Millionen Kilometer Glasfaser liegen bereits entlang europäischer Bahntrassen – bislang meist ungenutzt als Sensorik. Eine Kombination aus physikalischer Messtechnik und künstlicher Intelligenz macht diese passive Infrastruktur nun zum lückenlosen Frühwarnsystem für die Schiene.
Glasfaserkabel als akustische Sensoren: KI überwacht Schieneninfrastruktur in Echtzeit
Bestehende Glasfasernetze entlang von Bahnstrecken lassen sich als verteiltes Sensornetzwerk zur Früherkennung von Gefahren nutzen – ohne zusätzliche Hardware installieren zu müssen. Ein Ansatz namens Distributed Acoustic Sensing (DAS) macht sich dabei physikalische Eigenschaften von Lichtwellenleitern zunutze und kombiniert diese mit KI-gestützter Signalanalyse.
Licht als Mikrofon: Das Messprinzip
Bei DAS-Systemen wird ein Laserimpuls in ein Glasfaserkabel eingespeist. Minimale mechanische Vibrationen – etwa durch Erschütterungen im Gleisbett, unbefugtes Betreten von Gleisanlagen oder strukturelle Veränderungen an Brücken und Dämmen – erzeugen messbare Rückstreusignale im Kabel. Dieses Prinzip, bekannt als Rayleigh-Streuung, erlaubt es, entlang der gesamten Faserlänge Vibrationsereignisse zu lokalisieren und zu klassifizieren.
Ein einziges Abfragegerät kann dabei Streckenabschnitte von mehreren Dutzend Kilometern abdecken.
Der entscheidende Vorteil gegenüber konventionellen Überwachungssystemen: Glasfaserkabel verlaufen bereits heute parallel zu einem Großteil der europäischen Schieneninfrastruktur – teils für Telekommunikation, teils für Signaltechnik. Eine Nachrüstung für DAS erfordert in vielen Fällen lediglich die Installation geeigneter Interrogator-Einheiten an den Kabelenden sowie die entsprechende Auswertesoftware.
KI-Klassifikation unterscheidet Züge von Bedrohungen
Die rohen Vibrationsdaten eines DAS-Systems sind zunächst schwer interpretierbar: Zugbetrieb, Windlasten, Straßenverkehr in Gleisnähe und potenzielle Gefahrenereignisse erzeugen ein komplexes akustisches Rauschen. Hier kommen Machine-Learning-Modelle zum Einsatz, die auf Basis großer Trainingsdatensätze lernen, Signaturen zuzuordnen.
Typische Anwendungsfälle umfassen:
– Erkennung von Gleisbrüchen
– Aufspüren von Personen oder Fahrzeugen im Gleis
– Detektion struktureller Ermüdungserscheinungen an Brückenbauwerken
Neuronale Netze liefern auch unter variierenden Umgebungsbedingungen – unterschiedliche Witterung, Tages- und Jahreszeiten – zuverlässige Klassifikationsergebnisse.
Die Falsch-Positiv-Rate, die bei frühen Systemen noch ein wesentliches Hindernis für den praktischen Betrieb darstellte, ließ sich durch tiefere Modellarchitekturen und gezielteres Datentraining deutlich reduzieren.
Latenz und Skalierbarkeit als Schlüsselfragen
Für den operativen Einsatz im Bahnbetrieb ist die Verarbeitungsgeschwindigkeit kritisch. Ereignisse wie ein Hindernis auf dem Gleis müssen innerhalb von Sekunden erkannt und an Stellwerke oder Triebfahrzeugführer gemeldet werden.
Aktuelle DAS-Systeme arbeiten in Kombination mit Edge-Computing-Einheiten, die Vorverarbeitung und Erstklassifikation direkt vor Ort durchführen, bevor aggregierte Alarmmeldungen an zentrale Betriebsleitsysteme übermittelt werden. Dies reduziert Latenz und entlastet die Datenübertragungskapazitäten erheblich.
Einordnung für deutsche Infrastrukturbetreiber
Für die Deutsche Bahn und regionale Eisenbahninfrastrukturunternehmen bietet der DAS-Ansatz einen pragmatischen Einstieg in KI-gestützte Streckenüberwachung:
- Die Nutzung vorhandener Glasfaserinfrastruktur senkt Investitionskosten erheblich
- Der Betrieb ohne bewegliche Teile minimiert den Wartungsaufwand
- Klassische Kameraüberwachung ist bei langen Streckenabschnitten wirtschaftlich nicht darstellbar – DAS schließt diese Lücke
Angesichts der anhaltenden Diskussion über Kapazitätserweiterungen im deutschen Schienennetz dürfte die Integration solcher Systeme in bestehende Netzleittechnik mittelfristig deutlich an Relevanz gewinnen.
Quelle: IEEE Spectrum – Distributed Acoustic Sensing for Railways
