Dagens metod är långsam och manuell, och fungerar inte i den skala som hela järnvägsnätet kräver. Jag har tagit fram ett nytt arbetssätt där datorn läser laserdatan direkt — och mäter snabbare, säkrare och automatiskt.
Hinderfrihetsmätning (FOMUL) går ut på att hitta varje fast objekt som riskerar att tränga in i tågens lastprofil. Idag görs analysen manuellt, och det sätter hårda gränser.
Mätfordonet måste krypa fram i cirka 15 km/h. Att täcka hela det svenska järnvägsnätet i den takten tar orimligt lång tid.
I gångfart går det inte att vara ute bland ordinarie tåg utan att hålla upp annan trafik. Tidsluckorna för mätning blir få och dyra.
Laserdatan slås ihop till en bild som en människa ska tolka och rita runt för hand. Sammanslagningen kräver enorm datorkraft och skapar brus som döljer de tunnaste objekten.
Hela det gamla arbetssättet bygger på att en människa måste se datan. En dator behöver ingen ihopslagen bild — den kan läsa varje lasersvep som rena mätvärden och räkna ut svaret exakt.
Sammanslagningen görs för att en människa ska kunna se datan — inte för att analysen behöver den. Tar man bort kravet att någon ska tolka en bild försvinner både det tunga beräkningssteget och bruset. Då blir resultatet exakt och spårbart i stället för handritat.
Varje lasersvep nollas mot rälen.
Lastprofilen räknas för kurva & dosering.
Objektets avstånd mäts mot profilen.
Risk för islag markeras automatiskt.
Den stora vinsten är hastighet. Problemet: ju snabbare man kör, desto större är risken att lasern missar tunna objekt — som skärmen på en signaltavla, bara någon millimeter tjock. Min lösning är att inte träffa objektet rakt framifrån, utan snett.
Ett objekt som är nästan osynligt rakt framifrån vänder en stor yta mot ett snedställt laserplan. Tack vare det fångas även en millimetertunn skärm över flera centimeter längs spåret — i full fart. En rakställd laser ger samtidigt den exakta referensmätningen.
Den svåraste frågan i all mätning är: hur vet man att man inte missat något? Här gör jag kameran till en oberoende kontroll — inte en hjälpbild.
Bildanalysen känner igen ett objekt som borde ge laserträffar och räknar ut ungefär var det ligger.
Systemet frågar punktmolnet: finns träffar här? Svaret är mätbart, för glest, eller saknas.
Saknas träffarna flaggas det för granskning — så slipper man åka tillbaka och mäta om hela sträckan i blindo.
Min princip är enkel: hellre att systemet säger ”granska detta” hundra gånger för mycket än att det missar en enda signaltavla. Falska larm kostar en blick — ett missat objekt kostar en hel ommätning.
Jag bygger det i en ordning som minskar risken — automationen tar över där den är trygg, människan står kvar där det är svårt.
Räknar den dynamiska lastprofilen för kurva och dosering och mäter objektets marginal mot den — exakt enligt Trafikverkets regelverk.
Datorn stegar fram och bekräftar var det inte finns några objekt — den största tidsbesparingen, med inbyggd marginal för säkerhet.
Maskinen ritar ut exakt det som ligger innanför profilen — reproducerbart och spårbart.
Den oberoende bildkontrollen fångar det lasern kan ha missat.
Modellen lär sig vad varje objekt är — stegvis, tills den är bevisat pålitlig per typ.
Hela kravbilden — lastprofiler, kurvutvidgning, dosering, hinderfrihet — är genomgången och omsatt i exakta formler.
Laserscanner, kamera, tröghetsnavigering och tidssynk är klarlagda — jag vet exakt hur datan hänger ihop.
Den geometriska kärnan är byggd och testad. Nästa steg är att köra den skarpt mot en komplett mätning.