Het spoor is een systeem waarvan de veiligheid afhangt van duizenden elementen die gelijktijdig functioneren. Rails, wissels, bovenleiding, spoorwegovergangen, kunstwerken en de omgeving van de lijn vormen een omgeving die continu gemonitord moet worden.
Het probleem is niet langer uitsluitend om zo veel mogelijk data te verzamelen.
Het probleem is om een dreiging tijdig te zien, die juist te interpreteren en de informatie door te geven aan een persoon of systeem dat kan reageren.
Precies hier komt kunstmatige intelligentie in beeld.
AI in de spoorsector - van beeldregistratie naar begrip van de werkelijkheid
Een klassiek monitoringsysteem registreert vooral.
Een camera kan uren aan videomateriaal opslaan, maar beantwoordt niet vanzelf de belangrijkste vraag:
Is er in het waargenomen beeld iets gebeurd dat een reactie vereist?
Een mens kan de opname analyseren, maar de hoeveelheid data overstijgt snel de mogelijkheden van handmatige controle. Hoe meer overgangen, kilometers spoor en camera’s, hoe groter het probleem van informatie-selectie.
Daarom verandert de ontwikkeling van computer vision, machine learning en AI voor het spoor de aanpak van infrastructuurmonitoring.
Een systeem dat op AI is gebaseerd kan beelden analyseren op bepaalde patronen en anomalieën, gebeurtenissen classificeren en alleen informatie doorgeven aan de operator die aandacht vereist.
Dat is een fundamentele verandering.
In plaats van: camera → opname → mens → analyse
krijgen we: camera → AI → detectie van anomalie → context van het incident → reactie.
Edge Computing - waarom zou AI dicht bij de bron moeten werken?
Een van de kerncomponenten van moderne AI-systemen voor het spoor is Edge Computing.
In het traditionele model worden data naar een centraal server- of cloudcentrum gestuurd voor analyse. Voor spoorinfra-monitoring betekent dit echter het verzenden van enorme hoeveelheden visuele data.
VAR24 hanteert een andere benadering.
De analyse vindt lokaal, aan de rand van het netwerk plaats, met gebruik van een dedicated microcomputer en camerasysteem.
Dat is van groot belang.
Als het systeem in real time moet werken, kun je elke beslissing niet afhankelijk maken van het versturen van de volledige datastroom naar een extern verwerkingscentrum.
Edge AI verplaatst een deel van de intelligentie direct naar het apparaat aan boord van het voertuig.
Data worden geanalyseerd waar ze ontstaan.
Daardoor zijn vertragingen te beperken, wordt de hoeveelheid doorgestuurde data verminderd en ontstaat een architectuur geschikt voor toepassingen die snelle reacties vereisen.
Daarom is Edge Computing in de spoorsector een veelbelovende richting in de ontwikkeling van intelligente veiligheidssystemen.
Huidig onderzoek naar AI in het onderhoud van spoorinfrastructuur wijst Edge AI als een ontwikkelingstrend, naast Digital Twins en cyber-fysische systemen.
VAR24 - ziet, analyseert, reageert
Het VAR24-concept berust op drie fundamentele stappen.
01. Ziet
Frontcamera’s observeren het tracé vanuit het perspectief van de bestuurder.
Dat is belangrijk omdat het systeem geen abstract model van de infrastructuur analyseert. Het observeert de echte omgeving waarin het voertuig zich beweegt.
02. Analyseert
Beelden worden lokaal door de kunstmatige intelligentie verwerkt.
Het systeem moet anomalieën en potentiële gevaren herkennen, in plaats van zich te beperken tot passieve opname van materiaal.
03. Reageert
Een gedetecteerd incident kan met context naar het verkeersleidingscentrum worden gestuurd.
Deze stap maakt de overgang van monitoring naar een systeem dat besluitvorming ondersteunt mogelijk.
En dat is een fundamenteel verschil.
Predictive Maintenance in de spoorsector - onderhoud vóórdat een storing optreedt
Een van de belangrijkste toepassingen van AI in het spoorvervoer is Predictive Maintenance, oftewel voorspellend onderhoud.
De traditionele aanpak berust vaak op onderhoudsschema’s, periodieke procedures en reactie op ontdekte defecten.
Predictive Maintenance verandert die logica.
In plaats van te vragen: “Wanneer moet de volgende inspectie plaatsvinden?”
kan het systeem sturen naar de vraag: “Laten de beschikbare gegevens tekenen van een probleem zien en hoe snel kan dat significant worden?”
Dat is een enorme verandering voor het beheer van infrastructuur.
AI kan data uit beeldvorming, sensoren, spoorgeometrie, trillingen en andere bronnen gebruiken om patronen te identificeren die wijzen op potentiële problemen. Recente wetenschappelijke studies tonen dat beeldvorming, trillingsanalyse en geometriegegevens belangrijke datavormen zijn voor AI-gebaseerd voorspellend onderhoud in de spoorsector.
De International Union of Railways (UIC) voerde een project uit genaamd Artificial Intelligence for Predictive Maintenance, met als doel het gebruik van AI in de spoorsector te versnellen en use-cases te ontwikkelen van PoC en pilots naar operationele toepassingen.
Dit toont aan dat AI en Predictive Maintenance niet langer alleen technologische experimenten zijn. Ze vormen een reële richting in de digitalisering van het spoor.
Waarom heeft spoorinfrastructuurmonitoring AI nodig?
Spoorinfrastructuur is uitgestrekt. Het betreft honderden tot duizenden kilometers spoor, uiteenlopende weersomstandigheden, variabel licht, verkeersbewegingen, begroeiing, dieren, objecten in de directe omgeving van het spoor en de veranderende technische staat van de infrastructuur.
Een mens kan niet constant de hele infrastructuur observeren. Een computersysteem kan wel continue analyse uitvoeren. Dat betekent niet dat de mens overbodig wordt. Integendeel.
Het meest waardevolle model is er een waarbij AI fungeert als een extra laag van perceptie en analyse, en de mens informatie ontvangt die al gefilterd en geclassificeerd is.
Deze benadering verschuift de rol van de mens van observator van enorme datastromen naar beslisser op basis van door het systeem voorbereide informatie.
Van camera’s naar datafusie en LiDAR
Camera’s zijn nog maar het begin.
De volgende stap in de ontwikkeling van perceptiesystemen kan datafusie van verschillende sensoren zijn.
VAR24 voorziet integratie met LiDAR-technologie, een systeem dat laserpulsen gebruikt om een ruimtelijke representatie van de omgeving te creëren.
Waarom is dat belangrijk?
Beeldmateriaal van een camera levert visuele informatie.
LiDAR kan ruimtelijke informatie leveren.
Het combineren van verschillende databronnen maakt het mogelijk een vollediger model van de waargenomen omgeving op te bouwen.
Dit is vooral cruciaal in situaties waarin beeldanalyse wordt bemoeilijkt door licht- of weersomstandigheden.
Belangrijk is dat een vergelijkbare richting al aanwezig is in Poolse R&D-werkzaamheden rond automatische monitoring van spoorinfrastructuur. Het UAVforRail-project gebruikt onder meer AI, RGB, LiDAR en thermografie voor automatische identificatie van defecten in spoorinfrastructuur.
Uitgebreide waarnemingshorizon
De volgende stap is niet alleen nauwkeuriger kijken. Het is verder kijken.
Voor een veiligheidssysteem kan niet alleen de staat van het spoor direct voor het voertuig relevant zijn, maar ook de situatie in de directe omgeving.
Daarom voorziet de roadmap van VAR24 uitbreiding van de analyse onder andere met:
- bovenleiding,
- de directe omgeving van het spoor,
- dieren op het spoor,
- voertuigen bij spoorwegovergangen,
- aardverschuivingen,
- andere potentiële obstakels en anomalieën.
Op deze manier evolueert het systeem van infrastructuurmonitoring naar perceptie van de transportomgeving.
En perceptie is een van de fundamenten van autonomie.
Van observatie naar autonome reactie
Autonoom spoorvervoer begint niet zodra een trein alle beslissingen zelfstandig neemt.
Het begint veel eerder.
Allereerst moet de machine: zien.
Vervolgens: begrijpen.
Daarna: risico inschatten.
En pas later: reageren.
Daarom zijn computer vision, Edge AI, LiDAR en datafusie zo belangrijk voor de toekomst van autonome spoorwegen.
Huidig onderzoek geeft aan dat volledige automatisering op GoA4-niveau al in delen van metrosystemen wordt toegepast, terwijl toepassing op hoofdspoorlijnen veel complexer blijft door veiligheidseisen en de complexiteit van open operationele omgevingen.
VAR24 volgt dus een logische ontwikkelingsroute: observatie → analyse → voorspelling → perceptie van de omgeving → reactie → autonomisering.
Veiligheid van het spoor vereist data in real time
In kritieke systemen telt tijd.
Als informatie over een potentieel gevaar pas beschikbaar is nadat de rit is voltooid of na handmatige analyse van materiaal, kan de operationele waarde ervan beperkt zijn.
Daarom is real-time data-analyse een van de belangrijkste onderdelen van het VAR24-concept.
Het systeem moet niet alleen informatie verzamelen. Het moet deze verwerken. Het moet anomalieën herkennen. Het moet het juiste bericht doorgeven. En in de toekomst - volgens de projectroadmap - kan het deel gaan uitmaken van actieve reactie op kritieke bedreigingen.
VAR24 - ontwikkelingsroadmap
De systeemontwikkeling is in opeenvolgende fasen verdeeld.
Fase 1 - visionair systeem / PoC
Geavanceerde optica en AI dienen voor het detecteren van defecten in de infrastructuur binnen het directe bereik van het systeem.
Fase 2 - datafusie en LiDAR
Integratie van aanvullende ruimtelijke databronnen en vergroting van de perceptiemogelijkheden van de omgeving.
Fase 3 - uitgebreide waarnemingshorizon
Uitbreiding van de analyse met bovenleiding en de omgeving van het spoor.
Fase 4 - actieve reactie
Het einddoel is een betrouwbaarheid van 99,99% en de mogelijkheid tot automatische initiatie van noodremprocedures wanneer een kritiek gevaar wordt geïdentificeerd op een afstand die de reactietijd van een mens overstijgt.
Dit is het ontwikkelingsdoel van VAR24, geen verklaring van de huidige mogelijkheden van het systeem.
En juist dat onderscheid is cruciaal in veiligheidstechnologieën.
Niet-invasieve technologie - AI zonder herbouw van infrastructuur
Een interessant element van het VAR24-concept is de installatieniet-invasiviteit.
In plaats van bestaande spoorinfrastructuur te herbouwen kan het systeem worden ontwikkeld als een extra technologische laag die camera’s en een dedicated boordcomputer gebruikt.
Dat opent een geheel andere route voor het implementeren van AI in de spoorsector.
Je hoeft niet te beginnen met het bouwen van volledige infrastructuur vanaf nul.
Men kan starten met een intelligente perceptielaag die bestaande voertuigbewegingen op het spoornet gebruikt om continu informatie te verzamelen en te analyseren.
Pools technologie voor het Europese spoor
VAR24 wordt ontwikkeld als een R&D-project voortkomend uit de structuren van Web24.com.pl Sp. z o.o., een Poolse softwareontwikkelaar actief sinds 2008.
Volgens de projectaanname wordt VAR24 zelfstandig gefinancierd en ontwikkeld zonder afhankelijkheid van extern kapitaal.
Dat is een belangrijk onderdeel van het projectverhaal.
Het gaat namelijk niet alleen om het creëren van nog een AI-oplossing.
Het doel is het bouwen van technologie die toepasbaar kan zijn in een van de meest veeleisende infrastructurele sectoren - het spoorvervoer.
De toekomst van het spoor zal gebaseerd zijn op perceptie
Decennialang concentreerde spoorontwikkeling zich op hogere snelheid, capaciteit, automatisering van besturing en modernisering van infrastructuur.
De volgende stap is systeemintelligentie.
De trein van de toekomst moet niet alleen een geplande route afleggen. Hij moet de omgeving waarin hij zich bevindt steeds beter begrijpen. Hij moet anomalieën detecteren. Hij moet potentiële problemen voorspellen. Hij moet de juiste informatie aan de operator verstrekken. En in passend gecertificeerde en veilige toepassingen - in de toekomst - kan hij ook bepaalde acties automatisch ondernemen.
Daarom zijn ontwikkeling van AI voor het spoor, Edge Computing, computer vision, LiDAR, Predictive Maintenance en autonome systemen geen vijf afzonderlijke trends.
Het zijn onderdelen van één groter proces. Het proces van het gaan van door mensen geobserveerd spoor naar een spoor dat zelf kan waarnemen, analyseren en reageren.
VAR24 wil deel uitmaken van dat proces.
VAR24. Ziet. Analyseert. Reageert.
