Järnvägen är ett system där säkerheten beror på tusentals element som verkar samtidigt. Spår, växlar, kontaktledning, plankorsningar, tekniska konstruktioner och omgivningen runt banan bildar en miljö som måste övervakas kontinuerligt.
Problemet handlar inte längre bara om att samla in så mycket data som möjligt.
Problemet är att upptäcka ett hot i tid, tolka det korrekt och vidarebefordra informationen till en person eller ett system som kan reagera.
Just här kommer artificiell intelligens in.
AI i järnvägen - från bildregistrering till förståelse av verkligheten
Ett klassiskt övervakningssystem registrerar framför allt.
En kamera kan spara timmars videomaterial, men svarar inte i sig på den viktigaste frågan:
Har något inträffat i bilden som kräver åtgärd?
En människa kan analysera inspelningen, men datamängden överskrider snabbt möjligheterna för manuell granskning. Ju fler överfarter, mil banor och kameror, desto större blir problemet med att välja ut relevant information.
Därför förändrar utvecklingen av computer vision, machine learning och AI för järnvägen synsättet på infrastrukturövervakning.
Ett system baserat på artificiell intelligens kan analysera bildmaterial för vissa mönster och anomalier, klassificera händelser och bara vidarebefordra till operatören den information som kräver uppmärksamhet.
Det är en grundläggande förändring.
Istället för: kamera → inspelning → människa → analys
får vi: kamera → AI → anomalidetektion → händelsekontext → reaktion.
Edge Computing - varför bör AI fungera nära datakällan?
En av nyckelkomponenterna i moderna AI-system för järnvägen är Edge Computing.
I den traditionella modellen kan data skickas till en central server eller molnet för analys. Vid övervakning av järnvägsinfrastruktur innebär det dock att enorma mängder visuella data måste överföras.
VAR24 använder en annan idé.
Analysen sker lokalt, vid nätverkets kant, med hjälp av en dedikerad mikro-dator och kamerasystem.
Det har stor betydelse.
Om systemet ska fungera i realtid kan man inte göra varje beslut beroende av att hela datastreamen skickas till ett externt bearbetningscentrum.
Edge AI möjliggör att viss intelligens flyttas direkt till enheten ombord på fordonet.
Data analyseras där de uppstår.
Detta möjliggör minskade fördröjningar, reducerad mängd data som skickas vidare och en arkitektur lämplig för tillämpningar som kräver snabba reaktioner.
Därför är Edge Computing i järnvägen en intressant utvecklingsriktning för intelligenta säkerhetssystem.
Aktuell forskning om AI i underhåll av järnvägsinfrastruktur pekar på Edge AI som en av utvecklingsvägarna, tillsammans med Digital Twins och cyber-fysiska system.
VAR24 - ser, analyserar, reagerar
Koncepten VAR24 bygger på tre grundläggande steg.
01. Ser
Frontkameror observerar spåret ur förarens perspektiv.
Det är viktigt eftersom systemet inte analyserar en abstrakt modell av infrastrukturen. Det observerar den verkliga miljön där fordonet rör sig.
02. Analyserar
Bilden bearbetas lokalt av artificiell intelligens.
Systemet ska känna igen anomalier och potentiella hot istället för att nöja sig med passiv inspelning.
03. Reagerar
Upptäckta händelser kan skickas till ett driftcenter tillsammans med kontext.
Det är just detta steg som möjliggör övergången från övervakning till ett beslutsstödssystem.
Och det är en fundamental skillnad.
Predictive Maintenance i järnvägen - underhåll innan ett fel uppstår
En av de viktigaste tillämpningarna av artificiell intelligens i spårtrafik är Predictive Maintenance, alltså prediktivt underhåll.
Traditionella metoder bygger ofta på schemalagda inspektioner, periodiska procedurer och reaktioner på upptäckta fel.
Predictive Maintenance ändrar hur man tänker.
Istället för att fråga: „När ska nästa översyn utföras?”
kan systemet rikta sig mot frågan: „Visar de tillgängliga uppgifterna tecken på ett problem och hur snabbt kan det bli allvarligt?”
Det är en stor skillnad ur ett infrastrukturförvaltningsperspektiv.
AI kan använda bilddata, sensorer, spårgeometri, vibrationer och andra källor för att identifiera mönster som indikerar potentiella problem. Aktuell forskning visar att just bildanalys, vibrationsanalys och geometriuppgifter är viktiga datakällor för AI-baserat prediktivt underhåll i järnvägen.
Internationella järnvägsunionen UIC har drivit projektet Artificial Intelligence for Predictive Maintenance med målet att påskynda användningen av AI i sektorn och utveckla användningsfall från PoC och pilotprojekt till operativa lösningar.
Det visar att AI och Predictive Maintenance inte längre bara är tekniska experiment. De är en verklig del av järnvägens digitalisering.
Varför behöver infrastrukturövervakning AI?
Järnvägsinfrastruktur är omfattande. Det rör sig om hundratals och tusentals kilometer spår, skiftande väderförhållanden, varierande ljusförhållanden, trafik, vegetation, djur, objekt nära spåret och en infrastruktur i ständigt förändrat tekniskt skick.
En människa kan inte ständigt övervaka hela infrastrukturen. Ett datorsystem kan däremot analysera kontinuerligt. Det betyder inte att människan elimineras. Tvärtom.
Den mest värdefulla modellen är den där AI fungerar som ett extra perceptions- och analyslager, och människan får redan filtrerad och klassificerad information.
Detta skiftar människans roll från observatör av enorma datamängder till beslutsfattare baserat på information som systemet förberett.
Från kameror till dataintegration och LiDAR
Kameror är bara början.
Nästa steg i utvecklingen av perceptionssystem kan vara datafusion från olika sensorer.
VAR24 avser integration med LiDAR-teknik, det vill säga system som använder laserpulser för att skapa en rumslig representation av omgivningen.
Varför är detta viktigt?
Kamerabild ger visuell information.
LiDAR kan ge rumslig information.
Kombinationen av olika datakällor möjliggör att bygga en mer komplett modell av den observerade miljön.
Det är särskilt viktigt i situationer där bildanalys försvåras av ljus- eller väderförhållanden.
Värt att notera är att en liknande riktning redan finns i polska FoU-projekt för automatisk övervakning av järnvägsinfrastruktur. Projektet UAVforRail använder bland annat AI, RGB, LiDAR och termografi för automatisk identifiering av infrastrukturfel.
Utökad perceptionshorisont
Nästa steg handlar inte bara om att se mer noggrant. Det handlar om att se längre.
För ett säkerhetssystem i järnvägen kan det vara viktigt inte bara att känna till spårets skick direkt framför fordonet, utan även situationen i dess omgivning.
Därför planerar VAR24 att utöka analysen till bland annat:
- kontaktledningsnätet,
- områden intill spåret,
- djur på spåret,
- fordon vid plankorsningar,
- jordskred,
- andra potentiella hinder och anomalier.
På detta sätt börjar systemet övergå från infrastrukturövervakning till perception av transportmiljön.
Och perception är en av grunderna för autonomisering.
Från observation till autonom reaktion
Autonom spårburen trafik börjar inte med att tåget fattar alla beslut själv.
Den börjar mycket tidigare.
Först måste maskinen: se.
Sedan: förstå.
Därefter: bedöma risken.
Och först senare: agera.
Därför är computer vision, Edge AI, LiDAR och datafusion så viktiga för framtidens autonoma järnväg.
Aktuell forskning visar att full automatik på GoA4-nivå redan används i delar av tunnelbanesystem, medan tillämpning på huvudlinjer är mycket svårare på grund av säkerhetskrav och komplexiteten i öppna operativa miljöer.
VAR24 följer därför en logisk utvecklingsväg: observation → analys → prediktion → miljöperception → reaktion → autonomisering.
Järnvägssäkerhet kräver realtidsdata
I kritiska system har tid betydelse.
Om information om ett potentiellt hot först blir tillgänglig efter att färden är avslutad eller efter manuell analys, kan dess operativa värde vara begränsat.
Därför är realtidsanalys en av de viktigaste delarna i VAR24-konceptet.
Systemet ska inte bara samla information. Det ska bearbeta den. Det ska känna igen anomalier. Det ska leverera rätt meddelande. Och i framtiden - enligt projektets roadmap - kan det bli en del av en aktiv reaktion mot kritiska hot.
VAR24 - utvecklingsroadmap
Systemets utveckling är uppdelad i följande faser.
Fas 1 - visionsystem / PoC
Avancerad optik och artificiell intelligens används för att upptäcka skador i infrastrukturen som ligger inom systemets omedelbara räckvidd.
Fas 2 - datafusion och LiDAR
Integration av ytterligare rumsliga datakällor och ökad förmåga att uppfatta omgivningen.
Fas 3 - utökad perceptionshorisont
Utökad analys till kontaktledningsnätet och områden intill spåret.
Fas 4 - aktiv reaktion
Målkoncepten är att nå 99,99% tillförlitlighet och möjligheten att automatiskt initiera en nödbromsprocedur om ett kritiskt hot identifieras på avstånd som överstiger människans reaktionstid.
Detta är VAR24:s utvecklingsmål, inte ett uttalande om nuvarande systemkapacitet.
Och just en sådan distinktion är avgörande i säkerhetsteknologier.
Icke-invasiv teknik - AI utan att bygga om infrastrukturen
En intressant del av VAR24-koncepten är dess icke-invasiva installationskaraktär.
Istället för att bygga om befintlig järnvägsinfrastruktur kan systemet utvecklas som ett extra teknologiskt lager som använder kameror och en dedikerad omborddator.
Det öppnar en potentiellt helt annan väg för införandet av AI i järnvägen.
Man behöver inte börja med att bygga upp hela infrastrukturen från grunden.
Man kan börja med ett intelligent perceptionslager som använder befintliga fordonsrörelser på nätet för kontinuerlig insamling och analys av information.
Polsk teknik för europeiska järnvägar
VAR24 utvecklas som ett FoU-projekt härstammande från strukturerna inom Web24.com.pl Sp. z o.o., en polsk mjukvaruagentur verksam sedan 2008.
Enligt projektets antaganden finansieras VAR24 självständigt och utvecklas utan yttre kapitalbindning.
Det är en viktig del av projektets historia.
Det handlar inte enbart om att skapa ännu en AI-lösning.
Målet är att bygga en teknik som kan användas i en av de mest krävande infrastruktursektorerna - spårburen transport.
Järnvägens framtid kommer att bygga på perception
Under årtionden har järnvägsutveckling fokuserat på att öka hastighet, kapacitet, automatisering av styrning och modernisering av infrastruktur.
Nästa steg är systemintelligens.
Framtidens tåg bör inte bara följa en förutbestämd rutt. Det bör förstå sin omgivning allt bättre. Det bör upptäcka anomalier. Det bör förutse potentiella problem. Det bör leverera korrekt information till operatören. Och i lämpligt certifierade och säkra tillämpningar kan det i framtiden också vidta vissa åtgärder automatiskt.
Därför är utvecklingen av AI för järnvägen, Edge Computing, computer vision, LiDAR, Predictive Maintenance och autonoma system inte fem separata trender.
De är delar av en större process. Processen att gå från en järnväg observerad av människor till en järnväg som själv kan observera, analysera och reagera.
VAR24 vill vara en del av denna process.
VAR24. Ser. Analyserar. Reagerar.
