Thermo Trains

Detektion von Isolationsproblemen an fahrenden Zügen

Sebastian Häni, Raphael Laubscher

Vision

  • Automatische Erkennung von Isolationsdefekten
  •  
  • → Energie sparen
  • → Instandhaltungskosten senken












Quelle: Urs Gehrig, SBB, Competence-Center Predictive Maintenance

Predictive Maintenance System

  • Daten-Akquise
  • Daten-Verarbeitung
  • Daten-Analyse

Daten-Akquise:
Thermo-Scanner

Hardware

Specs

Farbkamera 76° HFOV & 58° VFOV 738 CHF
IR-Kamera 45° HFOV & 37° VFOV 8'360 CHF
Industrie-PC Quadcore i7 2'765 CHF
Verbindung LTE Modul, Antenne
Temperatursensor für Aussentemperatur 12 CHF
Klimaregelung Heizlüfter/Thermostat
Doppelwandgehäuse IP55 zertifiziert 3'286 CHF

Infrarotaufnahmen

Planck Kurve

Bolometer- vs. Photonen-Detektor

Emissionsgrade

Mess-Situation

Standort

Waschstrasse

  • Reinigung alle 2 Wochen
  • Schritttempo
  • Stromanschluss






Zürich Herdern










Zürich Altstetten










Aufnahmesteuerung autonom

Detektionsalgorithmus

Triggering

double imageMean = calcMean(images)

if (backgroundMean - imageMean > backgroundMean * threshold) {
    changeState(ENTRY)
}

Constraints

Konstante Wert
MinTimeAfterExit 60 Sekunden
MinTimeAfterEntry 60 Sekunden
MaxRecordingDuration 45 Minuten
ExitThreshold 8
ExitScheduleTime 20 Sekunden

Software Komponenten

  • Visible Light Reader
  • IR Reader
  • IR Compressor
  • Temperature Reader
  • Weather Reader
  • Uploader

Pub/Sub














Kompression von Infrarotdaten

  • FLIR ATLAS SDK erzeugt SEQ Dateien
  • SEQ = FLIR FFF Dateien hintereinander gereiht
  • FFF = TIFF angereichert mit
    • proprietären EXIF Headern
    • gefüllt mit rohen A/D Counts

SEQ Dateigrösse

20 Minuten
* 60 Sekunden
 * 30 Frames
 * 16 Bit
 * 640 Pixel
 * 512 Pixel
 = 189 GiB

SEQ Dateigrösse

20 Minuten
* 60 Sekunden
* 1 Frame
* 16 Bit
* 640 Pixel
* 512 Pixel
= 6.3 GiB

Frames in Video komprimieren

Es gibt keinen 16 Bit Codec!

  1. Kleinster und grösster Wert bestimmen
  2. Jedem Pixel den kleinsten Wert abziehen
  3. Die Auflösung auf 8 Bit reduzieren
  4. Encodieren

Verlust berechnen

Präzisionsverlust = Max(0, (1 - (256f / (max - min))) * 100)

Verlust berechnen

Verlust Genauigkeit
0% 0.01°C
100% 0.625°C
80% 0.125°C

Monitoring Tools

Weitere Tools ...

  • Sentry Error Tracking
  • Teamviewer Remote
  • Logs

Aufnahmephasen

Phase Nr. Zeitraum Aufnahmen
1 20.11.2017 - 29.11.2017 273
2 19.12.2017 - 07.01.2018 306
579

Daten-Verarbeitung:
Post Processing

Input

Kalibration

Frames extrahieren

Entzerren

Ausrichten

Zuschneiden

Rektifizieren

Stitching

Wagons ausschneiden

Output

Daten-Analyse:
Thermoboard

Fazit

  • interdisziplinäres Projekt
  • einsatzbereite Lösung
  • grosses Potential

Wie weiter

  • 26.01. Auswertung mit Chef Technik Phase 2
  • 13.02. Projektvorstellung in der SBB
  • 13.02. Anschliessend Meeting Weiterführung
  • Proof of Detection mit DPZ Wagon

Nächste Schritte

  • Integration RFID Reader
  • Integration SBB Fahrplansystem
  • Skalierende Serverinfrastruktur aufbauen
  • Mehrere Thermo-Scanner bauen