KI managt Chinas Eisenbahnnetz hocheffizient

Chinas Hochgeschwindigkeitseisenbahnnetz, das mit einer Länge von mehr als 40.000 Kilometern Abstand größte der Welt – Deutschland kommt auf 1.600 und damit auf Platz fünf – wird mit Unterstützung von Künstlicher Intelligenz (KI) gemanagt. Es ist nicht nur in den Betrieb eingebunden, sondern verwaltet auch das Schienennetz.

Das System ist in der Lage, die gewaltigen Datenmengen, die in einem so großen Netz anfallen, in Echtzeit zu verarbeiten und die Wartungs-Teams innerhalb von 40 Minuten zu informieren, wenn eine abnormale Situation eintritt.

Daten sammeln bei der Fahrt

Niu Daoan, leitender Ingenieur des Infrastruktur-Inspektionszentrums der China State Railway Group (CRECG) lobt das System als effizient: “Es hilft den Teams vor Ort, Nachkontrollen und Reparaturen weitaus schneller als bisher durchzuführen.” Die KI werte die Daten aus, die die Züge, die mit einer Geschwindigkeit von bis zu 350 Kilometern pro Stude fahren, in diesen selbst und über Gleise, Schienen und Signal- und Sicherheitsanlagen während aller Fahrten sammeln. Die Belastung der Schienen sei bei den hohen Geschwindigkeiten enorm, und die CRECG plane, sie sogar auf Tempo 400 anzuheben.

Dank der KI ist die Zahl der Gleisschäden im vergangenen Jahr um 80 Prozent zurückgegangen, weil der Algorithmus drohende größere Schäden relativ präzise vorhersagte. So konnten kleiner Schäden schnell behoben werden, oft sogar, ohne Strecken sperren zu müssen, wie es beispielsweise in Deutschland gang und gäbe ist. Die Reparaturarbeiten fanden beispielweise nachts statt, wenn der Bahnbetrieb ruhte. Nach dem Erfolg des Modells plant die Regierung, auch das übrige Bahnnetz einzubeziehen.

200 Terabyte an Trainings-Daten

Um das KI-System zu trainieren, haben die chinesische Eisenbahningenieure fast 200 Terabyte Rohdaten gesammelt, das ist mehr als das Zehnfache des gesamten Datenvolumens der US Library of Congress. Der Vorteil von KI liege in ihrer Fähigkeit, vielfältige Daten zu analysieren, potenzielle problembezogene Hinweise zu identifizieren und bisher unbekannte Zusammenhänge in scheinbar chaotischen Datensätzen aufzudecken, so Niu Daoan. Das ermögliche eine genauere Fehlererkennung und -vorhersage.

www.pressetext.com