Eine im *International Journal of Information and Communication Technology* veröffentlichte Studie zeigt, dass ein auf Deep Learning basierendes KI-System die Automatisierung und Genauigkeit der Fehlererkennung in der Eisenbahninfrastruktur verbessern kann. Diese Forschung bietet einen neuen technologischen Ansatz für die Fehlererkennung im Eisenbahnwesen.

Fehler in der Eisenbahninfrastruktur, wie Gleisen, Brücken und Signalanlagen, können durch Verschleiß, Alterung oder Unfälle entstehen. Herkömmliche Erkennungsmethoden basieren typischerweise auf regelmäßigen manuellen Inspektionen, die kostspielig und ineffizient sind und Probleme im Frühstadium oft übersehen. Diese Studie schlägt ein neuartiges KI-System vor, das verschiedene Arten von Anomalien und potenziellen Problemen in Echtzeit und automatisch durch die Analyse von Betriebsdaten identifiziert.

Das Forschungsteam begegnete der Herausforderung knapper und unausgewogener Fehlerdaten durch die Kombination von verbessertem synthetischem Oversampling der Minderheitsklasse mit bedingten generativen adversariellen Netzwerken (GANs). Diese Methode generiert synthetische Daten, die unterschiedliche Fehlercharakteristika widerspiegeln, und erstellt so einen ausgewogeneren Datensatz für das Modelltraining. Anschließend nutzt das System ein mehrskaliges Residualnetzwerk, um Merkmale aus komplexen Signalen zu extrahieren, und verwendet eine domänenadaptive Transferlernstrategie, um das Modell an die Aufgaben der Fehlererkennung im Eisenbahnwesen unter verschiedenen Umgebungsbedingungen anzupassen.

Testergebnisse zeigen, dass die Diagnosegenauigkeit des Systems bei nahezu 94 % liegt und damit einige Vorgängermodelle übertrifft. Die höhere Erkennungsgenauigkeit hilft Eisenbahnbetreibern, potenzielle Probleme frühzeitig zu erkennen, was eine rationalere Planung der Wartungsressourcen ermöglicht und potenziell betriebsbedingte Störungen durch Störungen reduziert.

Diese Forschung demonstriert, dass die Fähigkeiten der künstlichen Intelligenz zur Verarbeitung großer Datenmengen und zur Erkennung komplexer Muster genutzt werden können, um die Automatisierung und Intelligenz der Fehlererkennung im Eisenbahnwesen zu verbessern und so den sicheren und zuverlässigen Betrieb des Eisenbahnnetzes zu unterstützen.

Weitere Informationen: Autor: Qi An, Titel: „Intelligentes Fehlerdiagnosesystem für die Eisenbahninfrastruktur basierend auf Deep Learning“, veröffentlicht in: *International Journal of Information and Communication Technology* (2025).