Rautatie on järjestelmä, jossa turvallisuus riippuu tuhansista samanaikaisesti toimivista osista. Kiskot, vaihteet, ajojohto, tasoristeykset, tekniikkarakenteet ja radan ympäristö muodostavat tilanteen, jota on jatkuvasti valvottava.
Ongelma ei enää ole pelkästään kerätä mahdollisimman paljon dataa.
Ongelma on havaita uhka riittävän varhain, tulkita se oikein ja välittää tieto henkilölle tai järjestelmälle, joka voi reagoida.
Juuri täällä tekoäly astuu kuvaan.
AI rautateillä - kuvantallennuksesta todellisuuden ymmärtämiseen
Perinteinen valvontajärjestelmä ennen kaikkea tallentaa.
Kamera voi tallentaa tunteja videomateriaalia, mutta se ei itsessään vastaa tärkeimpään kysymykseen:
Onko tarkastellussa kuvassa tapahtunut jotain, mikä vaatii toimintaa?
Ihminen voi analysoida tallenteen, mutta datan määrä ylittää nopeasti manuaalisen tarkastelun mahdollisuudet. Mitä enemmän ylityksiä, radan kilometrejä ja kameroita, sitä suuremmaksi tiedon suodattamisen ongelma kasvaa.
Siksi computer vision, machine learning ja AI rautateille muuttavat infrastruktuurin valvonnan lähestymistapaa.
Tekoälypohjainen järjestelmä voi analysoida kuvaa tiettyjen mallien ja poikkeamien näkökulmasta, luokitella tapahtumia ja välittää operaattorille vain huomion vaatimat tiedot.
Tämä on merkittävä muutos.
Sen sijaan, että: kamera → tallenne → ihminen → analyysi
saadaan: kamera → AI → poikkeaman havaitseminen → tapahtuman konteksti → reagointi.
Edge Computing - miksi AI:n tulisi toimia lähellä datalähdettä?
Yksi modernien rautatie-AI-järjestelmien keskeisistä osista on Edge Computing.
Perinteisessä mallissa data lähetetään keskitetylle palvelimelle tai pilveen analysoitavaksi. Rautatieinfrastruktuurin valvonnassa tämä tarkoittaa kuitenkin valtavia määriä visuaalisen datan siirtoa.
VAR24 hyödyntää toisenlaista lähestymistapaa.
Analyysi tapahtuu paikallisesti, verkon reunassa, käyttäen omistettua mikrotietokonetta ja kamerasysteemiä.
Tällä on suuri merkitys.
Jos järjestelmän on toimittava reaaliaikaisesti, ei jokaista päätöstä voi perustaa koko datavirran lähettämiseen ulkoiseen käsittelykeskukseen.
Edge AI mahdollistaa osan älykkyydestä siirtämisen suoraan laitteeseen, joka sijaitsee ajoneuvossa.
Data analysoidaan siellä, missä se syntyy.
Tämän ansiosta voidaan vähentää viiveitä, pienentää eteenpäin lähetettävän datan määrää ja luoda arkkitehtuuri, joka soveltuu nopeaa reagointia vaativiin käyttötapauksiin.
Siksi Edge Computing rautateillä on yksi mielenkiintoisista kehityssuunnista älykkäiden turvallisuusjärjestelmien alueella.
Ajankohtaiset tutkimukset rautatieinfrastruktuurin ylläpidon AI-ratkaisuista nostavat Edge AI:n kehityssuunnaksi Digital Twinsien ja kyber-fyysisten järjestelmien rinnalle.
VAR24 - näkee, analysoi, reagoi
VAR24-konsepti perustuu kolmeen perusvaiheeseen.
01. Näkee
Etukamerat seuraavat radan tilaa kuljettajan näkökulmasta.
Tämä on tärkeää, koska järjestelmä ei analysoi abstraktia infrastruktuurimallia. Se tarkkailee todellista ympäristöä, jossa ajoneuvo liikkuu.
02. Analysoi
Kuvaa käsitellään tekoälyn avulla paikallisesti.
Järjestelmän tehtävänä on tunnistaa poikkeamat ja mahdolliset uhat, sen sijaan että se rajoittuisi passiiviseen tallennukseen.
03. Reagoi
Havaitut tapahtumat voidaan välittää hälytyskeskukseen kontekstin kanssa.
Juuri tämä vaihe mahdollistaa siirtymisen valvonnasta päätöksenteon tukijärjestelmään.
Ja tämä on perustavanlaatuinen ero.
Predictive Maintenance rautateillä - ylläpitoa ennen vikaa
Yksi tärkeimmistä tekoälyn sovelluksista raideliikenteessä on Predictive Maintenance, eli ennakoiva kunnossapito.
Perinteinen lähestymistapa perustuu usein tarkastusaikatauluihin, kausittaisiin toimenpiteisiin ja reagointiin havaittuihin vikoihin.
Predictive Maintenance muuttaa toimintalogiikkaa.
Sen sijaan, että kysytään: ”Milloin seuraava tarkastus tulisi tehdä?”
järjestelmä voi pyrkiä vastaamaan: ”Voidaanko saatavilla olevasta datasta nähdä vian merkkejä ja kuinka nopeasti niistä voi muodostua merkittävä ongelma?”
Tämä on suuri ero infrastruktuurin hallinnan kannalta.
AI voi hyödyntää kuvausta, anturidataa, radan geometriaa, värähtelymittauksia ja muita lähteitä tunnistaakseen malleja, jotka viittaavat potentiaalisiin ongelmiin. Nykyiset tutkimukset osoittavat, että nimenomaan kuvantaminen, värähtelyanalyysi ja radan geometriaan liittyvät tiedot ovat keskeisiä lähteitä AI-pohjaisessa ennakoivassa kunnossapidossa rautateillä.
Kansainvälinen rautateiden liitto UIC on toteuttanut hankkeen Artificial Intelligence for Predictive Maintenance, jonka tavoitteena oli nopeuttaa AI:n käyttöönottoa rautatiealalla ja kehittää käyttötapauksia PoC- ja pilottivaiheista operatiivisiin sovelluksiin.
Tämä osoittaa, että AI ja ennakoiva kunnossapito eivät enää ole pelkkää teknologista kokeilua. Ne ovat todellisia digitalisaation suuntia rautateillä.
Miksi rautatieinfrastruktuurin valvonta tarvitsee AI:ta?
Rautatieinfrastruktuuri on laaja. Se koostuu sadoista ja tuhansista kilometristä kiskoa, vaihtelevista sääolosuhteista, muuttuvasta valaistuksesta, liikkuvista ajoneuvoista, kasvillisuudesta, eläimistä, radan välittömässä läheisyydessä olevista rakenteista sekä infrastruktuurin teknisen tilan muutoksista.
Ihminen ei pysty jatkuvasti seuraamaan koko infrastruktuuria. Tietokonejärjestelmä voi sen sijaan analysoida jatkuvasti. Tämä ei tarkoita ihmisen korvaamista. Päinvastoin.
Arvokkain malli on sellainen, jossa AI toimii lisäaistina ja analysointikerroksena, ja ihminen saa jo asianmukaisesti suodatetut ja luokitellut tiedot.
Tämä lähestymistapa siirtää ihmisen roolia valtavasta datan tarkkailijasta päätöksentekijäksi, joka käyttää järjestelmän tuottamaa tietoa.
Kameroista datan fuusioon ja LiDARiin
Kamerat ovat vasta alku.
Seuraava kehitysvaihe voi olla eri antureista peräisin olevan datan fuusio.
VAR24 suunnittelee integraatiota LiDAR-tekniikkaan, joka käyttää lasersignaaleja ympäristön kolmiulotteiseen mallintamiseen.
Miksi tämä on tärkeää?
Kamerakuva antaa visuaalista tietoa.
LiDAR voi tuottaa tilallista tietoa.
Eri datalähteiden yhdistäminen mahdollistaa täydellisemmän mallin rakentamisen havainnoidusta ympäristöstä.
Tämä on erityisen tärkeää tilanteissa, joissa pelkkä kuvananalyysi vaikeutuu valaistus- tai sääolosuhteiden vuoksi.
Merkittävää on myös se, että samanlainen suuntaus on jo läsnä suomalaisissa ja kansainvälisissä TKI-töissä rautatieinfrastruktuurin automaattisessa valvonnassa. Esimerkiksi UAVforRail-hanke hyödyntää AI:ta, RGB-kuvausta, LiDARia ja lämpökuvantamista infrastruktuurivikojen automaattiseen tunnistamiseen.
Laajentunut havainnointihorisontti
Seuraava askel ei ole vain tarkempi katselu. Se on kauemmas katsominen.
Rautaturvallisuusjärjestelmälle merkityksellistä voi olla paitsi radan tila juuri ajoneuvon edessä myös sen ympäristön tilanne.
Siksi VAR24:n tiekartassa analyysiä aiotaan laajentaa muun muassa koskemaan:
- ajojohtoa,
- radan välitöntä ympäristöä,
- radalla liikkuvia eläimiä,
- ajoneuvoja tasoristeyksissä,
- maanvyörymiä,
- muita mahdollisia esteitä ja poikkeamia.
Tällä tavalla järjestelmä alkaa siirtyä infrastruktuurin valvonnasta kohti liikenneympäristön hahmottamista.
Juuri havaintokyky on yksi autonomian peruspilareista.
Havainnoinnista autonomiseen reagointiin
Autonominen raideliikenne ei ala siitä, että juna tekee kaikki päätökset itsenäisesti.
Se alkaa paljon aikaisemmin.
Ensin koneen täytyy: nähdä.
Sitten: ymmärtää.
Seuraavaksi: arvioida riski.
Ja vasta sen jälkeen: toimia.
Siksi computer vision-, Edge AI-, LiDAR- ja datanfuusioteknologiat ovat niin tärkeitä tulevaisuuden autonomiselle raideliikenteelle.
Nykyiset tutkimukset osoittavat, että täydellinen automaatio GoA4-tasolla on jo käytössä osassa metrojärjestelmiä, mutta sen soveltaminen päälinjoilla on huomattavasti haastavampaa turvallisuusvaatimusten ja avoimen toimintaympäristön monimuotoisuuden vuoksi.
VAR24 sijoittuu loogisesti tähän kehityskulkuun: havainto → analyysi → ennustus → ympäristön hahmotus → reagointi → autonomisuus.
Rautaturvallisuus vaatii reaaliaikaista dataa
Aikakriittisissä järjestelmissä aika ratkaisee.
Jos tieto potentiaalisesta uhasta ilmestyy vasta ajon päätyttyä tai manuaalisen analyysin jälkeen, sen operatiivinen arvo voi olla rajallinen.
Siksi reaaliaikainen datan analyysi on yksi VAR24-käsitteen tärkeimmistä osista.
Järjestelmän ei tule ainoastaan kerätä tietoa. Sen tulee käsitellä sitä. Sen tulee tunnistaa poikkeamat. Sen tulee välittää oikea viesti. Ja tulevaisuudessa - tienkarttaan kirjatusti - se voi muodostaa osan aktiivista reagointia kriittisiin uhkiin.
VAR24 - kehityksen tiekartta
Järjestelmän kehitys on jaettu vaiheisiin.
Vaihe 1 - visuaalinen järjestelmä / PoC
Kehittynyt optiikka ja tekoäly toimivat radan läheisyydessä olevien vaurioiden havaitsemiseksi.
Vaihe 2 - datan fuusio ja LiDAR
Eri paikkatiedon lähteiden integrointi ja ympäristön havainnoinnin mahdollisuuksien laajentaminen.
Vaihe 3 - laajennettu havainnointihorisontti
Analyysin laajentaminen ajojohtoon ja radan ympäristöön.
Vaihe 4 - aktiivinen reagointi
Tavoitteena on saavuttaa 99,99 %:n luotettavuus ja mahdollisuus automaattisesti käynnistää hätäjarrutusmenettely, jos kriittinen uhka tunnistetaan etäisyydellä, joka ylittää ihmisen reaktioajan.
Tämä on VAR24:n kehitystavoite, ei väite nykyisistä järjestelmän kyvyistä.
Juuri tällainen erottelu on olennaista turvallisuusteknologioissa.
Ei-invasiivinen teknologia - AI ilman infran uudelleenrakentamista
Yksi VAR24-konseptin kiinnostavista piirteistä on sen asennusystävällisyys.
Sen sijaan, että rakennettaisiin olemassaoleva infrastruktuuri uusiksi, järjestelmää voidaan kehittää lisäteknologiana, joka hyödyntää kameroita ja laitteistoa ajoneuvossa.
Tämä avaa täysin erilaisen polun AI:n käyttöönotolle rautateillä.
Ei tarvitse aloittaa koko infrastruktuurin rakentamisesta alusta.
Voidaan aloittaa älykkäällä havainnointikerroksella, joka hyödyntää olemassaolevia ajoneuvojen kulkuja radalla tiedon jatkuvaan keräämiseen ja analysointiin.
Suomalainen/Polish? teknologia eurooppalaisille rautateille
VAR24 kehitetään tutkimus- ja kehitysprojektina, joka on peräisin Web24.com.pl Sp. z o.o. -struktuureista, puolalaisesta ohjelmistoyrityksestä, joka on toiminut vuodesta 2008.
Projektin lähtöoletusten mukaan VAR24 rahoitetaan itse ja kehitetään ilman ulkopuolista pääomaa.
Tämä on tärkeä osa hankkeen tarinaa.
Kyse ei ole pelkästään seuraavan AI-pohjaisen ratkaisun luomisesta.
Tavoitteena on rakennella teknologiaa, jolla on käyttöä yhdessä vaativimmista infrastruktuurialoista - raideliikenteessä.
Rautateiden tulevaisuus perustuu havainnointikykyyn
Vuosisatojen ajan rautateiden kehitys on keskittynyt nopeuden, kapasiteetin, ohjauksen automaation ja infran modernisoinnin lisäämiseen.
Seuraava vaihe on järjestelmän älykkyys.
Tulevaisuuden juna ei saisi vain kulkea suunniteltua reittiä. Sen tulisi ymmärtää yhä paremmin ympäristöään. Sen tulisi havaita poikkeamat. Sen tulisi ennakoida mahdolliset ongelmat. Sen tulisi välittää oikeanlaatuisia tietoja operaattorille. Ja asianmukaisesti sertifioiduissa ja turvallisissa sovelluksissa - tulevaisuudessa - se voi myös suorittaa tiettyjä toimenpiteitä automaattisesti.
Siksi AI rautateille, Edge Computing, computer vision, LiDAR, Predictive Maintenance ja autonomiset järjestelmät eivät ole viisi erillistä trendiä.
Ne ovat osia yhdestä suuremmasta prosessista. Prosessista, jossa siirrytään ihmisen tarkkailemasta rautatiestä kohti rautatietä, joka itse osaa havainnoida, analysoida ja reagoida.
VAR24 haluaa olla osa tätä prosessia.
VAR24. Näkee. Analysoi. Reagoi.
