Tramwaje są jednym z najczęściej wykorzystywanych środków transportu publicznego w europejskich miastach. Przemieszczają się nie tylko po centralnych arteriach komunikacyjnych, ale również przez gęsto zaludnione dzielnice mieszkaniowe. W takich warunkach hałas i drgania spowodowane uszkodzeniami torowiska stają się szczególnie uciążliwe zarówno dla pasażerów, jak i mieszkańców. Co więcej, uszkodzenia torów generują dodatkowe koszty dla operatorów pojazdów, którzy muszą częściej prowadzić prace konserwacyjne.
W odpowiedzi na te problemy powstał projekt badawczo-rozwojowy OnboardEU, którego celem było opracowanie cichszych i bardziej efektywnych tramwajów poprzez automatyczne wykrywanie uszkodzeń szyn i nawierzchni torowej przy użyciu sztucznej inteligencji (AI) oraz mapowanie hałasu w celu wdrażania ukierunkowanych działań naprawczych.
Cel i założenia projektu
Projekt OnboardEU realizowany był przez Niemieckie Centrum Lotnictwa i Kosmonautyki (DLR) we współpracy z AIT Austrian Institute of Technology GmbH z Wiednia oraz i4M Technologies GmbH z Akwizgranu. Przedsięwzięcie finansowane było przez Federalne Ministerstwo Cyfryzacji i Transportu (BMDV) w ramach innowacyjnej inicjatywy mFUND, z budżetem około 760 000 euro na okres trzech lat. W momencie przyznania finansowania całkowity budżet projektu wynosił 1 013 178,40 euro, z czego 75% stanowiło wsparcie ministerialne. Projekt realizowany był w latach od grudnia 2021 r. do maja 2025 r.
Jak podkreśla dr Jörn Groos, koordynator projektu z Instytutu Systemów Transportowych DLR, jego celem jest opracowanie metod sztucznej inteligencji umożliwiających automatyczne wykrywanie uszkodzeń torów tramwajowych:
„Będziemy ciągle rejestrować dynamiczne reakcje pojazdu podczas eksploatacji i analizować je na pokładzie przy użyciu metod AI. Równolegle pracujemy nad mapowaniem hałasu, co pozwoli identyfikować odcinki torów o szczególnie wysokiej emisji dźwięku i podejmować celowe działania zaradcze.”
Metody i przebieg badań
W ramach projektu tramwaje zostały wyposażone w pokładowe systemy pomiarowe rejestrujące drgania i dźwięki w miejscu styku koło–szyna. Badania objęły siedem tramwajów kursujących w Bazylei, Grazu, Hanowerze i Wiedniu.
Zastosowane systemy wieloczujnikowe o wysokim poziomie gotowości technologicznej rejestrowały sygnały z czujników przyspieszenia (wibracje i wstrząsy) oraz mikrofonów (hałas i dźwięk). Zebrane dane pomiarowe były dokładnie lokalizowane na torze dzięki połączeniu mapowemu z kilkoma czujnikami.
W ciągu 21 miesięcy zarejestrowano ponad 150 000 przejazdów o łącznej długości ponad 92 000 kilometrów, precyzyjnie georeferencjonowanych względem torów. Dane te stanowią podstawę do opracowania i przetestowania algorytmów sztucznej inteligencji, które umożliwiają automatyczne wykrywanie uszkodzeń i ocenę stanu infrastruktury.
Rezultaty i znaczenie projektu
Na podstawie zgromadzonych danych udało się z powodzeniem zademonstrować działanie algorytmów AI w wykrywaniu istotnych defektów torów, takich jak pofałdowania powierzchni (tzw. riffel) czy pęknięcia szyn. Wyniki te stanowią podstawę do ukierunkowanej konserwacji infrastruktury, a także pozwalają prognozować rozwój hałasu w zależności od stanu torowiska.
W połączeniu z podejściem opartym na edge computingu system pomiarowy ma zostać rozwinięty do poziomu gotowego produktu. Część urządzeń pomiarowych pozostała w eksploatacji także po zakończeniu projektu, a zebrane dane mają stanowić bazę do dalszego doskonalenia algorytmów AI i zwiększania ich poziomu dojrzałości technologicznej.
Udział partnerów i otwarte dane
Firma i4M Technologies GmbH opracowuje i produkuje pokładowe systemy pomiarowe oraz odpowiada za projektowanie sensorów w taki sposób, by algorytmy AI mogły analizować dane w czasie rzeczywistym. Pozwala to ograniczyć ilość gromadzonych informacji – od big data do smart data.
Z kolei dział Transport Infrastructure Technologies w AIT zajmuje się nadzorowanym uczeniem maszynowym, umożliwiającym automatyczne wykrywanie uszkodzeń torów na podstawie danych akustycznych i wibracyjnych. Dodatkowo prowadzone są pomiary przejazdowe służące analizie propagacji dźwięku różnych typów pojazdów i warunków eksploatacyjnych, co wspiera tworzenie map hałasu generowanego przez tramwaje.
Instytut Systemów Transportowych DLR odpowiada za dokładne georeferencjonowanie torów, które zostanie udostępnione jako oprogramowanie open source, oraz za opracowanie metod uczenia maszynowego – w tym uczenia nienadzorowanego – i przygotowanie zestawu danych treningowych.
Ważnym elementem projektu było także udostępnienie opracowanych danych i algorytmów. Zestaw danych treningowych oraz algorytmy georeferencji zostały publicznie opublikowane za pośrednictwem platformy Mobilithek. Po zakończeniu projektu, od maja 2025 roku, dane są również dostępne w chmurze mCLOUD.
„Różnorodne i obszerne zbiory danych są niezbędne do skutecznego trenowania wiarygodnych i odpornych modeli AI. Ich otwarta dostępność wspiera wdrażanie gotowych rozwiązań i sprzyja szerokiemu zastosowaniu takich metod w praktyce” – podkreśla dr Groos.
Znaczenie dla przyszłości transportu
Projekt OnboardEU wpisuje się w szerszą strategię cyfrowej modernizacji transportu, wspieraną przez program mFUND Federalnego Ministerstwa Cyfryzacji i Transportu (BMDV). Od 2016 roku program ten finansuje badania i rozwój innowacji opartych na danych dla Mobilności 4.0, wspierając współpracę między sektorem publicznym, nauką i biznesem.
Dzięki OnboardEU tramwaje przyszłości mają szansę stać się cichsze, bardziej komfortowe i efektywniejsze, a zarządzanie infrastrukturą torową – tańsze i bardziej precyzyjne. Projekt łączy w sobie elementy sztucznej inteligencji, analizy danych, inżynierii transportu i cyfryzacji, stając się przykładem nowoczesnego podejścia do utrzymania infrastruktury miejskiej.
