Das Stopfen von Weichen und Gleisen mit tmA2, unserem Stopfassistenten, war noch nie so einfach. Mit den jüngsten Upgrades haben wir die Leistung erhöht und die Zuverlässigkeit verbessert. Wir freuen uns darauf, alle Details mit Ihnen zu teilen.
Unterstützung von weiteren Arbeitseinheiten
Wir haben die Unterstützung von weiteren Arbeitsaggregaten in tmA2 integriert und bieten nun Möglichkeiten zur Automatisierung für die Schallschutzwand, den Vorkopfverdichter und die DGS- Rollzangen.
Doppelte Leistung mit 8×4 Stopfeinheiten
Bisher konnte der tmA2 jeweils eine Schwelle verarbeiten. Jetzt haben wir die Leistung verdoppelt – der Algorithmus hinter dem neuesten Update für tmA2 kann jetzt zwei Schwellen gleichzeitig verarbeiten, um die 8×4-Stopfeinheiten mit mehreren Schwellen zu unterstützen.
Schwellenfinder jetzt in tmA2 integriert
Wir integrieren neue Sensoren in den tmA2, um seine Zuverlässigkeit zu erhöhen. Der Schwellenfinder ist ein Sensorsystem zur Erkennung von verdeckten Schwellen. In Situationen, in denen Schwellen optisch schwieriger zu erkennen sind, ist diese spezielle Erweiterung für Gleisstopfmaschinen sehr nützlich.
AI-gesteuerte Hebe- und Auskleidungseinheit
Früher haben wir uns auf mathematische Erkennungsalgorithmen verlassen, jetzt ist die Umstellung auf eine vollständig KI-gesteuerte Hebe- und Auskleidungseinheit abgeschlossen. Dies erhöht die Zuverlässigkeit und ermöglicht es uns, verschiedene Objekte innerhalb des Schienenstrangs zu klassifizieren, wie z. B. verschiedene Arten von Schienenstößen oder ATS-Bauteilen.
Neue Stopf-KPI-Berichte
Wir haben unsere tmA2-Stopfprotokolle erweitert, so dass sie nun KPIs enthalten. Die KPIs konzentrieren sich derzeit darauf, den Benutzern einen schnellen Einblick in die Leistung des Systems zu geben. Es ist nun leicht zu erkennen, wie viele der Vorschläge des tmA2 ohne manuelles Eingreifen des Bedieners vollständig akzeptiert wurden. Schließlich geht es darum, Daten in Informationen und Informationen in Erkenntnisse zu verwandeln.
Einführung von MLOps
Laufende Erkenntnisse sind auch während des Entwicklungsprozesses wichtig, daher hat tmc MLOps- Praktiken integriert, um die hohe Qualität für unsere Kunden zu gewährleisten. Durch automatisierte Validierung der Modelle und automatisierte Build-Prozesse können neue Funktionen schnell und mit gleichbleibender Qualität bereitgestellt werden. Als wichtiger Schritt werden alle Entscheidungen während des Prozesses in einer Datenbank gespeichert, um Transparenz im Entscheidungsprozess der KI zu erhalten und manuelle Einflussnahme zu ermöglichen.
