nw  

Automatisierte Detektion von Defekten in Fahrstromleitungen der Bahn

Zusammenfassung

Es wurden verschiedene Methoden zur automatisierten Detektion von Anomalien in den Fahrleitungen der SBB evaluiert.


Lichtblitz zwischen Pantograph und Fahrleitung
Schlüsselbegriffe

Python, PyTorch, Machine Learning, Deep Learning, Anomaly Detection, Unsupervised Learning, Supervised Learning, Autoencoder, Ensemble-Modelle

Zielsetzung

Das Ziel der Arbeit war die Untersuchung folgender Forschungsfragen:

Ergebnisse

Da die Daten und Resultate der Geheimhaltungspflicht unterstellt sind, werden die erzielten Ergebnisse nur mit Worten beschrieben. In der Arbeit wurden verschiedene Ansätze zur Anomalie-Detektion ausprobiert. Da die Daten nicht annotiert waren, wurden zuerst mit Unsupervised Learning Ansätzen die Daten selektiert, welche potenziell Anomalien enthalten können. Diese wurden anschliessend annotiert und auf dem erstellten Datensatz wurden verschiedene Supervised Learning Ansätze ausprobiert. Die besten Methoden sind hier aufgelistet:

Unsupervised Learning und statistische Methoden:

Supervised Learning:

Die Ensemble-Modelle erzielten die besten Ergebnisse. Als einzige Methode konnten alle Anomlien auf dem Testdatensatz erkannt werden.

Projektdaten

Projekttyp Projektdauer Aufwand Teamgrösse
Data Science P5 20. Februar 2023 - 16. Juni 2023 180 Stunden pro Person 2 Personen

Auftraggeber

Schweizerische Bundesbahnen SBB

Infrastruktur Verkauf
Hilfikerstrasse 3
3000 Bern 65

Logo SBB

Projektteam

Name Studiengang
Ronny Schneeberger Data Science
Flavio Müller Data Science

Kontakt

Prof. Dr. Susanne Suter

<< zurück