartungshandlung für das Fahrzeug an den Benutzer durch das Inspektionssystem anhand der Diagnose und/oder erneutes Inspizieren des Fahrzeugs zu einem späteren Zeitpunkt, durch eine erneute Anwendung von technischer Sensorik oder durch eine Inspektion durch einen Menschen, basierend auf der vorherigen Diagnose, um die vorherige Diagnose zu bestätigen oder zu verwerfen.
3.1.8 Big Data
Vorzugsweise umfasst das Analyseverfahren einen Schritt eines Erzeugens von Big Data unter Verwendung des Auswertungsergebnisses. Mögliche Ausgestaltungen und Vorteile von Big Data sind in dem entsprechenden Abschnitt 3.1 .14„Big Data" der internationalen Patentanmeldung WO2018087341 A1 , der hier durch Bezugnahme aufgenommen ist, be- schrieben.
Zudem kann das Verfahren durch statistische Datenauswertung effizienter werden, beispielsweise indem lernfähige Algorithmen Erfahrungswerte vorzugsweise in bezüglich der Datenmenge möglichst kompakten Metadaten dokumentieren. Diese Metadaten können bei- spielsweise als Gewichtungsfaktoren für Inspektionsparameter (zum Beispiel: fehlende
Schraube ist ein Muss-Kriterium zur sofortigen Wartung) oder Auswahlfaktoren für einen In-
spektionszweck relevante Inspektionsmessungen (zum Beispiel: zur dreidimensionalen Inspektion eines Stromabnehmers eines Zuges reichen eine oder zwei optische Kameras hin, gegebenenfalls mit einer bestimmten Beleuchtung- und Aufnahmesequenz). Beispielhafte lernfähige Algorithmen, die für das erfindungsgemäße Verfahren geeignet sind, sind Monte Carlo-Algorithmen, Travelling Salesman-Algorithmen, neuronale Netze oder evolutionäre Algorithmen. Für das Problem der Bildverarbeitung können erfindungsgemäß auch lernfähige Algorithmen eingesetzt werden. Beispielhafte Ausführungen und Konzepte solcher lernfähiger Algorithmen zur Bilderkennung sind in der Seminarreihe„Technologien der Ferti- gungsautomatisierung: Lernfähige Bildverarbeitung zur Qualitätsbeurteilung auf der Basis von überwachtem Lernen: Support Vector Machine" von Patrick Raul Giurgiu, Herausgeber: Univ. -Prof. Dr.-Ing. Michael Weyrich; Siegen (ISSN 2195-9986) beschrieben, was hier durch Bezugnahme aufgenommen wird.
3.1.9 3D-Modell mit Kamera
Ein bevorzugtes Inspektionsverfahren umfasst den Schritt eines Erzeugens eines dreidimensionalen Modells zumindest des Inspektionsobjekts, insbesondere des Inspektionsabschnitts, aus durch einen oder mehrere Sensoren erfassten ein- oder zweidimensionale Aufnahmen des Inspektionsabschnitts. Vorzugsweise ist vorgesehen, dreidimensional aufgelöste Datensätze des Inspektionsobjekts, des Inspektionsabschnitts oder des Fahrzeugs zu erzeugen. Insbesondere sind die dreidimensional aufgelösten Datensätze aus durch zumindest einen Sensor zeitlich sequentiell aufgenommenen Daten und/oder aus durch mehrere Sensoren synchron oder zeitlich sequentiell erfassten ein- oder zweidimensionale Daten des Inspektionsabschnitts gebildet. Bevorzugt leitet das Inspektionsverfahren aus einer Einzahl oder Mehrzahl von dreidimensional aufgelösten Datensätzen aus einem oder mehreren Sensoren oder Sensortypen ein dreidimensionales Modell des Inspektionsabschnitts ab.
Gemäß einer weiteren Idee der Erfindung kann ein dreidimensionales Modell zumindest eines Inspektionsabschnitts des zu inspizierenden Fahrzeugs sogar mit nur einem bildgebenden Sensor wie einer Kamera erzeugt werden. Der erfindungsgemäße Lösungsansatz ist, die Relativbewegung des zu inspizieren Fahrzeugs gegen den bildgebenden Sensor auszunutzen. Vorzugsweise ist der bildgebende Sensor translatorisch und/oder rotatorisch stationär, was seine Anordnung, Ansteuerung, Justierung und Eichung erleichtert, und das zu inspizierende Fahrzeug ist bewegt.
Zu verschiedenen Zeiten aufgenommene ein- oder zweidimensionale Messdaten des bildgebenden Sensors werden so aus verschiedenen Winkeln des Fahrzeugs bezüglich der optischen Achse des bildgebenden Sensors aufgenommen. Daraus kann durch einen bildauswertenden Algorithmus ein dreidimensionales Abbild zumindest eines Inspektionsob- jekts des zu inspizierenden Fahrzeugs erstellt werden. Beispielsweise kann so mit einem einfachen einzelnen stationären bildgebenden Sensor eine dreidimensionale Draufsicht auf einen Stromabnehmer auf dem Dach eines fahrenden Zuges erstellt werden, aus der mit höherer Interpretationszuverlässigkeit und überdies durch einen Algorithmus überprüfbar ist, ob der Stromabnehmer in seiner Struktur geschädigt, beispielsweise gebrochen ist. 3.1.10 Clusterung und/oder Kategorisierung
Insbesondere können erfindungsgemäß Gruppen von technischen Komponenten auf einem fahrenden Zug, insbesondere auf dem Dachgarten eines fahrenden Zuges, in Clustern zusammengefasst werden. Durch die Clusterung solcher Komponenten kann die Musterer- kennung aus Bilddaten effizienter und weniger rechen- und/oder hardwareaufwendig ausgestaltet werden.
Insbesondere kann so einen Soll-Ist-Abgleich effizienter durchgeführt werden, in dem nicht die Einzelkomponenten verglichen werden, sondern das ganze Cluster mit einer Datenbank von möglichen Soll-Clustern. In einem Cluster können beispielsweise ein Stromabnehmer, eine Klimaanlage, eine Dachklappe und/oder eine Antenne eines Zuges zusammengefasst werden. Diese Effizienzsteigerung bewirkt ein geringeres Datenvolumen bei gleicher Inspektionsgenauigkeit. Bei gleicher Sampling-Rate des Inspektionssystems kann dadurch beispielsweise die Relativgeschwindigkeit von dem fahrenden Gegenstand und Inspektionssys- tem erhöht werden, sodass die Auslastung und der Durchsatz des Inspektionssystems gesteigert werden kann. Statt einer Clusterung ist auch eine Kategorisierung denkbar.
3.1.11 Methoden für spezifische Inspektionsobjekte
Das Analyseverfahren kann für die Diagnose einer Vielzahl technischer Funktionszustände des Fahrzeugs verwendet werden, vorzugsweise zur Risserkennung oder zur Erkennung von Einbrandlöchern oder zur Inspektion von einem oder mehreren Elementen aus der Gruppe bestehend aus Abdeckungen, Antennen, Klimagittern, Klimalamellen, Schrauben, Leitungen, Schaltern, Isolatoren, Strombändern, Blasebalgen, Stromabnehmergestängen, Stromabnehmerwippen, Stromabnehmerluftleitbleche, Hubantriebsseilen, Wandlern, Aufla- gebügein, Prüfhähnen, Wagenübergängen, usw.
Mögliche Methoden zur Diagnose von Funktionszuständen spezifischer Inspektionsobjekte und deren Vorteile sind in dem entsprechenden Abschnitt 3.1 .22„Methoden und Verfahren" der internationalen Patentanmeldung WO2018087341A1 , der hier durch Bezugnahme aufgenommen ist, beschrieben.
3.2 Analysesystem
Ein erfindungsgemäßes elektronisches Analysesystem umfasst vorzugsweise sowohl ein zu dem Inspektionssystem internes als auch ein externes, entfernt von dem Inspektionssystem angeordnetes Teilsystem. Das Analysesystem ist dazu eingerichtet, ein erfindungsgemäßes Analyseverfahren durchzuführen, wobei das interne Teilsystem, beispielsweise eine lokaler Server, zumindest zur Durchführung der folgenden Schritte ausgelegt ist:
a. Auswählen einer Auswahl von Bilddaten;
b. computergestütztes Erkennen von inspektionsobjektbezogenen Strukturen und zugehörigen Bilddaten in der Auswahl;
c. computergestütztes Zuordnen der inspektionsobjektbezogenen Strukturen und zugehörigen Bilddaten zu dem Inspektionsobjekt und
d. automatisiertes Markieren in der Auswahl oder Speichern der dem Inspektionsobjekt zugeordneten Bilddaten als extrahierte Daten.
Das externe Teilsystem, beispielsweise ein zu dem Inspektionssystem externes Computersystem, ist vorzugsweise zur Durchführung der übrigen Schritte des erfindungsgemäßen Analyseverfahrens ausgelegt. Die oben genannten zwingenden und fakultativen Merkmale des Inspektionsverfahrens können in Vorrichtungsmerkmale des erfindungsgemäßen Analysesystems übertragen werden.
Bevorzugt ist, dass das Analysesystem mindestens ein Teilsystem aufweist, das gegen- über dem Inspektionssystem intern angeordnet ist. Beispielsweise kann dies ein Server in einem internen Datennetz, das dem Inspektionssystem zugeordnet ist, sein. Bevorzugt ist, dass das Analysesystem mindestens ein Teilsystem aufweist, das gegenüber dem Inspektionssystem extern angeordnet ist. Beispielsweise kann dies eine Cloudcomputingfarm in einem externen Datennetz sein, das außerhalb des Inspektionssystems liegt. Vorzugswei- se wird ein Teil der Datenverarbeitung des Inspektionssystems in dem internen Teilsystem vorgenommen, während ein anderer Teil der Datenverarbeitung in dem externen Teilsystem vorgenommen wird. So kann die Rechenleistung eines externen Teilsystems, wie einer
Cloudcomputingfarm, genutzt werden, ohne die vom Inspektionssystem erhobenen Messdaten und abgeleiteten Daten des Inspektionsobjekts vollständig an das externe Teilsystem zu übertragen. Das verringert das Risiko, die Kontrolle über die Messdaten zu verlieren.
3.2.1 Relativgeschwindigkeit
Bevorzugt ist bei einem Analysesystem, dass das Analysesystem Softwareressourcen und/oder Hardwareressourcen aufweist, die auf eine übertragbare und speicherbare Datenrate für das Anwenden der Sensoranordnung auf den Inspektionsabschnitt des Fahrzeugs bei einer vorbestimmten Relativgeschwindigkeit der Relativbewegung mit einer für die In- spektionszwecke und/oder Validierung der Messergebnisse hinreichenden Datenredundanz ausgelegt sind. Die Relativgeschwindigkeit liegt vorzugsweise zwischen 2 km/h bis zu 400 km/h, mehr bevorzugt zwischen 2 km/h und 50 km/h, besonders bevorzugt zwischen 3 km/h und 10 km/h und idealerweise bei 5 km/h. Bevorzugt wird die Datenrate auf eine konstante oder variable Relativgeschwindigkeit während eines Inspektionsintervalls vorzugs- weise dynamisch zur Erreichung der hinreichenden und/oder kontanten Datenredundanz angepasst. Vorzugsweise liegt eine hinreichende Datenredundanz bei zumindest einem, bevorzugt 3 und mehr bevorzugt bei 3 bis 10 Datensätzen je zu inspizierendem Abschnitt eines Inspektionsobjektes.
3.2.2 Hardwareressourcen
Bevorzugt ist, dass die Hardwareressourcen eine Datenübertragungsrate von bis zu 7 Gbit/s zwischen einem Server und der Sensoranordnung bereitstellen. Die Sensoranordnung kann bei bestimmten Sensoren derart hohe Datenraten notwendig machen. Die Datenübertragung kann auf mehrere Datenkabel aufgeteilt werden. Zum Beispiel können über 7 Kupferkoaxkabel je 1 Gbit/s übertragen werden, um die Gesamtübertragungsrate von 7 Gbit/s zu erreichen. Vorzugsweise speichert ein Kameradetektor, der Teil einer Kamera als Sensor ist, Bildaufnahmen zunächst auf den Kamerachip ab. Die Bildaufnahmen werden dann aus dem Kamerachip über eine Datenleitung mit vorzugsweise mindestens 300 Mbit/s herausgeleitet. Bevorzugt ist, dass 3 Sensoren, z.B. Kameras, mit einem gemeinsamen Switch verbunden sind. Der Switch ist also dafür eingerichtet, ein von den Sensoren eintreffendes Datenvolumen von vorzugsweise etwa 1 Gbit/s zu verarbeiten. Ein bevorzugter Switch versorgt die mit ihm verbundenen Sensoren mit Strom, entweder über die Datenleitung zu den Sensoren oder über eine davon separate Stromleitung.
Vorteil, mehrere Sensoren an einem Switch zu bündeln, kann darin bestehen, dass die
Vielzahl von Kabeln, die von den mehreren Sensoren abgehen, nur bis zum Switch bestehen muss, und dahinter eine reduzierte Anzahl von Kabeln vorhanden sein kann, z.B. nur noch ein einziges Datenkabel, das den Switch mit anderen Bauteilen des Analysesystems verbindet. Als Bearbeitungsspeicher bzw. Analysefestplatte ist vorzugsweise eine SSD (So- lid State Disk) vorgesehen. Derartige SSDs können auch eine Datenrate von z.B. 7 mal 1 Gbit/s verarbeiten. Die SSDs können zwar auch redundant, vorzugsweise auch in einem RAID-Verbund, z.B. RAID 0 oder 1 , vorgesehen sein, aber bevorzugt ist, dass die SSDs in einem Einzelmodus betrieben werden.
Vorzugsweise wird für die Datenverarbeitung jeden Inspektionsabschnitts ein eigener Prozessor oder Prozessorcluster bereitgestellt. So kann vermieden werden, dass Störungen in einem Prozessor Störungen bei Auswertungen mehrerer Inspektionsabschnitte hervorrufen. Bevorzugt ist also eine Parallelisierung der Aufgaben nach Prozessoren. Beispielsweise wertet in Ausführungsformen ein Prozessor oder Prozessorcluster ausschließlich den Dachgarten oder den Stromabnehmer aus.
Zur Inspektion eines Wagenübergangs ist bevorzugt, aus den Rohdaten Wagen für Wagen zu extrahieren. Vorzugsweise wird Bild für Bild jedes Inspektionsobjekt extrahiert. Bevorzugte Verfahren sehen vor, vorab festzulegen, auf weichen Wagen beispielsweise keine Stromabnehmer vorhanden sind, um die Extraktion zu beschleunigen und die Inspektion einzelner Wägen zu überspringen. Der relevante Bildausschnitt wird extrahiert, wodurch weniger Daten und Objekte auszuwerten sind. So kann eine auszuwertende Datenmenge beispielsweise von 40GB auf 5GB reduziert werden.
Durch das Anwenden von Triggern kann bei bestimmten Sensoren, vorzugsweise Kameras, die Datenmenge vorher bereits von 40GB auf 26GB reduziert werden. Die als relevant erkannten Bildausschnitte werden gespeichert, vorzugsweise auf einer SSD. In einem weiteren Schritt werden in manchen Ausführungsformen die extrahieren Daten auf eine Archivierungsfestplatte gespeichert, die langsamer ist als die SSD, beispielsweise eine mechanische Festplatte. Die Archivierungsfestplatte ist vorzugsweise im RAID-Verbund redundant angelegt, z.B. als RAID1 , RAID3, RAID5 oder RAIDI O.Eine bevorzugte Archivierungsfestplatte hat eine Kapazität von 3 - 6 TB, vorzugsweise 5 TB.
Bevorzugt ist, dass eine Schnittstelle von Kameraclients zu Servern bereitgestellt wird. So kann durch einen Benutzer an einem Kameraclient des Inspektionssystems auf einen Server, der das Inspektionssystem verwaltet, zugegriffen werden. Ein bevorzugter Server ist in Bezug auf die Sensoranordnung entfernt angeordnet. Das bedeutet, dass zum Beispiel die
Sensoranordnung in einem Tunnel angeordnet sein kann, während der Server in einem entfernten Rechenzentrum untergebracht ist.
Auf dem Server ist vorzugsweise eine Schnittstelle für ein Webinterface vorgesehen. So kann beispielsweise per Browser über das Internet auf den Server zugegriffen werden. Eine weitere bevorzugte Schnittstelle ist zwischen Server und Steuerung des Inspektionssystems vorgesehen. Vorzugsweise steuert der Server Beleuchtungssysteme und Trigger des Inspektionssystems. So kann die Beleuchtung und die Triggerung des Inspektionssystems entfernt durch den Server stattfinden. Eine bevorzugte Ausführungsform sieht vor, dass der Server eine Schnittstelle zu externen Datenbanken aufweist. Eine solche ist vorzugsweise SOFIS, um Zugankunft und Zugtyp abrufen zu können, z.B. einen Wartungsplan einlesen zu können. Erfährt der Server per SOFIS, dass und welcher Zug sich dem Inspektionssystem nähert, so kann der Server Steuersignale an die Sensoren senden, z.B. die Kameras initialisieren. Bevorzugt werden die Kameras etwa 30 Sekunden vor Ankunft des Zuges initialisiert. Auch kann der Server vorzugsweise eine Zugsuchkamera initialisieren und ggf. die Beleuchtung des Inspektionssystems für die Inspektionsabschnitte aktivieren.
Für das Analysesystem sind vorzugsweise zwei Arten von Clients vorgesehen: Aufnahmeclients und Userclients. Aufnahmeclients sind vorzugsweise Extrarechner zum Empfang und Verknüpfen externer Daten ohne Störung eines Berechnungsrechners. So wird eine hardwaremäßige Trennung zwischen externem Datenempfang und Verarbeitung von Messdaten erreicht. Userclients hingegen erlauben eine Beeinflussung des Analysesystems durch einen Benutzer.
3.2.3 Internet der Dinge
Eine Automatisierung eines Inspektions- und/oder Wartungsverfahrens eines fahrenden Gegenstandes wie eines Zuges oder eines Bahnnetzes hat gegenüber der manuellen Kontrolle vor allem dann einen wesentlichen Mehrwert, wenn es so zuverlässig und reibungslos funktioniert, dass das Inspektionssystem und/oder Wartungssystem selbst wenig manuelle Kontrollen oder Wartungseingriffe benötigt. Dies gilt gerade bei dem Betrieb von Bahnnetzen, in dem Sicherheit und dokumentierte Absicherung einen hohen Stellenwert hat.
Mögliche Ausgestaltungen und Vorteile des Internets der Dinge zur Überwachung von Komponenten des Inspektionssystems und/oder Analysesystems sind in dem entsprechen- den Abschnitt 3.2.5„Internet der Dinge" der internationalen Patentanmeldung
WO2018087341 A1 , der hier durch Bezugnahme aufgenommen ist, beschrieben.
4 Figurenbeschreibung
Weitere Vorteile, Ziele und Eigenschaften vorliegender Erfindung werden anhand nachfolgender Beschreibung und anliegender Zeichnungen erläutert, in welchen ein beispielhaftes erfindungsgemäßes Inspektionsverfahren, ein beispielhaftes Analysesystem und ein beispielhaftes Inspektionssystem dargestellt sind. Bauteile, welche in den Figuren wenigstens im Wesentlichen hinsichtlich ihrer Funktion übereinstimmen, können hierbei mit gleichen Bezugsziffern gekennzeichnet sein, wobei diese Bauteile nicht in allen Figuren beziffert und erläutert sein müssen.
Es zeigen:
Fig. 1 eine schematische Struktur eines Inspektionssystems, wobei das Inspektionssystem ein erfindungsgemäßes Analysesystem aufweist;
Fig. 2 ein schematisches Diagramm von Teilschritten einer Ausführungsform eines Inspektionsverfahrens; und
Fig. 3 ein weiteres schematisches Diagramm von Teilschritten einer Ausführungsform eines Analyseverfahrens gemäß der Erfindung.
Figur 1 zeigt eine schematische Struktur eines Inspektionssystems 1. Das Inspektionssystem 1 stellt einen Durchgang für ein Fahrzeug (nicht gezeigt) bereit. Der Durchgang und der genaue strukturelle Aufbau des Inspektionssystems 1 im Verhältnis zu dem Fahrzeug ist in dieser schematischen Ansicht aus Gründen der Vereinfachung nicht gezeigt. In dieser Ausführungsform ist das Inspektionssystem 1 zur Inspektion eines fahrenden Zuges eingerichtet, während er den Durchgang passiert. In diesem Fall ist der Zug ein elektrisch betriebener Zug, der mit Leistung von einer Hochspannungsleitung versorgt wird. Die Hochspannungsleitung verläuft durch den Durchgang.
Das Inspektionssystem 1 weist eine Sensoranordnung auf. Sensoren 2a-g sind in einem ersten Sensormodul 3 und einem zweiten Sensormodul 4 zusammengefasst angeordnet. Das Inspektionssystem 1 enthält einen Server, der das Analysesystem 5 bildet. Der Server 5 um- fasst eine Datenbank, um von den Sensoren 2a-g des Inspektionssystems 1 erfasste Rohda- ten, extrahierte Daten und Metadaten zu speichern, im vorliegenden Ausführungsbeispiel in einer Ordnerstruktur. Der Server 5 ist dafür eingerichtet, einen Algorithmus auf die gespeicherten Daten anzuwenden, um eine Diagnose, die das Fahrzeug betrifft, zu erstellen. Das
Inspektionssystem 1 umfasst ferner eine speicherprogrammierbare Steuerung (SPS) 6 zum Steuern des Inspektionssystems 1 . Die SPS 6 kann einen PFC (programmierbarer Feldbuscontroller) aufweisen. Weiter umfasst das Inspektionssystem 1 ein Beleuchtungssystem 7 zum Beleuchten eines Inspektionsabschnitts des Fahrzeuges. Das Beleuchtungssystem 7 ist mit der SPS 6 zu Steuerzwecken verbunden. Weiterhin weist das Inspektionssystem 1 eine Lichtschranke 8 auf. Die Lichtschranke 8 ist ebenfalls mit der SPS 6 zu Steuerzwecken verbunden. Die Sensoranordnung wird angewandt, um einen Inspektionsabschnitt des Zugeszu inspizieren. Da- bei ist erfindungsgemäß vorgesehen, dass ein technischer Funktionszustand des Fahrzeugs im Betriebszustand, also während der Zug fährt, inspiziert wird.
Das erste Sensormodul 3 enthält drei optische Sensoren 2a-c, nämlich Flächenbildkameras. Die Kameras 2a-c sind zum Aufnehmen von Schwarzweiß-Aufnahmen eingerichtet. Die drei Kameras 2a-c des ersten Sensormoduls 3 sind jeweils dafür eingerichtet, Bilder mit einer Datenmenge von etwa 4,5 MByte pro Bild aufzuzeichnen. Die Bildrate liegt bei etwa 5 Bildern pro Sekunde. Bei einer Relativgeschwindigkeit zwischen Fahrzeug und Kamera 2a-c von 5 km/h, wie vorgesehen, ergibt sich so eine Bildrate von etwa 5 Bildern pro vorbeifahrendem Inspektionsobjekt.
Eine erste Kamera 2a ist über eine erste Triggerleitung 9 mit der SPS 6 verbunden. So kann die erste Kamera 2a durch die SPS 6 getriggert werden. Die erste Triggerleitung 9 ist über eine erste Erdungsverbindung 10 elektrisch geerdet. Die erste Triggerleitung 9 ist als optisches Kabel, genauer Glasfaserkabel, ausgeführt und mit der ersten Kamera 2a über einen Optokoppler 1 1 zur Übertragung eines Triggersignals verbunden. Das erste Sensormodul 3 enthält ferner einen ersten Switch 12.
Der erste Switch 12 hat eine modulinterne Verbindung, über die der erste Switch 12 Daten von den optischen Sensoren 2a-g empfangen kann, und eine modulexterne Verbindung, über den der erste Switch 12 Daten an den Server 5 übertragen kann. Die drei Kameras 2a-c sind jeweils über eine erste kombinierte Ethernet-Daten-Strom-Leitung 13 mit dem ersten Switch 12 an dessen modulinterner Verbindung verbunden. Der erste Switch 12 empfängt über die modulinterne Verbindung nicht nur die Daten der drei Kameras 2a-c, sondern versorgt über die modulinterne Verbindung jede der drei Kameras 2a-c, in diesem Fall mit je- weils 48 Volt Spannung und maximal 20 Watt Leistung.
Der Datenfluss von jeder Kamera 2a-c zum ersten Switch 12 beträgt maximal 40 MByte/s, wobei in der Regel nur Ist-Werte von etwa 22,5 MByte/s erreicht werden (bei 5 Bildern pro Sekunde). Der erste Switch 12 sendet an den Server 5 entsprechend Daten mit bis zu etwa 125 MByte/s (1 GBit/s) über eine erste Switch-Server-Verbindung 14. Diese Daten enthalten zusätzlich zu den Bilddaten der drei Kameras 2a-c noch einen gewissen Verwaltungsover- head. Der erste Switch 12 ist über eine zweite Erdungsverbindung 15 geerdet.
Die zweite Erdungsverbindung 15 unterscheidet sich von der ersten Erdungsverbindung 10. Da die erste Triggerleitung 9 ein optisches Kabel ist, besteht also keine elektrische Kopplung zwischen erstem Kameramodul 3 und der ersten Triggerleitung 9. Die erste Triggerleitung 9 und das erste Sensormodul 3 sind, anders ausgedrückt, galvanisch getrennt. So werden Störeinflüsse auf das erste Sensormodul 3 verringert, was die Aufnahmequalität der drei Kameras 2a-c positiv beeinflussen kann.
Das zweite Sensormodul 4 enthält vier optische Sensoren 2d-g, die vorzugsweise während einer Anwendung auf das Fahrzeug einen Abstand von etwa 60 cm zu dem Fahrzeug aufweisen. Zwei der optischen Sensoren 2d, 2e sind Linienscanner mit integrierter Kamera, die zwei anderen optischen Sensoren 2f, 2g sind Kameras ohne Linienscanner. Den Kameras in jedem der optischen Sensoren 2d-g des zweiten Sensormoduls 4 sind Farbfilter vorgeordnet. Jede Kamera 2d-g des zweiten Sensormoduls hat einen Zwischenspeicher für genau ein Bild.
Das zweite Sensormodul 4 ist dafür eingerichtet, Laserlinienmessungen, insbesondere für ein Lichtschnittverfahren, durchzuführen. Die von den Kameras 2d-g des zweiten Sensormoduls 4 aufgezeichneten Rohdaten werden intern in den Kameras 2d-g des zweiten Sensormoduls 4 selbst weiterverarbeitet. Zunächst wird im zweiten Sensormodul 4 ein Rohhöhen- bild und/oder Rohintensitätsbild erzeugt. Danach wird in den Kameras 2d-g des zweiten Sensormoduls 4 ein Kalibrieren und Rektifizieren des erfassten Laserbilds durchgeführt. Das zweite Sensormodul 4 enthält einen zweiten Switch 16. Die vier optischen Sensoren 2d-g des zweiten Sensormoduls 4 sind mit dem zweiten Switch 16 jeweils über eine zweite kombinierte Ethernet-Daten-Strom-Leitung 17 verbunden.
Da die Datenrate zum zweiten Switch 16 durch die interne Datenverarbeitung in den Kameras 2d-g des zweiten Sensormoduls 4 reduziert ist, auf etwa 80 MBit/Bild bzw. ein 6- Kanalbild zu je 12 Mbit pro Kanal, ist es unproblematisch in diesem zweiten Sensormodul 4 sogar vier Kameras 2d-2g über eine kombinierte Ethernet-Daten-Strom-Leitung 17 mit dem zweiten Switch 16 zu verbinden. Pro Kamera 2d-2g werden weniger als 40 MByte/s an Bild-
daten an den zweiten Switch 16 gesendet. Der zweite Switch 16 ist über eine zweite Switch- Server-Verbindung 18 mit dem Server 5 verbunden und dazu eingerichtet, etwa 125MByte/s (1 GBit/s) maximal an den Server 5 zu senden. Der zweite Switch 16 sendet die erfassten Rohdaten und die kalibrierten und rektifizierten Bilder an den Server 5. Eine weitere Auswertung erfolgt auf Seiten des Servers 5 dann auf Grundlage der kalibrierten und rektifizierten Bilder. Einer der optischen Sensoren 2d-g des zweiten Sensormoduls 4 ist mit einer zweiten Triggerleitung 19 mit der SPS 6 verbunden. So kann die SPS 6 das zweite Sensormodul 4 triggern.
Das Beleuchtungssystem 7 ist über eine dritte Triggerleitung 20 mit der SPS 6 verbunden. So kann die SPS 6 das Beleuchtungssystem 7 triggern. Die SPS 6 ist mit dem Server 5 bidirektional über eine SPS-Server-Verbindung 21 verbunden. Das Beleuchtungssystem 7 ist mit der ersten Erdungsverbindung 10 verbunden, wie auch der erste Switch 12. Am Beleuch- tungssystem ist ein Relais 22 angeschlossen.
In dieser Ausführungsform des Inspektionssystems ist im Betriebszustand das erste Sensormodul 3 gegenüber dem zweiten Sensormodul 4 entlang der Bewegungsrichtung des Fahrzeugs beabstandet. Das erste Sensormodul 3 und das zweite Sensormodul 4 liegen auf derselben Höhe.
Anzumerken ist, dass aus Gründen der Vereinfachung nur zwei Sensormodule 3, 4 dargestellt sind. Es sind in nicht gezeigten Ausführungsformen aber weitere Sensormodule vorhanden, die vom Aufbau und den enthaltenen Elementen her vorzugsweise identisch sind mit dem hier dargestellten ersten Sensormodul 3. Bevorzugt ist, dass sieben Sensormodule vorhanden sind. Entsprechend hat der Server 5 in solchen Ausführungsformen der Erfindung vorzugsweise acht GBit-Netzwerkeingänge zur Anbindung an die Sensoranordnung; sieben für die Sensormodule und eine für die SPS 6, zum Bereitstellen beispielsweise von Updates. Vorzugsweise sind sechs Sensormodule vorhanden, die jeweils dem ersten Sensormodul 3 gleichen. In nicht gezeigten Ausführungsformen sind aber auch eine Vielzahl unterschiedlicher Sensormodule vorhanden, die Sensoren unterschiedlicher Messtechniken enthalten und sowohl invasive wie auch noninvasive Messungen am Fahrzeug ermöglichen. Ein bevorzugter Server 5 kann 15 - 25 Kameras verwalten, vorzugsweise 20 Kameras, die wie ge- zeigt in Gruppen in mehreren Sensormodulen angeordnet sind.
lm Betrieb des Inspektionssystems 1 werden, grob gesagt, die Triggersignale durch die SPS 6 über die erste Triggerleitung 9, die zweite Triggerleitung 19 und die dritte Triggerleitung 20 gesendet, sobald die Lichtschranke 8 durch einen das Inspektionssystem 1 durchfahrenden Zug ausgelöst wird und die SPS 6 durch die Lichtschranke 8 aufgeweckt wurde. Dadurch wird das Beleuchtungssystem 7 aktiviert und das erste Sensormodul 3 und das zweite Sensormodul 4 der Sensoranordnung beginnen mit der Aufzeichnung von Rohdaten. Das erste Sensormodul 3 überträgt die Rohdaten zur Weiterverarbeitung unverändert an den Server 5. Die Kameras 2d-g im zweiten Sensormodul 4 vorverarbeiten die Rohdaten und senden extrahierte Daten über den zweiten Switch 16 an den Server 5. Dort erfolgt eine Weiterver- arbeitung einiger oder aller von den Sensoren 2a-g aufgenommenen und vom Server 5 empfangenen Daten.
Die in dem Inspektionssystem 1 und insbesondere dem Analysesystem bereitgestellten Softwareressourcen und Hardwareressourcen erlauben somit nachvollziehbar das Anwenden der Sensoranordnung auf den Inspektionsabschnitt des Fahrzeugs mit einer vorbestimmten Relativgeschwindigkeit der Relativbewegung, wobei die Relativgeschwindigkeit vorzugsweise zwischen 2 km/h bis zu 400 km/h liegt, nämlich wie erwähnt bei etwa 5 km/h. Die Software- und Hardwareressourcen sind also für ein Anwenden der Sensoranordnung auf den Inspektionsabschnitt des Fahrzeugs bei einer vorbestimmten Relativgeschwindigkeit der Relativbewegung mit einer für die Inspektionszwecke und zur Validierung der Messergebnisse hinreichenden Datenredundanz ausgelegt.
Im vorliegenden Ausführungsbeispiel ist der Server 5 dafür eingerichtet, eine Krankenakte über Züge zu führen und Diagnosen über Inspektionsobjekte, wie beispielsweise Klimaanlagengitter, an den Zügen zu stellen. Unter Verwendung von Auswertungsergebnissen wird Big Data erzeugt. Der Server 5 kann in Ausführungsformen ein internes Teilsystem des Analysesystems bilden, während ein externes Teilsystem, wie z.B. eine Cloudcomputingfarm, ausgelagert ist. So können einige Teile der Messdaten intern verarbeitet werden, während nur andere Teile der Messdaten extern verarbeitet werden. Es ist somit bei dem Inspektionsverfahren nicht notwendig, die Kontrolle über die Daten komplett aufzugeben.
Ferner ist der Server 5 dafür eingerichtet, ein dreidimensionales Modell des Inspektionsabschnitts 1 aus Flächenbilddaten des ersten Sensormoduls 3 zu erzeugen. Aus mehreren zweidimensionalen Aufnahmen vom fahrenden Zug, die durch eine der drei Kameras 2a-c des ersten Sensormoduls 3 zeitlich sequentiell aufgenommen wurden, wird durch einen Algorithmus auf dem Server 5 das dreidimensionale Modell abgeleitet. Beispielsweise können eine der drei Kameras 2a-c des ersten Sensormoduls 3 fünf Aufnahmen bei Durchfahrt des
Zuges erstellt werden. Mit nur einer einzelnen 2D-Kamera bzw. Flächenbildkamera kann somit ein 3D-Modell erzeugt werden, weil sich der Zug gegenüber der Kamera bewegt.
Figur 2 zeigt ein schematisches Diagramm von Teilschritten einer Ausführungsform eines Inspektionsverfahrens. Das in Figur 1 gezeigte Inspektionssystem 1 und das Analysesystem, also der Server 5, sind dafür eingerichtet, dieses Inspektionsverfahren auszuführen.
In einem ersten Schritt S301 wird ein Wartungsplan aller Fahrzeuge, in diesem Fall Züge, eingelesen. In einem zweiten Schritt S302 wird erkannt, ob ein Fahrzeug sich dem Inspektionssystem 1 nähert, im vorliegenden Ausführungsbeispiel durch Auslesen eines RFID- Chips. In einem dritten Schritt S303 wird das Fahrzeug detektiert, um einen Inspektionszeitpunkt t=0 zu setzen. In einem vierten Schritt S304 wird eine Vorwarnzeit für das Inspektionssystem 1 gesetzt. In einem fünften Schritt S305 wird das Inspektionssystem 1 initialisiert, insbesondere die Sensoranordnung. In einem sechsten Schritt S306 wird ein Funktionstest des Inspektionssystems 1 durchgeführt. In einem siebten Schritt S307 wird, nach erfolgreichem Funktionstest, automatisch eine Funktionsfähigkeit des Inspektionssystems 1 festgestellt. In einem achten Schritt S308 wird abhängig von ein Inspektionsverfahren basierend auf historischen Daten abhängig von dem zu inspizierenden Fahrzeug ausgewählt. In einem neunten Schritt S309 werden Umgebungsparameter nach Anwenden der Sensoranordnung bestimmt. In einem zehnten Schritt S310 wird das Inspektionssystem schließlich heruntergefahren, nachdem alle Rohdaten durch die Sensoranordnung erfasst wurden.
In dieser Ausführungsform werden die Schritte S301 bis S310 in der angegebenen Reihenfolge ausgeführt. In anderen Ausführungsformen kann aber eine veränderte Reihenfolge verwendet werden oder es können weitere Schritte hinzukommen, auch zwischen den
Schritten S301 bis S310, oder es können Schritte entfernt werden. Vorzugsweise wird in einem dem Erfassen von Rohdaten nachgelagerten Schritt anhand einer Diagnose oder eines Auswertungsergebnisses Big Data erzeugt. Figur 3 zeigt ein schematisches Diagramm von Teilschritten einer Ausführungsform eines Analyseverfahrens gemäß der Erfindung. Die Teilschritte können beispielsweise mit den Schritten des Inspektionsverfahrens aus Figur 2 kombiniert werden, z.B. verschränkt, oder den Schritten aus Figur 2 vor- oder nachgelagert werden. In einem ersten Schritt S401 wird ein Auswertungsergebnis für das Fahrzeug anhand einer unter Verwendung von Rohdaten erstellten Diagnose abgeleitet. In einem zweiten Schritt S402 wird das Auswertungsergebnis durch einen Benutzer bestätigt. Dies kann an einem
Userclient über eine entsprechende Schnittstelle, z.B. Webschnittstelle erfolgen. In einem dritten Schritt S403 wird durch das Analysesystem eine Wartungsempfehlung an den Benutzer gegeben. In einem vierten Schritt S404 wird anhand der Diagnose durch das Inspektionssystem dem Benutzer eine Wartungshandlung für das Fahrzeug vorgeschlagen. Diese Wartungshandlung kann auf einer Krankenakte basieren. In einem fünften Schritt S405 wird das Fahrzeug zu einem späteren Zeitpunkt erneut durch technische Sensorik, in diesem Ausführungsbeispiel durch das Inspektionssystem bei einer späteren Durchfahrt des Fahrzeugs, inspiziert, basierend auf der vorherigen Diagnose, um die vorherige Diagnose zu bestätigen oder zu verwerfen.
Das heißt, das Inspektionsverfahren erlaubt in dieser Ausführungsform, zu überprüfen, ob eine Diagnose oder Prognose tatsächlich zur Realität wird oder nicht. Ist die Diagnose beispielsweise„Stromabnehmer bricht wahrscheinlich in 5 Wochen", basierend auf historischen Daten im Vergleich mit einem gegenwärtigen Auswertungsergebnis, so kann nach 4 Wo- chen eine erneute Diagnose, also eine Überprüfung der vorherigen Diagnose stattfinden. Lautet die erneute Diagnose„Stromabnehmer bricht wahrscheinlich in einer Woche", ist die vorherige Diagnose bestätigt. Lautet die erneute Diagnose„Stromabnehmer bricht wahrscheinlich in 4 Wochen" wird die vorherige Diagnose verworfen und ein Austausch des Stromabnehmers kann bis auf Weiteres verschoben werden. So können Kosten eingespart werden.
5 Bezugszeichenliste
1 Inspektionssystem
2a-g Sensor
3 erstes Sensormodul
4 zweites Sensormodul
5 Analysesystem
6 Speicherprogrammierbare Steuerung
7 Beleuchtungssystem
8 Lichtschranke
9 erste Triggerleitung
10 erste Erdungsverbindung
1 1 Optokoppler
12 erster Switch
13 erste kombinierte Ethernet-Daten-Strom-Leitung
14 erste Switch-Server-Verbindung
zweite Erdungsverbindung zweiter Switch
zweite kombinierte Ethernet-Daten-Strom-Leitung zweite Switch-Server-Verbindung
zweite Triggerleitung
dritte Triggerleitung
SPS-Server-Verbindung
Relais
Claims
ANALYSEVERFAHREN UND ANALYSESYSTEM FÜR MIT EINEM INSPEKTIONSSYSTEM ZUR OPTISCHEN INSPEKTION EINES FAHRZEUGS AUFGENOMMENE ROHDATEN
PATENTANSPRÜCHE
Auswertungsverfahren für mit einem Inspektionssystem (1 ) von einem bewegten Fahrzeug im Betriebszustand zur optischen Inspektion eines technischen Funktionszustands des Fahrzeugs aufgenommene Rohdaten, wobei die Rohdaten zumindest Bilddaten des Fahrzeugs umfassen,
umfassend zumindest folgende Schritte:
a. computergestütztes Auswählen einer Auswahl von Bilddaten, umfassend zumindest ein Bild eines ein zu inspizierendes Inspektionsobjekt enthaltenden Inspektionsabschnitts, aus den Rohdaten;
b. computergestütztes Erkennen von inspektionsobjektbezogenen Strukturen und zugehörigen Bilddaten in der Auswahl;
c. computergestütztes Zuordnen der inspektionsobjektbezogenen Strukturen und zugehörigen Bilddaten zu dem Inspektionsobjekt;
d. automatisiertes Markieren in der Auswahl oder Speichern der dem Inspektionsobjekt zugeordneten Bilddaten und bevorzugt der dem Inspektionsobjekt zugeordneten Strukturen als extrahierte Daten;
e. computergestütztes Vergleichen gegenwärtiger extrahierter Ist-Daten mit historischen extrahierten War-Daten und/oder erwartungsgemäßen extrahierten Soll-Daten und
f. automatisiertes Erstellen einer Diagnose des technischen Funktionszustands des Fahrzeugs durch Bestimmen von Abweichungen der verglichenen Daten.
Analyseverfahren nach Anspruch 1 ,
d a d u r c h g e k e n n z e i c h n e t , d a s s ,
die Auswahl von Bilddaten eine Mehrzahl von Bildern des Inspektionsabschnitts, insbesondere aus unterschiedlichen Perspektiven, unter unterschiedlicher Beleuchtung, in unterschiedlichen Spektralbereichen und/oder mit unterschiedlichen Aufnahmezeitpunkten, umfasst, wobei
a. das Zuordnen ein Plausibilieren der Zuordnungen durch einen Vergleich der sich aus den einzelnen Bildern ergebenden Zuordnungen umfasst,
b. das Erstellen der Diagnose ein Plausibilieren der Diagnose durch einen Vergleich der sich aus den einzelnen Bildern ergebenden Diagnosen umfasst, und/oder
c. die einzelnen Bilder zur Diagnose unterschiedliche Funktionsparameter eines Inspektionsobjekts verwendet werden.
Analyseverfahren nach Anspruch 2,
gekennzeichnet du rch ,
eine Eichtransformation mehrerer aus unterschiedlichen Perspektiven oder mit unterschiedlichem Aufnahmezeitpunkt aufgenommener Bilder auf ein gemeinsames, zumindest zweidimensionales, bevorzugt dreidimensionales, Koordinatensystem.
Analyseverfahren nach einem der vorstehenden Ansprüche,
dadu rch gekennzeichnet, dass,
die dem Inspektionsobjekt zugeordneten Bilddaten einen das Inspektionsobjekt enthaltenden Ausschnitt aus dem zumindest einen Bild umfassen.
Analyseverfahren nach Anspruch 4,
dadu rch gekennzeichnet, dass,
die dem Inspektionsobjekt zugeordneten Bilddaten eine Positionsinformation des Ausschnitts relativ zu dem Bild umfassen, wobei das Analyseverfahren bevorzugt ein Speichern der Positionsinformation und/oder des Bildes außerhalb des Ausschnitts mit einer gegenüber dem Ausschnitt verringerten Auflösung und/oder einem gegenüber dem Ausschnitt erhöhten Kompressionsverhältnis, insbesondere in einer dem Fahrzeug zugeordneten elektronischen Krankenakte, umfasst.
Analyseverfahren nach einem der vorstehenden Ansprüche,
dadu rch gekennzeichnet, dass,
das computergestützte Erkennen, Zuordnen und/oder Vergleichen ein computerimplementiertes Verfahren der Photogrammetrie, des Image Matchings, der Bilderkennung und/oder der Kantenerkennung, bevorzugt durch einen selbstlernenden Algorithmus, umfasst.
Analyseverfahren nach einem der vorstehenden Ansprüche,
gekennzeichnet durch die Schritte:
d. Übermitteln der Diagnose an einen Benutzer und
e. Prüfen der Diagnose durch den Benutzer anhand der extrahierten Daten, der Auswahl von Bilddaten, der Rohdaten und/oder anhand einer visuellen Inspektion des Inspektionsobjekts und
f. Bestätigen oder Verwerfen der Diagnose durch den Benutzer.
Analyseverfahren nach einem der vorstehenden Ansprüche,
gekennzeichnet durch den Sch ritt:
automatisiertes Vorschlagen einer Wartungshandlung für das Fahrzeug anhand der Diagnose.
Analyseverfahren nach einem der vorstehenden Ansprüche,
geken nzeichnet durch den Sch ritt:
automatisiertes Prognostizieren eines zukünftigen technischen Funktionszustands des Fahrzeugs auf Basis eines Ergebnisses eines computergestützten Vergleichens gegenwärtiger extrahierter Ist-Daten mit historischen extrahierten War-Daten, wobei das Analyseverfahren bevorzugt ein automatisiertes Vorschlagen einer Wartungshandlung mit einem Wartungszeitpunkt und bevorzugt einem Wartungsort zur Durchführung der Wartungshandlung umfasst.
Analyseverfahren nach einem der vorstehenden Ansprüche,
gekennzeichnet du rch den Schritt:
Speichern der Diagnose und bevorzugt der extrahierten Daten, eines Prüfungsergebnisses eines Prüfens der Diagnose durch einen Benutzer und/oder einer vorgeschlagenen Wartungshandlung in einer dem Fahrzeug zugeordneten elektronischen Krankenakte, wobei die elektronische Krankenakte bevorzugt Mittel zum Manipulationsschutz darin gespeicherter Daten umfasst.
Analyseverfahren nach einem der vorstehenden Ansprüche,
geken nzeichnet durch den Schritt:
automatisiertes Konvertieren in ein für ein System zur Verkehrsmittelsystemsteuerung des Fahrzeugs geeignetes Format und Übersenden der Diagnose und bevorzugt eines Prüfungsergebnisses eines Prüfens der Diagnose durch einen Benutzer und/oder einer vorgeschlagenen Wartungshandlung an das System zur Verkehrsmittelsystemsteuerung.
Analyseverfahren nach einem der vorstehenden Ansprüche,
dadurch gekennzeichnet, dass
die Rohdaten Umgebungsparameter, bevorzugt zumindest eine Umgebungstemperatur, einer Umgebung des Fahrzeugs bei Erhebung der Rohdaten umfassen, wobei die Umgebungsparameter bei dem computergestützten Vergleichen und/oder dem Erstellen der Diagnose berücksichtigt werden.
13. Analyseverfahren nach einem der vorstehenden Ansprüche,
dadurch gekennzeichnet, dass
die Schritte
a. Auswählen einer Auswahl von Bilddaten;
b. computergestütztes Erkennen von inspektionsobjektbezogenen Strukturen und Bilddaten in der Auswahl;
c. computergestütztes Zuordnen der inspektionsobjektbezogenen Strukturen und Bilddaten zu dem Inspektionsobjekt und
d. automatisiertes Speichern der dem Inspektionsobjekt zugeordneten Bilddaten als extrahierte Daten
von einem zu dem Inspektionssystem (1) internen Teilsystem eines Analysesystems (5) und weitere Schritte des Analyseverfahrens von einem entfernt von dem Inspektionssystems (1) angeordneten, externen Teilsystem des Analysesystems (5) ausgeführt werden, wobei das Analyseverfahren ferner den folgenden Schritt umfasst: e. Übertragen der extrahierten Daten von dem internen Teilsystem an das externe Teilsystem.
14. Analyseverfahren nach einem der vorstehenden Ansprüche,
gekennzeichnet durch den Schritt:
- Erzeugen von dreidimensional aufgelösten Datensätzen des Inspektionsobjekts, des Inspektionsabschnitts oder des Fahrzeugs,
- wobei insbesondere die dreidimensional aufgelösten Datensätze aus durch zumindest einen Sensor (2a-g) zeitlich sequentiell aufgenommene Daten und/oder aus durch mehrere Sensoren (2a-g) synchron oder zeitlich sequentiell erfassten ein- oder zweidimensionale Daten des Inspektionsabschnitts gebildet sind,
- wobei bevorzugt aus einer Einzahl oder Mehrzahl von dreidimensional aufgelösten Datensätzen von einem oder mehreren Sensoren (2a-g) oder Sensortypen ein dreidimensionales Modell zumindest des Inspektionsobjekts abgeleitet wird.
15. Analysesystem (5), das sowohl ein zu dem Inspektionssystem (1) internes als auch ein externes, entfernt von dem Inspektionssystem (1) angeordnetes Teilsystem um-
fasst und dafür eingerichtet ist, ein Analyseverfahren nach einem der Ansprüche 1 bis 14 durchzuführen, wobei das interne Teilsystem zumindest zur Durchführung der folgenden Schritte ausgelegt ist:
a. Auswählen einer Auswahl von Bilddaten;
b. computergestütztes Erkennen von inspektionsobjektbezogenen Strukturen und zugehörigen Bilddaten in der Auswahl;
c. computergestütztes Zuordnen der inspektionsobjektbezogenen Strukturen und zugehörigen Bilddaten zu dem Inspektionsobjekt und
d. automatisiertes Markieren in der Auswahl oder Speichern der dem Inspektionsobjekt zugeordneten Bilddaten als extrahierte Daten.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/EP2017/078967 WO2018087341A1 (de) | 2016-11-10 | 2017-11-10 | Inspektionsverfahren, datenverarbeitungssystem und inspektionssystem zum inspizieren eines fahrzeugs im betriebszustand |
EPPCT/EP2017/078967 | 2017-11-10 |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2019092248A1 true WO2019092248A1 (de) | 2019-05-16 |
Family
ID=64332040
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/EP2018/080950 WO2019092248A1 (de) | 2017-11-10 | 2018-11-12 | Analyseverfahren und analysesystem für mit einem inspektionssystem zur optischen inspektion eines fahrzeugs aufgenommene rohdaten |
Country Status (1)
Country | Link |
---|---|
WO (1) | WO2019092248A1 (de) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2702965C1 (ru) * | 2019-08-07 | 2019-10-14 | Общество с ограниченной ответственностью "Новотранс Актив" | Система и способ идентификации железнодорожных номерных деталей по изображению их поверхностей с клеймами и знаками маркировки |
US20210248845A1 (en) * | 2020-02-12 | 2021-08-12 | The Boeing Company | Maintenance prediction system for a vehicle |
EP4029757A1 (de) * | 2021-01-13 | 2022-07-20 | Siemens Mobility GmbH | Verfahren zum steuern einer verkehrssituation |
WO2023046376A1 (de) * | 2021-09-21 | 2023-03-30 | Siemens Mobility GmbH | System zur zustandsüberwachung von elektrisch angetriebenen fahrzeugen |
WO2023094055A1 (de) * | 2021-11-26 | 2023-06-01 | Gts Deutschland Gmbh | Verfahren zum betrieb eines eisenbahnnetzes mit überwachung von infrastrukturkomponenten |
WO2023117775A1 (de) * | 2021-12-23 | 2023-06-29 | Siemens Mobility Austria Gmbh | Inspektionsverfahren und inspektionseinrichtung für fahrwerke für schienenfahrzeuge |
DE102022106764A1 (de) | 2022-03-23 | 2023-09-28 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren zur Zustandskontrolle einer Komponente in einer Komponentenumgebung |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011035983A1 (de) | 2009-09-28 | 2011-03-31 | Siemens Aktiengesellschaft | Verfahren und anordnung zur kontrolle von stromabnehmern, lichtraumprofilen und horizontaler und vertikaler fahrdrahtposition an fahrzeugverbänden |
EP2546120A1 (de) | 2011-07-12 | 2013-01-16 | ALSTOM Transport SA | Verfahren und stationäres System zur Überwachung von Geräten eines Schienenfahrzeugs |
WO2013086578A1 (en) * | 2011-12-15 | 2013-06-20 | Multiskilled Resources Australia Pty Ltd | Rail car operating condition and identity monitoring system |
WO2016033283A1 (en) * | 2014-08-27 | 2016-03-03 | Lynxrail Corporation | System and method for analyzing rolling stock wheels |
WO2018087341A1 (de) | 2016-11-10 | 2018-05-17 | Deutsche Bahn Fernverkehr Ag | Inspektionsverfahren, datenverarbeitungssystem und inspektionssystem zum inspizieren eines fahrzeugs im betriebszustand |
-
2018
- 2018-11-12 WO PCT/EP2018/080950 patent/WO2019092248A1/de active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011035983A1 (de) | 2009-09-28 | 2011-03-31 | Siemens Aktiengesellschaft | Verfahren und anordnung zur kontrolle von stromabnehmern, lichtraumprofilen und horizontaler und vertikaler fahrdrahtposition an fahrzeugverbänden |
EP2546120A1 (de) | 2011-07-12 | 2013-01-16 | ALSTOM Transport SA | Verfahren und stationäres System zur Überwachung von Geräten eines Schienenfahrzeugs |
WO2013086578A1 (en) * | 2011-12-15 | 2013-06-20 | Multiskilled Resources Australia Pty Ltd | Rail car operating condition and identity monitoring system |
WO2016033283A1 (en) * | 2014-08-27 | 2016-03-03 | Lynxrail Corporation | System and method for analyzing rolling stock wheels |
WO2018087341A1 (de) | 2016-11-10 | 2018-05-17 | Deutsche Bahn Fernverkehr Ag | Inspektionsverfahren, datenverarbeitungssystem und inspektionssystem zum inspizieren eines fahrzeugs im betriebszustand |
Non-Patent Citations (2)
Title |
---|
LERNEN: "Support Vector Machine", UNIV.-PROF. DR.-ING |
STADLBAUER R ET AL: "CHECKPOINT: SOLUTIONS FOR AUTOMATIC SUPERVISION", SIGNAL + DRAHT, DVV, 1 April 2007 (2007-04-01), pages 38 - 43, XP001540337, ISSN: 0037-4997 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2702965C1 (ru) * | 2019-08-07 | 2019-10-14 | Общество с ограниченной ответственностью "Новотранс Актив" | Система и способ идентификации железнодорожных номерных деталей по изображению их поверхностей с клеймами и знаками маркировки |
WO2021025579A1 (ru) * | 2019-08-07 | 2021-02-11 | Общество с ограниченной ответственностью "Новотранс Актив" | Система и способ идентификации железнодорожных номерных деталей |
US20210248845A1 (en) * | 2020-02-12 | 2021-08-12 | The Boeing Company | Maintenance prediction system for a vehicle |
US11631288B2 (en) * | 2020-02-12 | 2023-04-18 | The Boeing Company | Maintenance prediction system for a vehicle |
EP4029757A1 (de) * | 2021-01-13 | 2022-07-20 | Siemens Mobility GmbH | Verfahren zum steuern einer verkehrssituation |
WO2023046376A1 (de) * | 2021-09-21 | 2023-03-30 | Siemens Mobility GmbH | System zur zustandsüberwachung von elektrisch angetriebenen fahrzeugen |
WO2023094055A1 (de) * | 2021-11-26 | 2023-06-01 | Gts Deutschland Gmbh | Verfahren zum betrieb eines eisenbahnnetzes mit überwachung von infrastrukturkomponenten |
WO2023117775A1 (de) * | 2021-12-23 | 2023-06-29 | Siemens Mobility Austria Gmbh | Inspektionsverfahren und inspektionseinrichtung für fahrwerke für schienenfahrzeuge |
AT525771A1 (de) * | 2021-12-23 | 2023-07-15 | Siemens Mobility Austria Gmbh | Inspektionsverfahren und Inspektionseinrichtung für Fahrwerke für Schienenfahrzeuge |
DE102022106764A1 (de) | 2022-03-23 | 2023-09-28 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren zur Zustandskontrolle einer Komponente in einer Komponentenumgebung |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2019092248A1 (de) | Analyseverfahren und analysesystem für mit einem inspektionssystem zur optischen inspektion eines fahrzeugs aufgenommene rohdaten | |
WO2018087341A1 (de) | Inspektionsverfahren, datenverarbeitungssystem und inspektionssystem zum inspizieren eines fahrzeugs im betriebszustand | |
EP2212180B1 (de) | Bestimmung der restlebensdauer einer fahrzeugkomponente | |
EP3155603B1 (de) | Verfahren zur ermittlung von positionsdaten zur nutzung beim betrieb eines fahrzeugsystems eines kraftfahrzeugs und positionsdatenermittlungs- und -verteilungssystem | |
EP3275764B1 (de) | Zugleitsystem | |
EP3517398B1 (de) | Verfahren zur innenraumzustandsüberwachung, sowie fahrzeug mit einer innenraumzustandsüberwachungseinrichtung | |
DE102022116076A1 (de) | Systeme und verfahren zur schätzung der ankunftszeit von fahrzeugsystemen | |
DE10197107T5 (de) | Rangierbahnhofverfolgungssystem | |
WO2020224853A1 (de) | Verfahren und computer-programm-produkt zum erkennen von signalzeichen zur verkehrssteuerung spurgebundener fahrzeuge sowie signalzeichenerkennungssystem und spurgebundenes fahrzeug, insbesondere schienenfahrzeug | |
EP2894074B1 (de) | Verfahren und Vorrichtung zur Überwachung eines Eisenbahnnetzes | |
WO2019092246A1 (de) | Inspektionsverfahren und inspektionssystem zum inspizieren eines fahrzeugs im betriebszustand | |
DE10060380B4 (de) | Verfahren und Vorrichtung zur Heißläufer- und Festbremsortung | |
DE102016223094A1 (de) | Verfahren und System zum Detektieren eines sich innerhalb eines Parkplatzes befindenden erhabenen Objekts | |
WO2023046376A1 (de) | System zur zustandsüberwachung von elektrisch angetriebenen fahrzeugen | |
DE202021100535U1 (de) | Fehlerdiagnose- und Wartungsvorrichtung für ein Bremssystem eines Hochgeschwindigkeitszugs | |
Sacchi et al. | PAVISYS: A computer vision system for the inspection of locomotive pantographs | |
WO2022117698A1 (de) | Verfahren zum betreiben eines schienenfahrzeugs und anordnung mit einem schienenfahrzeug | |
EP1015313B1 (de) | Dockingsystem für flughafenterminals | |
DE102018219256A1 (de) | Ermitteln einer Degradation einer bestimmten Gleiskomponente | |
EP3594084A1 (de) | Verfahren und vorrichtung zur überwachung eines eisenbahnnetzes und eisenbahnnetz | |
DE102019206348A1 (de) | Verfahren und Computer-Programm-Produkt zum Erkennen von Signalzeichen zur Verkehrssteuerung spurgebundener Fahrzeuge sowie Signalzeichenerkennungssystem und Spurgebundenes Fahrzeug, insbesondere Schienenfahrzeug | |
EP3473525A1 (de) | Verfahren zur ermittlung einer aktuellen ortsinformation eines fahrzeugs, verfahren zur wiederaufnahme eines überwachten betriebszustands eines durch ein elektronisches steuerungssystem zu überwachenden fahrzeugs, sicherungssystem | |
DE102022117032A1 (de) | Verfahren zum zustandsbasierten Warten einer Kupplungsanordnung und Überwachungssystem | |
DE102021213354B4 (de) | Verfahren zum Betrieb eines Eisenbahnnetzes mit Überwachung von Infrastrukturkomponenten | |
DE102022210426A1 (de) | Objekterkennung an den Enden und Koppelstellen eines Fahrzeugs |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 18803925 Country of ref document: EP Kind code of ref document: A1 |
|
NENP | Non-entry into the national phase |
Ref country code: DE |
|
122 | Ep: pct application non-entry in european phase |
Ref document number: 18803925 Country of ref document: EP Kind code of ref document: A1 |