Sensor checkt bovenleiding vanaf het dak van de trein

Risicoplekken ontdekken

Een breuk in de bovenleiding ontstaat meestal als deze sneller slijt dan verwacht mag worden. Maar het gebeurt niet van de ene op de andere dag. Het is dus mogelijk om risicoplekken al voor de breuk te ontdekken en op een geschikt moment te herstellen. Daarmee wordt een breuk voorkomen. ProRail wil met innovaties daarop inspelen.

Grote impact

Van het totaal aantal minuten vertraging wat veroorzaakt wordt door infrastructuur, komt tien procent door storingen aan de bovenleiding. Als een bovenleiding breekt is dat gevaarlijk en de impact voor reizigers én vervoerders is enorm. Herstel duurt vaak uren en al die tijd kan er op het traject waar de bovenleiding brak geen trein rijden.

Inspectie door meettreinen

We worden nu nog meer dan tien keer per jaar verrast door een breuk van de bovenleiding. Dat is vervelend, maar het vroegtijdig ontdekken van een risicoplek is complex. Al was het maar omdat gegevens vanuit de meettrein op het spoor maar een of twee keer per jaar beschikbaar komen. De meettreinen zijn speciale werktreinen. Aannemers van ProRail zetten die in om het spoorsysteem te controleren. Vaak gebeurt dat in de nachtelijke uren.

Proef met meten via reizigerstreinen 

Om breuken te voorkomen helpt het om vaker meetdata te krijgen, zoals wekelijks of dagelijks, maar ook om op meer plekken te kunnen meten. Ook betere data kunnen helpen, zodat achteruitgang van de bovenleiding sneller aan het licht komt. Om in ieder geval vaker en op meer plekken te kunnen meten doen ProRail en NS een proef met sensoren op twee soorten NS reizigerstreinen: een Sprinter (SLT) en een Intercity (VIRM).

Camera's op het dak

Versnellingsmeters meten de bewegingen van de stroomafnemer terwijl deze langs de bovenleiding glijdt. Camera’s op het dak brengen het contactvlak van de stroomafnemer en bovenleiding in beeld. De data die de sensor verzamelt worden al op de trein gefilterd. Zo worden via beeldherkenning diverse objecten in de bovenleiding automatisch herkend, zoals bovenleidingonderbrekers, kruisende draden en vonken. Die doen niet mee in de meting.

Algoritmes voor automatische herkenning

De meest interessante metingen gaan naar ‘de cloud’. Op basis hiervan ontwikkelt het ProRail DataLab algoritmes voor automatische herkenning van afwijkingen. Zo zijn inmiddels de grootste onregelmatigheden geïdentificeerd op basis van deze versnellingsmeters.

Behalve aan het automatisch herkennen van objecten wordt ook gewerkt aan het automatisch herkennen van afwijkingen in de bovenleiding. Het uiteindelijke doel is om deze meettechnieken te combineren tot één algoritme dat de meest risicovolle plekken identificeert. Als dat goed lukt, zijn gerichte inspecties mogelijk en zijn zwakke plekken te herstellen voordat een bovenleiding breekt. Dat gaat ervoor zorgen dat straks nog meer treinen op tijd rijden.