No description available.

Die Eisenbahnsicherungstechnik ist eines der wenigen technischen Fachgebiete, die bis heute überwiegend national geprägt sind. Ausgangspunkt der Dissertation sind vergleichende Betrachtungen zur Bahnsicherungstechnik auf internationaler Ebene. Die Dissertation stellt Gemeinsamkeiten und Unterschiede in den Technologien heraus und führt diese auf gemeinsame Anforderungen zurück. / Railway signalling is one of the few technical fields which are still considered mainly on a national level. The basis for these doctoral thesis is an extensive comparison of railway signalling on an international level. The doctoral thesis point out main commons and differences of signalling and interlocking worldwide, and bases them on common requirements.

Die Eisenbahnsicherungstechnik ist eines der wenigen technischen Fachgebiete, die bis heute überwiegend national geprägt sind. Ausgangspunkt der Dissertation sind vergleichende Betrachtungen zur Bahnsicherungstechnik auf internationaler Ebene. Die Dissertation stellt Gemeinsamkeiten und Unterschiede in den Technologien heraus und führt diese auf gemeinsame Anforderungen zurück. / Railway signalling is one of the few technical fields which are still considered mainly on a national level. The basis for these doctoral thesis is an extensive comparison of railway signalling on an international level. The doctoral thesis point out main commons and differences of signalling and interlocking worldwide, and bases them on common requirements.

Rail Control Solutions (RCS) is one division of Bombardier Transportation, aimed at optimising flow of trains. OPTIFLO is a new solution package within RCS, providing services and solutions to address challenges in modern railway infrastructures worldwide. Infrastructure Management (IM) Service is a significant sub-module under OPTIFLO, performing monitoring and diagnostic functionalities for each impacted system or component in railway signalling systems to continuously improve safety, reliability and availability. Requirement management is a significant stage while dealing with engineering problems. In this master thesis project, three modules in railway signalling scope are focused, including system level Infrastructure Management, sub-system level Maintenance and Diagnostic Centre (MDC) and sub-system level Remote Sensor Unit (RSU). For each part, requirement managements have been implemented, referring to CENELEC standards where necessary. The work starts with the draft Requirement Specification for IM and then identify the requirements related to diagnostics and performance in each sub-system. Both links between the requirements in different modules and links between the requirements and their test cases are built from the requirement management tool DOORS to realize verification and validation following the system engineering process. Finally, the standard documentations "System Requirement Specification" for each impacted module that are mostly concerned in the thesis have been released. / Rail Control Solutions (RCS) är en del av Bombardier Transportation, som syftar till att optimera flödet av tåg. OPTIFLO är ett nytt programspaket inom RCS, som erbjuder tjänster och lösningar för att hantera utmaningar inom modern järnvägsinfrastruktur världen över. Infrastrucutre Management (IM) Service är en viktig delmodul under OPTIFLO, som utför övervakning och diagnostiska funktioner för varje påverkat system eller komponent i järnvägssignalsystem för att kontinuerligt förbättra säkerhet, tillförlitlighet och tillgänglighet. Kravhantering är ett viktigt steg när man arbetar med tekniska problem. Det här mastersprojektet är inriktat på tre moduler inom järnvägssignalområdet: systemnivå Infrastructure Management, underhållssystem för Maintenance and Diagnostic Centre (MDC) och delsystemnivå Remote Sensor Unit (RSU). För varje del har kravhantering implementerats, med hänvisning till CENELEC-standarder vid behov. Arbetet har utgått från utkast till kravspecifikation för IM och identifierat kraven för diagnostik och prestanda i varje delsystem. Både kopplingar mellan kraven i olika moduler och kopplingar mellan kraven och deras testfall är byggda i systemet DOORS för att realisera verifiering och validering i en systemteknisk process. Slutligen släpps standarddokumentationen "Systemkrav Specifikation" för de moduler som behandlar i detta arbete.

In a regional railway signalling system, object controllers are the devices responsible for controlling Track Side Equipment and act as interfaces for TSE with the interlocking computer and the Traffic control system. However, associated cabling (signal and power cabling) and civil works pose a major capital investment and it is a source of significant Capital and Operational expenses, particularly in rural areas, where accessibility andconnectivity to power grid and to the interlocking are a problem. Furthermore, cables/signalling equipment are exposed to sabotage and theft in such areas. This can increase the total Life Cycle Cost even further. The Shift2Rail research programme, which was initiated by the European Union and railway stakeholders, tries to address this issue, and revamp the Object Controller concept through the project “TD2.10 Smart radio connectedwayside object controller”, where the aim is to develop a Smart Wayside Object Controller (SWOC). A SWOC is capable of wireless communication between central interlocking and TSE as well as decentralization of interlocking logic. These innovations can reduce the cabling required, increase the availability of diagnostic data, thus reducing maintenance and operational costs and can lead to power saving by utilizing local power sources. The most important impact of the SWOC is a significant reduction of CAPEX, OPEX and of total LCC for an installation utilizing SWOCs, instead of typical OCS.  This work focuses on estimating the LCC of a SWOC system and to compare it with a conventional OCS by developing an LCC model that covers both cases, as well as to use this model to examine when it is more profitable to implement a SWOC, instead of an OCS system. This is done by utilizing LCC analysis and combining a variety of methods in a parametric study. To that extend, a thorough analysis of a modern regional railway signallingsystem, as well as the basis for LCCA are being discussed. At the same time, both OC and SWOC systems are being described and factors affecting their cost discussed.  The methodology is comprised of the LCC modelling part as well as the collection of methods and techniques used to calculate the LCC of OC/SWOC systems and to estimate the costs of different sub-models and parameters of the process. For the modelling process, the station of Björbo was chosen, which operates under ERTMS-R system, but for the sake of the analysis it is assumed that the typical base system in place is an OCS and together withthe existing track layout and equipment it is used as the basis of the analysis. Finally, the formed LCC model is being used in a parametric study to examine how the LCC is affected by using OC or SWOC as well as how LCC responds to changes in parameters such as number of OC/SWOC, traffic density and local power installation cost for the Björbo station. / I ett regionalt järnvägssignalsystem är utdelar de enheter som ansvarar för att kontrollera spårutrustning och fungerar de som gränsyta för spårutrustning med ställverksdatorn och tågtrafikledning systemet. Dock, tillhörande kablar (signalkablar ock kraftkablar), samt anläggningsinfrastruktur utgör en stor kapitalinvestering och de är en källa till märkbar kapitalkostnad och driftskostnader, särskilt på landsbygdsområden, där tillgänglighet och anslutning till elnätet och ställverket är problematisk. Dessutom, kablar och signalutrustning utsätts för stöld och sabotage i sådana områden. Detta kan öka den totala livscykelkostnaden ytterligare. Shift2rail forskningsprogram, som genomförs av EU och järnvägsintressenter, försöker att ta itu med problemet och modernisera utdelar konceptet genom projektet “TD2.10 Smart Radio Connected Wayside Object Controller”, där målet är att utveckla en Smart Spårutrustning Utdelar, så kallade SWOC. En SWOC har kapacitet för trådlös kommunikation mellan central ställverket och spårutrustning, samt decentralisering av satällverkslogiken. Dessa innovationer kan minska nödvändig kabeldragning, öka tillgängligheten av diagnostiska data, vilket minskar underhålls- och driftskostnader och kan leda till energibesparing genom att använda lokala kraftkällor. Den viktigaste effekten av SWOC är en betydande minskning av kapitalkostnader, driftskostnader och totala livscykelkostnaden för en installation som använder SWOC istället för typiska utdelningsystemet. Detta examensarbete fokuserar på att uppskatta LCC för ett SWOC-system och jämföra det med en konventionell utdelingsystem genom att utveckla en LCC-modell som täcker båda fallen, samt att använda denna modell för att undersöka när det är mer lönsamt att implementera en SWOC istället av ett typiskt utdelingsystem. Detta görs genom att använda LCC-analys och kombinera en mängd olika metoder i en parametrisk studie. För att göradetta genomförs en grundlig analys av ett modernt regionalt järnvägssignalsystem, samt grunden för livscykelanalys. Samtidigt beskrivs både ett typiskt utdelingssystem - och SWOC-system samt faktorer som påverkar deras kostnad deskuteras. Metoden består av LCC-modelleringsdelen samt insamling av metoder och tekniker som används för att beräkna LCC för OC / SWOC-system och för att uppskatta kostnaderna för olika delmodeller och parametrar för processen. För modelleringsprocessen valdes stationen i Björbo, som arbetar under ERTMS-R-systemet, men för analysens skull antas att det typiska bassystemet på plats är en typisk OCS och tillsammans med befintlig planritning ochkabelplan är används som grund för analys. Slutligen används den bildade LCC-modellen i en parametrisk studie för att undersöka hur LCC påverkas genom att använda OC eller SWOC samt hur LCC reagerar på förändringar i parametrar såsom antal OC / SWOC, trafiktäthet och lokala kraftinstallationskostnader för Björbo-stationen.

In a regional railway signalling system, object controllers are the devices responsible for controlling Track Side Equipment and act as interfaces for TSE with the interlocking computer and the Traffic control system. However, associated cabling (signal and power cabling) and civil works pose a major capital investment and it is a source of significant Capital and Operational expenses, particularly in rural areas, where accessibility andconnectivity to power grid and to the interlocking are a problem. Furthermore, cables/signalling equipment are exposed to sabotage and theft in such areas. This can increase the total Life Cycle Cost even further. The Shift2Rail research programme, which was initiated by the European Union and railway stakeholders, tries to address this issue, and revamp the Object Controller concept through the project “TD2.10 Smart radio connectedwayside object controller”, where the aim is to develop a Smart Wayside Object Controller (SWOC). A SWOC is capable of wireless communication between central interlocking and TSE as well as decentralization of interlocking logic. These innovations can reduce the cabling required, increase the availability of diagnostic data, thus reducing maintenance and operational costs and can lead to power saving by utilizing local power sources. The most important impact of the SWOC is a significant reduction of CAPEX, OPEX and of total LCC for an installation utilizing SWOCs, instead of typical OCS.  This work focuses on estimating the LCC of a SWOC system and to compare it with a conventional OCS by developing an LCC model that covers both cases, as well as to use this model to examine when it is more profitable to implement a SWOC, instead of an OCS system. This is done by utilizing LCC analysis and combining a variety of methods in a parametric study. To that extend, a thorough analysis of a modern regional railway signalling system, as well as the basis for LCCA are being discussed. At the same time, both OC and SWOC systems are being described and factors affecting their cost discussed.  The methodology is comprised of the LCC modelling part as well as the collection of methods and techniques used to calculate the LCC of OC/SWOC systems and to estimate the costs of different sub-models and parameters of the process. For the modelling process, the station of Björbo was chosen, which operates under ERTMS-R system, but for the sake of the analysis it is assumed that the typical base system in place is an OCS and together with the existing track layout and equipment it is used as the basis of the analysis. Finally, the formed LCC model is being used in a parametric study to examine how the LCC is affected by using OC or SWOC as well as how LCC responds to changes in parameters such as number of OC/SWOC, traffic density and local power installation cost for the Björbo station. / I ett regionalt järnvägssignalsystem är utdelar de enheter som ansvarar för att kontrollera spårutrustning och fungerar de som gränsyta för spårutrustning med ställverksdatorn och tågtrafikledning systemet. Dock, tillhörande kablar (signalkablar ock kraftkablar), samt anläggningsinfrastruktur utgör en stor kapitalinvestering och de är en källa till märkbar kapitalkostnad och driftskostnader, särskilt på landsbygdsområden, där tillgänglighet och anslutning till elnätet och ställverket är problematisk. Dessutom, kablar och signalutrustning utsätts för stöld och sabotage i sådana områden. Detta kan öka den totala livscykelkostnaden ytterligare. Shift2rail forskningsprogram, som genomförs av EU och järnvägsintressenter, försöker att ta itu med problemet och modernisera utdelar konceptet genom projektet “TD2.10 Smart Radio Connected Wayside Object Controller”, där målet är att utveckla en Smart Spårutrustning Utdelar, så kallade SWOC. En SWOC har kapacitet för trådlös kommunikation mellan central ställverket och spårutrustning, samt decentralisering av satällverkslogiken. Dessa innovationer kan minska nödvändig kabeldragning, öka tillgängligheten av diagnostiska data, vilket minskar underhålls- och driftskostnader och kan leda till energibesparing genom att använda lokala kraftkällor. Den viktigaste effekten av SWOC är en betydande minskning av kapitalkostnader, driftskostnader och totala livscykelkostnaden för en installation som använder SWOC istället för typiska utdelningsystemet. Detta examensarbete fokuserar på att uppskatta LCC för ett SWOC-system och jämföra det med en konventionell utdelingsystem genom att utveckla en LCC-modell som täcker båda fallen, samt att använda denna modell för att undersöka när det är mer lönsamt att implementera en SWOC istället av ett typiskt utdelingsystem. Detta görs genom att använda LCC-analys och kombinera en mängd olika metoder i en parametrisk studie. För att göradetta genomförs en grundlig analys av ett modernt regionalt järnvägssignalsystem, samt grunden för livscykelanalys. Samtidigt beskrivs både ett typiskt utdelingssystem - och SWOC-system samt faktorer som påverkar deras kostnad deskuteras. Metoden består av LCC-modelleringsdelen samt insamling av metoder och tekniker som används för att beräkna LCC för OC / SWOC-system och för att uppskatta kostnaderna för olika delmodeller och parametrar för processen. För modelleringsprocessen valdes stationen i Björbo, som arbetar under ERTMS-R-systemet, men för analysens skull antas att det typiska bassystemet på plats är en typisk OCS och tillsammans med befintlig planritning ochkabelplan är används som grund för analys. Slutligen används den bildade LCC-modellen i en parametrisk studie för att undersöka hur LCC påverkas genom att använda OC eller SWOC samt hur LCC reagerar på förändringar i parametrar såsom antal OC / SWOC, trafiktäthet och lokala kraftinstallationskostnader för Björbo-stationen.

The main purpose of this Master Thesis is to investigate how front-facing, train-mounted cameras and Computer Vision, a type of Artificial Intelligence (AI), can be used to compensate for GPS inaccuracies. By using footage from track-recording cameras, Computer Vision can be utilized to determine the number of tracks and the track occupancy of the train, which would compensate GPS inaccuracies in the lateral positioning. GPS usage in railway applications is rare, however, an AI-based positioning system would facilitate the usage of GPS for higher capacity and better utilization of current railway infrastructure. This is especially interesting for ERTMS, a European effort to create a standardized signalling system while simultaneously increasing capacity, where potential for an AI-based positioning system can be found in both ERTMS level 2 and level 3. Two Computer Vision models were created, based on two different methods. Images for both models were collected from YouTube videos of train trips recorded with train-mounted cameras. In the first model, the images were labelled according to the number unoccupied adjacent tracks. For example, a left-track occupancy of a double track section would be labelled “01”. The model architecture was based on Convolutional Neural Networks (CNN), a type of AI algorithm specifically developed for image processing, where every pixel in each image was analysed to find patterns corresponding to each label. In the second model, Python software was utilized to manually label every track with bounding boxes. The purpose of the bounding boxes was to demarcate the tracks within the images. Thus, the latter employed strategy did not require the labelling of both the number of tracks and their position. However, it was magnitudes more time consuming. The model was trained using YOLOv3 real-time object detection, a system perfectly fit for real-time track detection. The first model, which was limited to a recognition of up to four tracks, had a 60 % accuracy. The results were adequate considering the unfit method used to train the model and detect tracks. It was not further considered, as the discovery of the second method involving YOLOv3 resulted a more suitable model for the task. The second model was limited to a recognition of up to three tracks due to limited availability of processing power, computer memory, and time. The performance of the second model was evaluated using clips of different track scenarios.  In summary, the second model performed well in the following scenarios:  ·        Main-track detection in any environment.  ·        Side-track recognition in simple environments.  It performed mediocre in the following scenarios:  ·        Medium-illuminated tunnels.  ·        Tracks seen through windscreens obscured by water droplets.  ·        Side-track detection in complex environments.  It performed poorly in the following scenarios: ·        Low-illuminated tunnels.  ·        Bright tunnel exits.  ·        Side-track detection in snowy conditions. In conclusion, it is possible to create a computer-vision model for track recognition. Although the results presented in this thesis are promising in certain scenarios, the image dataset is far too limited. Only approximately 350 labelled images were available for the model training. To develop a full-scale AI-based positioning system, many more images must be used to fully encapsule all the possible track scenarios. Furthermore, numerous technical specifications must be defined for the development of such a large-scale system, such as camera type (normal, thermal, event-based, lidar etc.), system design, safety analysis, system evaluation strategy etc. Nevertheless, if the development of an AI-based positioning system is successful, it can transition to become a future full-scale railway system of autonomous freight, passenger, and shunting operations. / Syftet med denna Masteruppsats är att undersöka hur hyttmonterade tågkameror tillsammans med datorseende, en typ av Artificiell Intelligens (AI), kan användas för att kompensera bristande GPS-positionering. Genom att använda kameror som kontinuerligt filmar framförvarande räls från tåghytten, kan datorseende utnyttjas för att avgöra antalet spår vid tågets aktuella position, samt vilket spår tåget belägger, och på så sätt kompensera eventuella GPS-felaktigheter i tågets laterala position. Användning av GPS inom järnvägens signalsystem är sällsynt, då tekniken inte är särskilt beprövad i signaltekniska syften. Det skulle emellertid kunna främjas genom att introducera ett AI-baserat signalsystem i syfte att höja järnvägens kapacitet och öka utnyttjandegraden av befintliga banor. I synnerhet när det kommer till utvecklingen av ERTMS kan ett AI-baserat signalsystem vara av intresse, då det finns potentiella tillämpningsområden för både ERTMS level 2 och level 3. Två olika modeller för datorseende utvecklades, baserat på två olika metoder. Bildmaterial för båda modellerna togs från YouTube-klipp innehållande inspelningar från hyttmonterade kameror. För den första modellen kategoriserades bilderna i enlighet med antalet fria intilliggande spår. Exempelvis skulle ett vänster-belagt dubbelspår kategoriseras ”01”. Modellarkitekturen baserades på Convolutional Neural Networks (CNN) en AI-algoritm specialanpassad för bland annat bildanalysering, där alla pixlar i varje bild analyserades i syfte att upptäcka mönster mellan bilderna och dess kategori. I den andra modellen användes Python-programvara för att manuellt kategorisera varje spår med en så kallad avgränsningsruta. Avgränsningsrutorna användes i syfte att urskilja spåren från resterande del av bilderna. Kategorisering i enlighet med antalet fria intilliggande spår krävdes således inte, däremot ökade tidsåtgången för kategorisering markant. Modellen tränades med ”YOLOv3 real-time object detection”, ett verktyg speciellt framtaget för bildanalys i realtid, vilket passade perfekt för spårdetektering i realtid. Den första modellen begränsades till igenkänning av maximalt fyra spår och hade 60 % precision. Resultatet var tillfredsställande med tanke på den olämpliga modell som användes för träning samt detektering av spår. Utvecklingen av denna modell avstannades då ett bättre system för spårdetektering baserat på YOLOv3 upptäcktes. Den andra modellen, baserad på YOLOv3 begränsades till igenkänning av maximalt tre spår, då tillgängligheten av processorkraft, lagringsutrymme och tid var begränsad. Precisionen av denna modell bedömdes med hjälp av korta klipp på olika spårmiljöer.  Sammanfattningsvis presterade modellen bra i följande scenarion: ·        Huvudspårsdetektering i alla typer av miljöer ·        Sidospårsdetektering i enkla miljöer Modellen presterade mediokert i följande scenarion: ·        Spårdetektering i halvmörka tunnlar ·        Vindrutor täckta med vattendroppar ·        Sidospårsdetektering i avancerade miljöer Modellen presterade mycket dåligt i följande scenarion: ·        Spårdetektering i mörka tunnlar. ·        Spårdetektering i ljusa tunnelportaler. ·        Sidospårsdetektering i snöförhållanden. Ur detta kan slutsatsen dras att det är fullt möjligt att skapa ett signalsystem baserat på datorseende. Fastän de resultat som presenterats i denna masteruppsats tyder på god prestanda i vissa scenarion, kan det inte uteslutas att storleken på det använda bildmaterialet inte är adekvat.  Endast cirka 350 kategoriserade bilder användes. För en fullskalig utveckling av ett AI-baserat positioneringssystem måste många fler bilder tas i beaktning, för att säkerställa en inkludering av så många spårmiljöer som möjligt. Dessutom måste åtskilliga tekniska specifikationer definieras, så som kameratyp (vanlig kamera, värmekamera, eventbaserad kamera, Lidar osv.), systemdesign, säkerhetsanalys, systemutvärderingsstrategi osv. Om däremot utvecklingen av ett AI-baserat signalsystem lyckas, kan det vidareutvecklas till ett framtida fullskaligt signalsystem för autonoma passagerar- och godståg samt autonoma rangerlok.