用于轨道维护的机器人和工业人工智能

铁路作为线性资产

轨道是一种工程基础设施这通常跨越很长的距离，可以分为几个部分，所有的部分都执行相同的功能，但可能受到不同的负载和环境条件的影响。传统的资产管理系统或决策支持工具不适合线性资产，因为它们具有基于父子关系的层次结构。相比之下，线性资产在一定距离内具有线性属性——例如，相似的底层几何和特征。它们显示了持续固有恶化和失效的特定模式。因此，补救检查和维护行动将沿着线性资产的长度相似，但是，由于资产分布在一个大的区域，执行成本更大。

已经开发了各种类型的工程系统，以便在检查或执行维护任务时以自动方式获取数据。这些大多是半自动化系统，即机器人应用程序。应用领域从焊接轨道到检测钢桥。一般来说，机器人需要针对特定的任务和应用领域进行开发，因为这些定义了合适的运动原理或附着系统以及机器人的尺寸。

检查和维护方面的挑战

工业维护服务提供商发现，创建铁路分类以准确表示线性铁路资产是一个高度复杂的过程，使得维护和检查策略难以规划和报告。然而，保持这些资产的完整性可以确保性能优化，并符合健康安全和环境(HSE)法规。

管理线性资产，如铁路网络，有一组独特的要求。资产管理功能与进行详细检查、计划维护时间表、设计大修时间表以及优先安排工作以满足安全、预算和客户期望有关。为了维护线性资产，资产管理人员必须做到以下几点:

• 根据可定义的长度细分将资产分割为部分
• 沿着长度添加相关资产的记录，如锁、门、人行道等。
• 为单个资产记录多个所有权记录
• 支持动态导入历史维护记录、图像和其他数据
• 使用自主设备进行现场漫游检查，记录缺陷，识别问题，添加图像，记录GPS数据并添加任何其他所需信息
• 通过远程操作的互连环境执行维护活动。

一旦铁路的线性资产管理得到妥善执行，基础设施管理人员拥有资产登记册和其他相关工具，机器人就有了价值。各种不同的远程控制和自主检查和维护设备可用于铁路上的许多不同的目的，包括:

• 使用无人机识别障碍物和不规则轨道
• 使用自动机器人车辆检查轨道轮廓，裂缝，不规则和缺失的部件
• 使用自主维修机器人车辆替换缺失部件、裂纹焊接等。

更智能的无人机用于铁路检查

无人机(uav)对于检查目的具有吸引人的特性，例如灵活性、适应性和一系列有效载荷。传感器包括高分辨率数字和红外摄像机、光探测和测距(激光雷达)、地理信息系统(GIS)、声纳传感器和超声波传感器;大多数可以适应无人机平台。检查人员难以到达的桥梁结构或隧道的特写照片，将显示维修人员潜在的缺陷和退化，这是维修计划和列车运行的宝贵输入。对于悬链线和其他馈电元件，配备前视红外(FLIR)或紫外线传感器的无人机可以检测导体和绝缘体上的热点或电晕放电，表明组件中存在潜在缺陷或弱点。

然而，由于图片、视频和其他读数形式的数据的性质和粒度不同，工业人工智能(AI)和深度学习是检查过程的重要组成部分。

目前，无人机是远程操作的;无人机技术的下一个阶段将是部署能够自主飞行的机器。这项技术将使无人机能够感知和避开其路径上的其他物体，通过各种传感器(包括摄像头)使用复杂的软件算法(如图像处理算法)识别特征或组件，并实现态势感知。这种先进的技术将促进计算决策，例如启动集中检查，发出维修工作命令，并开始使用同一机器人或系统中集成的另一个自主机器人进行维护工作。

自主机器人

为了处理铁路轨道上的各种情况，已经开发了许多不同的机器人，但大多数仅限于特殊情况或应用。为了执行预期的任务，自主机器人以及所有其他技术系统必须满足一定的要求。需求及其重要性和重点取决于单个应用程序或任务。

为了能够扩大和推广自动驾驶汽车的使用，必须在人工智能技术和分析的帮助下部署动态资产维护和管理计划。目前，工业界正在单独使用这些设备进行检查和维护;这两者还没有被整合。通过将这两项作业与现有的ICT技术相结合，资产维护和管理过程可以实现自动化。此外，人工智能与认知分析工具的结合可以使整个过程变得动态和自主。然而，铁路维修决策支持系统还不成熟。我们需要一种结构化的方法和概念来改进信息提取和知识发现，以优化维护行动。

铁路维护分析(MA)旨在通过增强对数据和信息的理解来促进维护行动。铁路系统是复杂的，根据考虑的因素，分析的类型将有所不同。分析有四种基本类型:

1. 维护描述性分析
2. 维护诊断分析
3. 维护预测分析
4. 维护规范分析。

维修决策需要有能力处理故障(即由于内部状态而无法按要求执行)和故障(即一个项目执行所需功能的能力终止)。故障与失败之间的关系描述如下:故障是关联故障(事件)的结果(状态)。他们的分析需要时间顺序分析。

维护描述性分析

维护分析的描述阶段旨在回答，“发生了什么?”在这一阶段，获得与系统运行、系统状况和预期状况相关的数据是非常重要的。要理解事件和状态之间的关系，重要的是要理解与每个特定事件日志相关的时间和时间框架。这意味着时间同步成为维护分析的重要组成部分。在轨道维护中，使用传感器、摄像头或激光雷达对轨道或单一元件进行检查是“临近预测”过程的一部分，在这个过程中，问题会被检测到并最终确定。分析侧重于传感器读数和警报。

维护诊断分析

维护分析的诊断阶段旨在回答，“为什么会发生一些事情?”维护描述性分析的结果用于构建诊断分析。这个阶段需要可靠性数据，以及描述阶段使用的数据。当诊断可以应用于跟踪维护时，可以消除问题的根本原因，而不仅仅是症状;也就是说，维护操作影响发起者，而不是简单地减轻不希望的影响。例如，在没有这种类型的分析的情况下，基于轨道几何的研磨或夯实可能会导致对轨道有害的过度维护。

维护预测分析

维护分析的预测阶段旨在回答“未来会发生什么?”此阶段使用来自维护描述性分析的结果。除了描述阶段使用的数据外，还需要可靠性数据和可维护性数据。此外，为了预测即将发生的故障和故障，有必要包括业务数据，例如计划的操作和计划的维护。实时传感器的过去读数和数据对于估计轨道或奇异部件的剩余使用寿命(RUL)至关重要。预测是优化维护计划最有价值的信息，但是，不幸的是，在访问退化数据或领域知识方面的限制降低了预测的准确性。

维护规范分析

轨道维护是机会性的维护，因为没有修理机器，如捣固机或磨床，因为它们分布在需要的地方。这使得决定做什么和什么时候做变得至关重要。维护分析的规定阶段旨在回答，“需要做什么?”维修诊断分析和维修预测分析的结果都用于这一阶段。此外，为了预测即将发生的故障和故障，还需要资源规划数据和业务数据。简单地说，对于履带机，将不同的场景作为退化和未来操作的函数来考虑，以最佳的方式分配资源。

处方是相关的，但仍然需要人力来决定资源应该用在哪里。

下一步是认知分析，其中处方和维护操作以自主的方式执行。事实上，由于铁路网络的规模和复杂性，机器人检查和维护和认知分析作为决策支持系统似乎是可行的可能性。

总结

铁路线性资产的自主检查和维护越来越重要，因为许多此类资产正在老化——尤其是在基础设施陈旧且需要更大运力的欧洲。与此同时，资产管理公司正在努力有效运营并维持成本。结合新技术，特别是新兴ICT技术的可靠检查和维护方法，有助于实现具有成本效益和高效率的资产管理。铁路行业向新的、更复杂的检查、状态监测、分析和维护技术的发展，以及自主机器人和认知分析的发展，将为更有效地维护铁路提供一个平台。该技术是可用的，但集成仍然是一个关键问题。