Nieuwe modellen die complexe puntenwolken omzetten in herkenbare objecten langs het spoor, gaan Strukton helpen het spooronderhoud duurzamer te maken. Bram Ton, onderzoeker aan de hogeschool Saxion en promovendus aan de Universiteit Twente, heeft hiertoe samen met Strukton Rail een innovatieve methode ontwikkeld.
De opgetuigde digitale modellen van de spoorinfrastructuur ondersteunen het onderhoud en vormen bovendien de basis voor voorspelbaar onderhoud in de toekomst. Ton maakt hiervoor gebruik van kunstmatige intelligentie (ai) en technieken, die eerder zijn ontwikkeld voor zelfrijdende auto’s, waaronder objectherkenning. Dit is voor het eerst toegepast op de spooromgeving, waarbij automatisch objecten zoals bovenleidingen, seinen en palen worden geïdentificeerd.
Het toenemende gebruik van het spoor vraagt om betrouwbaarder en efficiënter onderhoud om veiligheid en beschikbaarheid te waarborgen. Digitale modellen maken het mogelijk om knelpunten vroegtijdig te detecteren en onderhoud proactief te plannen. Dit biedt niet alleen voordelen voor het onderhoudsteam, maar maakt ook robot gestuurde reparaties en voorspellend onderhoud mogelijk, wat de duurzaamheid van het netwerk ten goede komt.
De data komen van Strukton Rail. Dit bedrijf maakt gebruik van geavanceerde meettreinen uitgerust met Lidar-laserscanners. Deze scanners maken gedetailleerde 3d-beelden van de spooromgeving, inclusief objecten zoals seinen, bovenleidingen en schakelkasten.
