EP3053804A2 - Verfahren und einrichtung zur optimierung der gleisoberbauinstandhaltung durch einzelfehlerklassifikation - Google Patents
Verfahren und einrichtung zur optimierung der gleisoberbauinstandhaltung durch einzelfehlerklassifikation Download PDFInfo
- Publication number
- EP3053804A2 EP3053804A2 EP15188610.8A EP15188610A EP3053804A2 EP 3053804 A2 EP3053804 A2 EP 3053804A2 EP 15188610 A EP15188610 A EP 15188610A EP 3053804 A2 EP3053804 A2 EP 3053804A2
- Authority
- EP
- European Patent Office
- Prior art keywords
- error
- track
- data
- single error
- individual
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000012423 maintenance Methods 0.000 title claims abstract description 30
- 238000005259 measurement Methods 0.000 claims abstract description 108
- 239000013598 vector Substances 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 8
- 238000010276 construction Methods 0.000 claims description 19
- 230000007547 defect Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 230000015556 catabolic process Effects 0.000 claims description 5
- 238000006731 degradation reaction Methods 0.000 claims description 5
- 238000010200 validation analysis Methods 0.000 claims description 5
- 230000006399 behavior Effects 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims description 4
- 238000003379 elimination reaction Methods 0.000 claims description 4
- 238000007418 data mining Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 230000001364 causal effect Effects 0.000 claims description 2
- 238000003066 decision tree Methods 0.000 claims description 2
- 230000002068 genetic effect Effects 0.000 claims description 2
- 238000000491 multivariate analysis Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims 1
- 238000012706 support-vector machine Methods 0.000 claims 1
- 230000008569 process Effects 0.000 description 8
- 230000008901 benefit Effects 0.000 description 6
- 230000007704 transition Effects 0.000 description 6
- 230000007423 decrease Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 241000269350 Anura Species 0.000 description 4
- 229910000831 Steel Inorganic materials 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004393 prognosis Methods 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 239000010959 steel Substances 0.000 description 3
- 230000009897 systematic effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000003466 welding Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 239000010426 asphalt Substances 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005713 exacerbation Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011068 loading method Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L23/00—Control, warning or like safety means along the route or between vehicles or trains
- B61L23/04—Control, warning or like safety means along the route or between vehicles or trains for monitoring the mechanical state of the route
- B61L23/042—Track changes detection
- B61L23/048—Road bed changes, e.g. road bed erosion
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L23/00—Control, warning or like safety means along the route or between vehicles or trains
- B61L23/04—Control, warning or like safety means along the route or between vehicles or trains for monitoring the mechanical state of the route
- B61L23/042—Track changes detection
- B61L23/044—Broken rails
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L23/00—Control, warning or like safety means along the route or between vehicles or trains
- B61L23/04—Control, warning or like safety means along the route or between vehicles or trains for monitoring the mechanical state of the route
- B61L23/042—Track changes detection
- B61L23/047—Track or rail movements
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
- B61L27/50—Trackside diagnosis or maintenance, e.g. software upgrades
- B61L27/53—Trackside diagnosis or maintenance, e.g. software upgrades for trackside elements or systems, e.g. trackside supervision of trackside control system conditions
Definitions
- the present invention relates to a method for optimizing track superstructure maintenance, particularly with regard to single errors occurring in the tracks. Furthermore, the invention relates to a database used in this context.
- track superstructure this means the structure of the rails, the sleepers, the fortifications between these two, the bedding (often gravel, concrete or steel) and the underlying underground railway infrastructure infrastructure.
- This track superstructure like all other parts of the railway infrastructure, must be maintained, as it is exposed to operating loads and other weather conditions during operation.
- the rails deform on sections where the rigidity of the bedding changes. This is the case, for example, for tunnel entrances and tunnel exits, because in the tunnel the sleepers and rails lie on concrete, but on the outside on gravel.
- the gravel is due to its slightly lower rigidity under the load of the rising train something down to the concrete.
- the track outside the tunnel slopes down slightly due to the natural setting of the ballast, but not or only imperceptibly within the tunnel because of the concrete floor. The result is a small ramp at the tunnel entrance and a sink at the tunnel exit.
- the method according to the invention begins with the so-called initialization phase, which comprises the method steps of the identification of individual error types, the determination of reference measurements for the individual error types and the creation of the data records.
- the use phase follows, in which first the classifier is trained with the data records created in the initialization phase, and thereafter, as soon as newly measured single error measurement values are available, they are classified by the classifier.
- the track single fault types such as cavities, rail joints, frogs, transition zones, mud spots and hitherto unknown or unnamed individual error types are identified. This offers the advantage that more data will then be available during the later usage phase.
- the data sets created in the next method step preferably comprise two fields.
- the first field is an array of measurement data.
- the individual data points of the individual errors are stored as vectors of different lengths.
- the second field is used to store the single error type.
- the exact individual error type of the individual error is determined directly by the classification of the measurement data of the individual error on the basis of the applied data records and assigned to the individual error. This assignment of a single fault type can be done very quickly after the measurement, without it being necessary to send a construction crew to assess the individual fault and to determine the single fault type on the track.
- the single error type can also be determined very reliably.
- a model is created on the basis of which a classification of later newly measured individual errors can take place.
- the classifier can be, for example, an algorithm, a program object or a function. It is extremely important to be able to make a decision about maintenance measures related to the single error based on a reliable classification of the measurement data of the individual error and thus on a reliably determined single fault type, because different maintenance types have to be used for different types of faults. Likewise, the preparation of a forecast on the further temporal development of the individual error depends strongly on its single-fault type.
- erroneous records can be prevented from being added to the database for known single-error types.
- the process step of the validation can be carried out both in time before a decision on maintenance measures or an initiation of maintenance measures and in time thereafter.
- it is particularly advantageous first to initiate construction measures, for example, and then to use the presence of a construction crew at the location of the individual fault in order to have it validated whether the assignment of the single fault type was correct.
- the risk of incorrect allocation of resources is manageable due to the very reliable classification.
- the subsequent inclusion of new single error types makes sense, since it can be assumed that with constant technical development of the track superstructure technology always new, previously unknown sources of error for individual errors in the track are created.
- the new single error type is expediently validated before the creation of a new data record in order to ensure the reliability and correctness of the database of known single error types.
- the first or the corresponding data records initially remain in the database for unknown individual error types.
- the validation of the correctness of the classification of the measurement data of the individual error by an assessment of the individual error by one or more experts, preferably a construction crew, carried out on site.
- This offers the advantage that, in the case of a manual assessment of the individual error, the experts, based on their experience, their specialist knowledge and the examination of the track on site, can quickly determine which source of error is involved.
- manual validation makes it much more reliable to determine whether the classification was correct or not via computer-implemented validation procedures.
- the known sources of error are single-fault types in which an operative connection is already known and which are often due to track-laying elements.
- the individual faults occurring in the track include track-building elements such as switch frogs or rail joints, which produce measured data which are errors according to the current standard (if the amplitude becomes large enough). Of these elements, the position is known. Thus, reference curves of these locations can easily be determined if they are defective in the sense of the amplitude consideration, by the position of a single error identified in the measured data matches the projected position of one of these components. If this is the case, a measurement data set of a defective track-laying element is available. The same applies to sections of the route at transition zones.
- the required reference measurements of elements where the position is known can be cut from the position based on existing vertical track deviation measurements along the track.
- the positions of the switch frogs can be read out using the switch directory. If you now isolate the measured values at these positions with an epsilon of, for example, 15 meters to the right and left of the switch frog piece, you will get very comfortable and uncomplicated reference measurements for switch frogs.
- the choice of an appropriate Epsilons is advantageous in this case, since it can ensure that one selects and stores a maximum information content of the single error curve. Similarly, you can proceed with all other track construction elements (eg tunnel entrances and tunnel exits).
- a further embodiment of the invention is that the measurements are measurements of the vertical deflection of the tracks from their desired position as a function of the line kilometers, preferably under load of the tracks by a measuring vehicle driving thereon, and in the case of the single error by corresponding vertical single errors is.
- the possible fault patterns in the track superstructure are manifold.
- vertical individual errors of these varied fault patterns occur particularly frequently and, due to their physical orientation, have a particularly noticeable influence on the vehicle reaction of a rail vehicle and thus on ride comfort and driving safety.
- methods of data mining, methods of multivariate data analysis, methods of classification and of supervised and unsupervised learning, such as decision trees, neural networks, support vector are used to train the classifier and / or to classify the measurement data of the individual error Machines, Genetic Algorithms, as well as k-nearest-neighbors, kNN, algorithms applied.
- the previously mentioned methods make it possible to train the classifier better with each new reference measurement, and thus also the quality of the results of the classification carried out by the classifier constantly improves with time.
- the aforementioned methods are only to be seen as examples.
- a further embodiment of the invention is that regression methods and / or within the framework of the classification of the measurement data of the individual error Correlation method used to assess the degree of similarity or correspondence between the single error measurement curve to be classified and the reference measurement curves. Depending on the order of the respective regression method, a very good functional description of the measurement data of the individual error can be achieved. If the result of the regression method is included in the further evaluation of the individual error, one can speak of an extensive consideration of the single-error form.
- correlation methods is also particularly advantageous, as these enable the relationship between the measurement curve to be classified and the reference measurement curves to be illuminated.
- a further embodiment of the invention is that one or more features of the measurement curve of the individual error, such as amplitudes, frequencies, slopes, integrals, or the entire shape of the measurement curve of the individual error is taken into account within the classification of the measurement data of the individual error.
- the probability of a correct classification of the individual error can be increased with an increasing number of considered features. It is therefore particularly advantageous to compare the measurement curve of the individual error with the respective reference measurement curves as holistically as possible.
- which features are taken into account and to what extent depends to a large extent on the algorithm used.
- each individual fault type must be maintained differently.
- the ballast In hollow layers, for example, the ballast must be stuffed, including a hand tamping machine or even a stuffing box is necessary, which compresses the underlying ballast again.
- the steel In the case of center piece individual defects, the steel is ground into the appropriate shape, for which corresponding grinding machines are required.
- specially trained experts such as switch mechanics or point masters must be present when working on switches.
- the information about the single fault type to be expected also allows a better scheduling of track closures, whereby a loss of availability of the route can be kept low. This is particularly the case because it is known how long it takes to repair a single fault of a particular type. In connection with the requirement of track closures, it must be taken into account in particular that construction crews in the track must be operationally secured due to occupational safety. This means that in a maintenance measure, depending on the size of the process, neighboring tracks must be locked or slow driving must be set up. If now too large machines are ordered due to ignorance of the exact single fault type, the corresponding safeguards can also be too large, which leads to loss of availability and the generation of delay minutes. All these problems do not occur in the present process.
- Another advantage is that knowledge of the single-fault type and the possible error-type-specific prognosis of the expected degradation behavior of the individual error no longer limits one to a linear regression model in the prognosis.
- Such a linear relationship has hitherto often been achieved by merely looking at the course of the amplitudes of the same single error over a few consecutive days. So far, this has been very inaccurate, since different types of single defects can also differ in their degradation behavior.
- a faulty rail joint can also develop logarithmically over time, as it is driven off the trains over time.
- a hollow layer is getting worse and destroys the adjacent gravel under operating load, where This single error can also behave exponentially.
- Such error-type-specific forecasts of the development of individual errors thus offer the advantage that, for example, with two different individual error types, the decision can be made to eliminate one single-fault type due to its probable development over elimination of the other single-fault type despite the same single error amplitude of the two individual errors.
- Such an assessment of how long it will be possible to delay the elimination of a single fault is particularly advantageous with regard to minimizing the timetable failures and with regard to the annual financial budget of the railway undertakings.
- the decision on maintenance measures may also include considerations and decisions with regard to ride comfort and passenger safety.
- the present method also allows a maintenance manager to be informed early on the exact single fault type. Maintenance managers must make decisions based on certain information, such as when, where, and how a track track is renewed or maintained. Through the present process, we will expand the information available and optimize the decision-making process of the maintenance manager. For example, the maintenance manager can optimally dimension the construction safety at an early stage. This results in big positive effects in terms of cost savings during the maintenance process.
- the object of the present invention is achieved not only by the method described above, but also by a database used in this context.
- the database for optimizing the track superstructure maintenance according to the invention comprises data sets that each consist of reference error measurement values of a single error that occurs in the track and emerges in track surveying, in the form of a measured data vector and an associated single error type, with the data records a classifier is trained to classify later using the data sets new measurement data of a single error and being at least partially based on this classification on maintenance measures based on the single error.
- the systematic construction of the database with reference error measurement values and associated single error type together with a possibility to constantly expand the database by adding new data sets enables a continuous improvement of the training of the classifier and thus an increasingly reliable determination of single error types.
- This is related to the increasing quantity of original measurement data from reference measurements taken into account in the training and classification procedures.
- the database is a database for known single-error types.
- a corresponding database for unknown individual error types has similar data records with reference error measurement values in the form of a measurement data vector whose individual error type, however, initially remains indefinite.
- a method for optimizing track superstructure maintenance is provided by means of the method described above, in which the single-fault type can be determined on the basis of already existing individual-error-original measured data for each newly measured individual error. Furthermore, a database that can be used in this context will be provided for the first time.
- the FIG. 1 shows an exemplary measurement result of the vertical track deflection in mm along a measured track distance, that is, depending on the worn track kilometer of the track section. Looking at the course of the trace, you will find some significant increases and decreases in the vertical track deflection. For a large number of these increases and decreases, an operative connection, that is to say the respective type, the respective cause or the respective source of error, is known. Viewed from the left, the first increase W occurs due to a known position of a switch frog, the second increase B and the first decrease T due to the known positions of tunnel entrances and exits and the last two increases Ü (or combinations of increase and decrease) due to a known position of a railroad crossing.
- the amplitude limit G is ⁇ 11 mm.
- the measurement data of these individual errors must now be cut out in order to be examined more closely. Noticeable here is above all the third increase Z seen from the left, since this is a single fault on a free route with an unknown single fault type. Since its cause is not known, an assessment must be made accordingly.
- the FIG. 2 shows an exemplary listing of possible records in a database for known single error types.
- the data points of the individual errors are stored as vectors of different lengths.
- the second field the individual error types are stored, whereas in the right column the data records are numbered consecutively for the sake of clarity.
- the single fault types listed here (tunnel, railway crossing, switch frog) are purely exemplary.
- the FIG. 3 shows a first embodiment of the method according to the invention.
- the method begins with the identification of a single-fault type by a classical amplitude analysis (step 1).
- step 2 the measuring range relevant for the single error is extracted from the overall measurement.
- step 3 the extracted measurement range of the single error is classified based on the data records in the database (step 3.).
- this embodiment is the single error type B.
- step 4 the correctness of the classification is validated (step 4). Since in this embodiment the classification was validated as correct, in the last step (step 5) a corresponding new data record is created in the database for known single error types.
- the FIG. 4 shows a second embodiment of the method according to the invention.
- an initialization phase has already taken place and thus already a database 1 for known single error types is available.
- the procedure begins with a test drive (see step I.) in which track deflections along the test section are detected. Subsequently, single errors from the total measurement (see step II.). In a next step, the measurement data of the individual errors are classified on the basis of the data records in the database 1 (see step III.). Subsequently, the correctness of the classification is validated (see step IV.). If the classification is validated as correct, a new record or records will be created in database 1 (see step V.).
- step VI. Occurs to identify new single-fault types.
- each x represents a reclassified single error n to an n-dimensional feature space.
- a cluster algorithm is applied to the unclassified single errors for the defined number of clusters (see step VI.1.).
- the quality of the result of the applied cluster algorithm with quality measures such as the inner-class homogeneity and the inter-class heterogeneity is determined (see step VI.2.).
- the determined quality now yields an optimal number of 3 classes, which in turn indicates that 3 are still unknown Single error types exist (see step VI.3.).
- the new error type is validated in the field before it is added to the database 1 (see step VI.4.).
- FIG. 5 shows a schematic overview of the embodiments of the Figures 3 and 4 with further aspects of the method according to the invention.
- the schematic overview begins with an initialization phase 501 identified within the individual error types and corresponding reference measurements are determined.
- a conclusion of the initialization phase is the creation of data records in a database 502 with reference measurement data for single errors whose type is known.
- the identification of individual errors and the extraction of measured values of the individual errors from a total measuring data set of a measuring train has already been described in more detail in FIGS. 3 and 4.
- a classifier 505 classifies the measurement data of each individual error based on the data records in the database 502.
- an optimal repair of the single error is then initiated (see 506). Subsequently, the correctness of the classification is validated (see 507). If the classification is correct, another reference record is added to the database 502 (see 508) to further improve the classification for the future. If the classification was incorrect, a reference record is also added (see 509), but to a database 510 with single measure reference metrics whose type is not known. In a next step, the attempt is made by means of a clustering method, which in connection with the FIG. 4 to find new types of errors (see 511).
- a corresponding single error is either added to the single error reference measurement database 502 whose type is known (see 513) or it remains in the database 510 with reference measurement data for single errors whose type is not known (see 514).
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Machines For Laying And Maintaining Railways (AREA)
Abstract
Description
- Die vorliegende Erfindung betrifft ein Verfahren zur Optimierung der Gleisoberbauinstandhaltung, insbesondere in Bezug auf Einzelfehler, die in den Gleisen auftreten. Ferner bezieht sich die Erfindung auf eine in diesem Zusammenhang eingesetzte Datenbank.
- Ist von einem Gleisoberbau die Rede, so ist hiermit das Gebilde aus den Schienen, den Schwellen, den Befestigungen zwischen diesen Beiden, der Bettung (oftmals Schotter, Beton oder Stahl) sowie dem darunter liegenden Untergrund eines Eisenbahninfrastrukturfahrwegs gemeint. Dieser Gleisoberbau muss wie alle anderen Teile der Eisenbahninfrastruktur instandgehalten werden, da er während des Betriebs zum einen der Betriebsbelastung und zum anderen Witterungseinflüssen ausgesetzt ist.
- Um sich einen ersten Gesamtüberblick über den aktuellen Gleiszustand zu verschaffen, setzen Eisenbahninfrastrukturbetreiber heutzutage weniger auf visuelle Inspektionen der Gleisstrecke, sondern setzen anstatt dessen nahezu ausschließlich Messfahrzeuge ein, die vollautomatisch Messungen vornehmen. Solche Messfahrzeuge erfassen unmittelbar oder mittelbar die vertikale Abweichung des Gleises von seiner Soll-Lage in Abhängigkeit von den abgefahrenen Streckenkilometern der Gleisstrecke. Hierbei erfolgt die mittelbare Messung über den Umweg einer Betrachtung der Auswirkungen der Gleisabweichungen auf die Messfahrzeugreaktion. Genauer gesagt werden die vertikalen Radsatzlager-Beschleunigungen erfasst und durch eine doppelte Integration in die vertikale Gleisabweichung umgerechnet. Bei den Messergebnissen der vertikalen Gleisabweichungen tritt häufig das Fehlerbild einer deutlichen, punktuellen Verformung des Gleises in vertikaler Richtung auf. Für einen solchen vertikalen Einzelfehler liegen die Grenzwerte in Deutschland je nach zugelassener Streckenhöchstgeschwindigkeit in einem Bereich von 9 - 21 mm vertikaler Abweichung.
- Im Folgenden werden zur besseren Veranschaulichung die drei wichtigsten Ursachen vertikaler Einzelfehler, nämlich Übergangszonen, schlechte oder schlecht verarbeitete Schienenbauteile sowie Schlammstellen und Hohllagen, erläutert.
- Hinsichtlich der Übergangszonen ist zu erwähnen, dass sich die Schienen an Streckenabschnitten verformen, an denen sich die Steifigkeit der Bettung ändert. Dies ist beispielsweise bei Tunneleinfahrten und Tunnelausfahrten der Fall, denn im Tunnel liegen die Schwellen und Schienen auf Beton, außerhalb allerdings auf Schotter. Der Schotter gibt wegen seiner etwas geringeren Steifigkeit unter der Lasteinwirkung des aufstehenden Zuges etwas nach unten nach, der Beton nicht. Dies bedeutet, dass sich das Gleis außerhalb des Tunnels durch natürliche Setzung des Schotters leicht nach unten absenkt, innerhalb des Tunnels wegen des Betonbodens jedoch nicht oder nur unmerklich. Es entsteht eine kleine Rampe bei der Tunneleinfahrt und eine Senke bei der Tunnelausfahrt. Streckenabschnitte, bei denen eine solche Änderung der Bettungssteifigkeit existiert (Tunnel → Schotter auf Beton, Bahnübergange → Schotter auf Straßenasphalt, Brücken → Schotter auf Stahl, etc.) nennt man Übergangszonen. Diese vertikalen Einzelfehler sind relativ langwellige geometrische Abweichungen der Soll-Gleislage, denn sie haben eine Ausdehnung von ca. 2-5 Metern entlang der Gleisstrecke. Bezüglich schlechter oder schlecht verarbeiteter Schienenbauteile ist zu erwähnen, dass die Schienen in der Regel aus Schienenstücken mit einer jeweiligen Länge von etwa 100m zusammengebaut werden. Diese Schienenelemente müssen also alle 100m aneinandergeschweißt werden. Wenn durch schlechtes Schweißen die aneinanderstoßenden Schienenstücke nicht exakt plan aneinander liegen, entsteht eine Schweißkante, die bei Befahrung der Stelle das überrollende Rad entsprechend anschlägt. Je nach Befahrungsrichtung führt dieser Einzelfehler zu einem Schlag nach oben oder unten. Des Weiteren ist ein häufig als Einzelfehler erkanntes Phänomen das Herzstück einer Weiche. Konstruktionsbedingt hat die spurführende Schiene in der Weiche eine kleine Lücke (die Herzstücklücke). Je nach fahrdynamischer Eigenschaft des überfahrenden Fahrzeugs schlägt das Rad in dieser Lücke nach unten aus und trifft dann auf das massive Weichenherzstück. Bei idealer Verarbeitung der Weiche ist dieser Effekt minimal. Bei hohem Abnutzungsgrad erreicht ein solcher vertikaler Einzelfehler jedoch oft die vorgegebenen Grenzwerte. Diese vertikalen Einzelfehler sind im Gegensatz zu den vertikalen Einzelfehlern der Übergangszonen relativ kurzwellige geometrische Abweichungen der Soll-Gleislage, denn sie haben eine Ausdehnung von wenigen Zentimetern entlang der Gleisstrecke.
- Zuletzt soll noch kurz auf vertikale Einzelfehler an Schlammstellen und Hohllagen eingegangen werden. Hierbei handelt es sich um eine Inhomogenität des Schotterbettes. Wenn der Schotter an einer Stelle besonders beansprucht wird, brechen die Schottersteine an den Kanten ab. Wiederholt sich dieser Vorgang oft genug, so können einzelne Schottersteine derart zerkleinert werden, dass ihre Korngröße klein genug wird, um vom Niederschlag ausgespült zu werden. Geschieht dies, entstehen kleine Kammern im Schotterbett, bei denen die Anzahl der Steine und damit ihre Dichtigkeit so verringert wird, dass ein aufstehendes Fahrzeug die Schiene durch sein Gewicht in diese Hohllage eindrückt. Dieser Typ eines vertikalen Einzelfehlers ist in den Messdaten als Senke zu erkennen.
- Ab einer gewissen Amplitude eines vertikalen Einzelfehlers ist, nicht zuletzt aus Gründen der Fahrsicherheit und des Fahrkomforts, eine Instandsetzung des entsprechenden Gleisstreckenabschnitts geboten. Bei der Beurteilung eines Einzelfehlers wurde und wird daher heute häufig noch immer lediglich die Amplitude der Einzelfehlermesswerte betrachtet, wie dies zum Beispiel in der Konzernrichtlinie 821 der Deutschen Bahn beschrieben ist. Hierbei geht man bei Überschreiten eines bestimmten Grenzwerts für die Amplitude automatisch von einem kritischen Einzelfehler aus, ohne jedoch den wahren Fehlertyp, also beispielsweise eine Herzstücküberfahrt oder einen Schienenstoß, zu kennen. Im Hinblick auf eine Verschlimmerung des Einzelfehlers in Bezug auf eine seiner Eigenschaften, der sogenannten Degradation, geht man heutzutage bei der Erstellung einer Prognose, ab wann der Einzelfehler einen kritischen Grenzwert überschreitet, von einem einfachen, linearen Regressionsmodell aus. Hiervon abweichende Prognosemodelle sind bei einer reinen Amplitudenbetrachtung derzeit nicht nahegelegt, da keine Informationen über den Einzelfehlertyp vorliegen.
- Immer häufiger werden allerdings neben der Amplitude auch andere Einzelmerkmale einer Einzelfehlermesskurve bei der Beurteilung des Einzelfehlers berücksichtigt. Wie beispielsweise in der
EP 1 977 950 B1 beschrieben ist, werden insbesondere Steigungen und Flächenintegrale der Messkurve der vertikalen Gleisabweichung betrachtet. Ferner ist aus derKR 102011134547 A - Eine Kenntnis des genauen Typs des zu beurteilenden Einzelfehlers wäre also äußerst hilfreich, insbesondere, um optimale Entscheidungen über Instandhaltungsmaßnahmen bezogen auf den Einzelfehler treffen zu können. Denn bei solchen Entscheidungen kommt es oft auf Erfahrungswerte von früheren Einzelfehlen gleichen Typs an. So gibt es beispielsweise Erfahrungswerte darüber, wie sich eine bestimmte Einzelfehlerart mit der Zeit entwickelt. Eine systematische Zuordnung eines Einzelfehlers zu einem bestimmten Einzelfehlertypen anhand vorhandener Einzelfehleroriginalmessdaten ist auch weder in der
DE 102011101226 A1 , wo es lediglich um einen Versuch einer Beschreibung der Form eines Einzelfehlers mit Hilfe vorherbestimmter Funktionen geht, noch in derEP 1 271 364 A2 beschrieben. In derEP 1 271 364 A2 ist nämlich lediglich beschrieben, dass einem Einzelfehler eine Bezeichnung wie "guter Zustand" oder "schlechter Zustand" zugeordnet wird, ein direkter oder indirekter Bezug auf den vorhandenen Einzelfehlertyp wird nicht hergestellt. - Vor diesem Hintergrund liegt nun der vorliegenden Erfindung die Aufgabe zugrunde, ein Verfahren zur Optimierung der Gleisoberbauinstandhaltung bereitzustellen, bei dem für jeden neu gemessenen Einzelfehler der Einzelfehlertyp anhand bereits vorhandener Einzelfehleroriginalmessdaten bestimmt werden kann. Des Weiteren soll eine in diesem Zusammenhang eingesetzte Datenbank angegeben werden.
- Die Aufgabe ist erfindungsgemäß durch ein Verfahren zur Optimierung der Gleisoberbauinstandhaltung gelöst, das die folgenden Schritte aufweist:
- Identifizieren von im Gleis vorkommenden und bei Gleisvermessungen hervortretenden Einzelfehlertypen;
- Ermitteln von Referenzmessungen für jeden dieser Einzelfehlertypen;
- Anlegen von Datensätzen bestehend aus jeweils einer Referenzmessung in Form eines Messdatenvektors sowie deren zugeordneter Einzelfehlertyp in einer Datenbank für bekannte Einzelfehlertypen;
- Trainieren eines Klassifikators mit den angelegten Datensätzen;
- Klassifizieren von neuen Messdaten eines Einzelfehlers anhand der angelegten Datensätze durch den Klassifikator; und
- Entscheiden über Instandhaltungsmaßnahmen bezogen auf den Einzelfehler zumindest teilweise basierend auf der Klassifizierung der Messdaten des Einzelfehlers.
- Das erfindungsgemäße Verfahren beginnt mit der sogenannten Initialisierungsphase, die die Verfahrensschritte der Identifizierung von Einzelfehlertypen, der Ermittlung von Referenzmessungen zu den Einzelfehlertypen und des Anlegens der Datensätze umfasst. Im Anschluss an diese Initialisierungsphase folgt die Benutzungsphase, bei der zunächst der Klassifikator mit den in der Initialisierungsphase angelegten Datensätzen trainiert wird und danach, sobald neu gemessene Einzelfehlermesswerte zur Verfügung stehen, diese durch den Klassifikator klassifiziert werden. Zweckmäßigerweise werden möglichst viele im Gleis vorkommende Einzelfehlertypen wie Hohllagen, Schienenstöße, Herzstücke, Übergangszonen, Schlammstellen sowie bislang noch unbekannte beziehungsweise unbenannte Einzelfehlertypen identifiziert. Dies bietet den Vorteil, dass dann während der späteren Benutzungsphase mehr Daten zur Verfügung stehen. Mit Bezug auf die Ermittlung von Referenzmessungen ist zu erwähnen, dass diese vorteilhafterweise nach ihrer Ermittlung auf einem Speichermedium abgespeichert werden. Die im nächsten Verfahrensschritt angelegten Datensätze umfassen bevorzugt zwei Felder. Das erste Feld ist ein Array von Messdaten. In diesem Feld sind die einzelnen Datenpunkte der Einzelfehler als Vektoren unterschiedlicher Länge gespeichert. Das zweite Feld dient zur Speicherung des Einzelfehlertyps. Mit Hilfe der Messdatenvektoren in den Datensätzen können bereits vorhandene Originalmessdaten als solche direkt bei der Bestimmung der Einzelfehlerform eines Einzelfehlers berücksichtigt werden. Da die Datensätze die originalen Messwerte und nicht nur aus einer Kurvenanpassung resultierende Näherungsfunktionen beinhalten, ist ein maximaler Informationsgehalt der Datensätze gewährleistet. Besonders bevorzugt wird durch die Klassifizierung der Messdaten des Einzelfehlers anhand der angelegten Datensätze der genaue Einzelfehlertyp des Einzelfehlers unmittelbar bestimmt und dem Einzelfehler zugeordnet. Diese Zuordnung eines Einzelfehlertyps kann nach der Messung sehr zeitnah automatisch geschehen, ohne dass es nötig wäre einen Bautrupp zur Begutachtung des Einzelfehlers und zur Bestimmung des Einzelfehlertyps auf die Gleisstrecke zu entsenden.
- Da einige Einzelfehler ohne Belastung des Gleises nur schwer erkennbar sind, wäre eine solche manuelle Begutachtung des Einzelfehlers zudem gegebenenfalls unvollständig und Vorgänge müssten wiederholt werden. Ferner könnte eine solche Begutachtung auch falsch sein, so dass Baumaschinen angefordert werden, die gar nicht zur Beseitigung des speziellen Einzelfehlertyps benötigt werden. Im schlimmsten Fall arbeiten die Maschinen dennoch und erzeugen neue Fehler, so dass neben dem alten, nicht beseitigten Problem nun ein Neues dazukäme. Diese Problematik besteht beim vorliegenden Verfahren nicht, da hier eine erste, bereits sehr verlässliche Zuordnung des Einzelfehlertyps automatisch erfolgt.
- Dadurch, dass der Klassifikator mit den angelegten Datensätzen unter Anwendung von Methoden des Data Minings, wie beispielsweise der Methode des überwachten Lernens, trainiert wird, lässt sich der Einzelfehlertyp auch äußerst zuverlässig bestimmen. Hierbei wird bei den zuvor erwähnten Methoden insbesondere durch eine Analyse der bereitgestellten Messdaten und ein Erkennen bestimmter Trends oder Muster, die vom sonstigen strukturlosen Rauschen abweichen, ein Modell erstellt, auf dessen Grundlage eine Klassifizierung später neu gemessener Einzelfehler erfolgen kann. Bei dem Klassifikator kann es sich beispielsweise um einen Algorithmus, ein Programmobjekt oder eine Funktion handeln. Das nun eine Entscheidung über Instandhaltungsmaßnahmen bezogen auf den Einzelfehler basierend auf einer zuverlässigen Klassifizierung der Messdaten des Einzelfehlers und somit auf einem zuverlässig bestimmten Einzelfehlertyp getroffen werden kann ist äußerst wichtig, da man für verschiedene Fehlertypen auch verschiedene Instandhaltungsmaßnahmen einsetzen muss. Ebenso hängt die Erstellung einer Prognose über die weitere zeitliche Entwicklung des Einzelfehlers stark von dessen Einzelfehlertyp ab.
- Erfindungsgemäß ist vorgesehen, dass das Verfahren die folgenden weiteren Schritte aufweist:
- Validieren der Korrektheit der Klassifizierung der Messdaten des Einzelfehlers; und
- wenn die Klassifizierung korrekt ist, Anlegen eines neuen Datensatzes bestehend aus der Einzelfehlermessung in Form eines Messdatenvektors sowie deren als korrekt validierten Einzelfehlertyp in der Datenbank für bekannte Einzelfehlertypen; oder
- wenn die Klassifizierung nicht korrekt ist, Anlegen eines Datensatzes in einer Datenbank für unbekannte Einzelfehlertypen.
- Dies hat den großen Vorteil, dass mögliche Irrtümer bei der Klassifizierung der Messdaten des Einzelfehlers aufgedeckt werden können. Zudem kann verhindert werden, dass Datensätze, die auf einem Irrtum beruhen, in die Datenbank für bekannte Einzelfehlertypen aufgenommen werden. Der Verfahrensschritt der Validierung kann hierbei sowohl zeitlich vor einer Entscheidung über Instandhaltungsmaßnahmen bzw. einer Einleitung von Instandhaltungsmaßnahmen als auch zeitlich danach durchgeführt werden. Besonders vorteilhaft ist es jedoch zunächst beispielsweise Baumaßnahmen einzuleiten und dann die Anwesenheit eines Bautrupps am Ort des Einzelfehlers zu nutzen, um validieren zu lassen, ob die Zuordnung des Einzelfehlertyps korrekt war. Das Risiko einer falschen Ressourcenzuweisung ist hierbei aufgrund der sehr verlässlichen Klassifizierung überschaubar. Bei einer korrekten Klassifizierung ermöglicht das Anlegen neuer Datensätze in der Datenbank für bekannte Einzelfehlertypen, dass die entsprechenden Einzelfehleroriginalmessdaten bei der Bestimmung des Einzelfehlertyps eines später gemessenen Einzelfehlers mit berücksichtigt werden können. Somit entsteht mit der Zeit ein solides "Einzelfehler->Einzelfehlertyp Repository" und das Verfahren kann auf lange Sicht hinweg kontinuierlich verbessert werden, denn mit den neuen Einzelfehleroriginalmessdaten und somit einer steigenden Quantität der Referenzmessungen wird das Training des Klassifikators stetig verbessert. Ebenso können die in der Datenbank für unbekannte Einzelfehlertypen angelegten Datensätze einer späteren weiteren Analyse unterzogen werden.
- Erfindungsgemäß ist weiter vorgesehen, dass, insbesondere nachdem ein Datensatz in der Datenbank für unbekannte Einzelfehlertypen angelegt wurde, der Versuch unternommen wird, mit Hilfe eines Clusterverfahrens neue Fehlertypen zu finden. Sobald dann ein neuer Fehlertyp gefunden ist, wird ein neuer Datensatz in der Datenbank für bekannte Einzelfehlertypen angelegt. Dies ist vorteilhaft, da hierdurch für zukünftig gemessene Einzelfehler die Anzahl der in der Datenbank für bekannte Einzelfehlertypen verfügbaren und aufgeführten Typ-Klassen erhöht wird. Somit besteht für zukünftig gemessene Einzelfehler eine erhöhte Wahrscheinlichkeit, deren jeweiligen Einzelfehlertyp auf Anhieb zu bestimmen, ohne einen Umweg über ein Clusterverfahren nehmen zu müssen. Auch ist die nachträgliche Aufnahme neuer Einzelfehlertypen sinnvoll, da davon auszugehen ist, dass mit ständiger technischer Fortentwicklung der Gleisoberbautechnik immer wieder neue, bisher unbekannte Fehlerquellen für Einzelfehler im Gleis geschaffen werden. Zweckmäßigerweise wird der neue Einzelfehlertyp vor dem Anlegen eines neuen Datensatzes jedoch noch validiert, um die Verlässlichkeit und Korrektheit des Datenbestands der Datenbank für bekannte Einzelfehlertypen zu gewährleisten. In dem Fall, dass kein neuer Fehlertyp ermittelt werden kann, verbleiben der oder die entsprechenden Datensätze zunächst in der Datenbank für unbekannte Einzelfehlertypen. Bezüglich näherer Einzelheiten zum Clusterverfahren wird auf die nachstehenden Ausführungen bezüglich der Identifizierung von Einzelfehlertypen in den Messdaten der Gleisvermessungen im Falle unbekannter Fehlerquellen verwiesen.
- Gemäß einer Ausgestaltung der Erfindung wird die Validierung der Korrektheit der Klassifizierung der Messdaten des Einzelfehlers durch eine Begutachtung des Einzelfehlers durch einen oder mehrere Experten, vorzugsweise einen Bautrupp, vor Ort durchgeführt. Dies bietet den Vorteil, dass bei einer manuellen Begutachtung des Einzelfehlers die Experten aufgrund ihrer Erfahrung, ihres Fachwissen sowie der Untersuchung des Gleises direkt vor Ort sehr schnell feststellen können, um welche Fehlerquelle es sich jeweils handelt. Über eine solche manuelle Validierung lässt sich somit in der Regel deutlich zuverlässiger als über computerimplementierte Validierungsverfahren feststellen, ob die Klassifizierung korrekt war oder nicht.
- Gemäß einer weiteren Ausgestaltung der Erfindung weist der Verfahrensschritt des Identifizierens von Einzelfehlertypen die folgenden Schritte auf:
- für bekannte Fehlerquellen, wie insbesondere gleisbauliche Elemente, Identifizieren von Einzelfehlertypen in den Messdaten der Gleisvermessungen anhand bekannter Wirkzusammenhänge und baulicher Kenntnisse der vermessenen Gleisstrecke; oder
- für unbekannte Fehlerquellen, Identifizieren von Einzelfehlertypen in den Messdaten der Gleisvermessungen durch:
- Isolieren von n Einzelfehlern mit jeweils einem Messdatenbereich ε links und rechts einer erhöhten Einzelfehleramplitude basierend auf einer Amplituden-Grenzwert-Betrachtung aus den Messdaten der gesamten vermessenen Gleisstrecke, wodurch n Einzelfehler-Messdatenvektoren entstehen;
- Definieren einer Anzahl von m Clustern;
- Anwenden von Clustering Algorithmen auf die n isolierten Einzelfehler unbekannten Einzelfehlertyps für m Cluster;
- Bestimmen der Qualität des Clustering-Resultats mit Qualitätsmaßen wie der Interklassenheterogenität und/oder der Innerklassenhomogenität;
- gegebenenfalls Erhöhen der Cluster-Anzahl m um eins und wiederholte Anwendung der Clustering Algorithmen sowie der Bestimmung der Qualität, wobei die bestimmte Qualität des Clustering-Resultats für m Cluster eine optimale Klassenanzahl k ergibt, was darauf hindeutet, dass es eine Anzahl von k verschiedenen, unbekannten Einzelfehlertypen gibt.
- Bei den bekannten Fehlerquellen handelt es sich um Einzelfehlerarten handelt, bei denen bereits ein Wirkzusammenhang bekannt ist und die oftmals auf gleisbauliche Elemente zurückzuführen sind. Zu den im Gleis vorkommenden Einzelfehlern gehören unter anderem gleisbauliche Elemente wie Weichenherzstücke oder Schienenstöße, die Messdaten produzieren, die nach geltender Norm Fehler sind (wenn die Amplitude groß genug wird). Von diesen Elementen ist die Position jeweils bekannt. Somit können Referenzkurven dieser Stellen leicht ermittelt werden, sollten sie schadhaft im Sinne der Amplitudenbetrachtung sein, indem die Position eines in den Messdaten identifizierten Einzelfehlers mit der projektierten Position eines dieser Bauteile übereinstimmt. Ist dies der Fall, liegt ein Messdatensatz eines schadhaften gleisbaulichen Elements vor. Ähnliches gilt für Streckenabschnitte an Übergangszonen. Da die Ursache für diesen Einzelfehlertyp im Wechsel der Steifigkeit des Untergrundes liegt, findet man diesen in der Regel - aber nicht ausschließlich - unmittelbar vor oder hinter ingenieursbaulichen Elementen (wie Tunnel, Brücken, etc.) entlang der Gleisstrecke. Da Wechsel in der Bettungssteifigkeit ebenfalls aus der Streckenprojektierung heraus bekannt sind, ist die Identifikation dieser Einzelfehler sowie das Ermitteln der typischen Referenzkurven analog zu den gleisbaulichen Elementen durchzuführen.
- Hinsichtlich der unbekannten Fehlerquellen ist zu erwähnen, dass alle noch nicht beschriebenen Einzelfehlertypen nun weiter anhand eines Clusterverfahrens zu identifizieren sind. Hierbei geht man beispielsweise folgendermaßen vor. Zunächst isoliert man aus den Messdatensätzen einer gesamten Gleisstrecke alle diejenigen Messdaten, die im Sinne der Amplitudenbetrachtung schafhaft sind mit einem gewissen Epsilon von z.B. 15 Metern links und rechts der erhöhten Amplitude. Es entstehen n-viele Vektoren, die jeweils einen Fehler im Sinne der Amplituden-Grenzwert-Betrachtung darstellen. Dann definiert man m-viele Cluster (z.B. zwei) und verwendet Clustering-Algorithmen wie beispielsweise den K-means-Algorithmus oder selbstorganisierende Karten. Anschließend misst man die Güte des Resultats aus dem vorherigen Clusterverfahren mit Qualitätsmaßen der Clusteranalyse wie beispielsweise der Interklassenheterogenität oder der Innerklassenhomogenität. Dann erhöht man m um eins und wiederholt den Vorgang. Die zuvor ermittelte Qualität der Clusterung für m-viele Cluster ergibt nun eine optimale Anzahl an Klassen. Diese identifizierte optimale Anzahl an Klassen k deutet nun darauf hin, dass es offensichtlich noch k-viele verschiedene nicht klassifizierte Einzelfehlertypen gibt. Somit lassen sich auch für zunächst unbekannte Einzelfehler bestimmte Einzelfehlertypen bestimmen. Vorteilhaft ist es, wenn dies durch Begutachtung von Experten vor Ort verifiziert wird. Wenn sich dann herausstellt, dass diese Einzelfehler im Feld tatsächlich eine eigene Klasse darstellen, sind diese in die Liste der Fehlertypen aufzunehmen und es kann mit der Ermittlung der entsprechenden Referenzmessungen fortgefahren werden.
- Gemäß einer weiteren Ausgestaltung der Erfindung weist der Verfahrensschritt des Ermittelns einer Referenzmessung für einen Einzelfehlertyp den folgenden Schritt auf:
- Isolieren der Referenzmessung, bei bekannter Position einer Fehlerquelle, wie einem gleisbaulichen Element, aus vorhandenen Messdaten der vermessenen Gleisstrecke an der bekannten Position mit einem Messdatenbereich ε links und rechts der bekannten Position.
- Wurden zuvor verschiedene Einzelfehlertypen identifiziert, so können von Elementen, bei denen die Position bekannt ist, die benötigten Referenzmessungen anhand der Position aus vorhandenen Messungen der vertikalen Gleisabweichung entlang der Gleisstrecke ausgeschnitten werden. Beispielsweise können anhand des Weichenverzeichnisses die Positionen der Weichenherzstücke ausgelesen werden. Isoliert man nun die Messwerte an diesen Positionen mit einem Epsilon von z.B. 15 Metern rechts und links des Weichenherzstücks bekommt man sehr komfortabel und unkompliziert Referenzmessungen für Weichenherzstücke. Die Wahl eines jeweils geeigneten Epsilons ist hierbei vorteilhaft, da man so sicherstellen kann, dass man einen maximalen Informationsgehalt der Einzelfehlerkurve wählt und abspeichert. Gleichermaßen kann man bei allen anderen gleisbaulichen Elementen (z.B. Tunneleinfahrten und Tunnelausfahrten) vorgehen. Bei allen anderen Fehlern werden diese zunächst nach bekannter Amplituden-Vergleichs-Methode identifiziert und deren Messwerte mit einem Epsilon von ebenfalls z.B. 15 Metern links und rechts der erhöhten Amplitude aus dem Gesamtdatensatz ausgeschnitten. Die Referenzmessung bzw. die Messdatencharakteristik dieses Einzelfehlers liegt nun vor, jedoch ist sein Typ noch nicht bestätigt. Dies kann beispielsweise durch fachkundiges Personal vor Ort geschehen, damit dieser Referenzkurve eindeutig ein Typ zugewiesen werden kann. Stellt sich bei der Begutachtung des Einzelfehlers beispielsweise heraus, dass der Einzelfehler aufgrund einer Ausspülung im Schotterbett durch Regen verursacht ist, könnte der nun bekannte Fehlertyp mit "Ausspülung durch Regen" bezeichnet werden.
- Eine weitere Ausgestaltung der Erfindung ist, dass es sich bei den Messungen um Messungen der vertikalen Auslenkung der Gleise von ihrer Soll-Lage in Abhängigkeit von den Streckenkilometern, vorzugsweise unter Belastung der Gleise durch ein darauf fahrendes Messfahrzeug, und bei dem Einzelfehler um entsprechende vertikale Einzelfehler handelt. Wie bereits vorstehend erwähnt sind die möglichen Fehlerbilder im Gleisoberbau mannigfaltig. Von diesen mannigfaltigen Fehlerbildern treten vertikale Einzelfehler jedoch besonders häufig auf und haben aufgrund ihrer physikalischen Ausrichtung einen besonders spürbaren Einfluss auf die Fahrzeugreaktion eines Schienenfahrzeugs und somit auf den Fahrkomfort und die Fahrsicherheit.
- Gemäß einer weiteren Ausgestaltung der Erfindung werden zum Trainieren des Klassifikators und/oder zur Klassifizierung der Messdaten des Einzelfehlers Methoden des Data-Minings, Methoden der Multivariaten Datenanalyse, Methoden der Klassifikation und des überwachten, sowie unüberwachten Lernens, wie Entscheidungsbäume, Neuronale Netze, Support Vector Machines, Genetische Algorithmen, sowie k-Nächste-Nachbarn, kNN, -Algorithmen angewendet. Hierbei ist es besonders vorteilhaft, dass die zuvor erwähnten Verfahren ermöglichen, dass der Klassifikator mit jeder neuen Referenzmessung besser trainiert wird und sich somit auch die Qualität der Resultate der vom Klassifikator durchgeführten Klassifizierung mit der Zeit stetig verbessert. Die zuvor erwähnten Verfahren sind allerdings nur als Beispiele zu sehen.
- Eine weitere Ausgestaltung der Erfindung ist, dass im Rahmen der Klassifizierung der Messdaten des Einzelfehlers Regressionsverfahren und/oder Korrelationsverfahren zur Beurteilung des Ähnlichkeitsgrads oder der Übereinstimmung zwischen der zu klassifizierenden Messkurve des Einzelfehlers und den Kurven der Referenzmessungen angewendet werden. Je nach Ordnung des jeweiligen Regressionsverfahrens lässt sich eine sehr gute funktionale Beschreibung der Messdaten des Einzelfehlers erzielen. Bezieht man das Resultat des Regressionsverfahrens in die weitere Beurteilung des Einzelfehlers mit ein, so kann man von einer umfangreichen Berücksichtigung der Einzelfehlerform sprechen. Besonders vorteilhaft ist auch die Anwendung von Korrelationsverfahren, da diese ermöglichen den Zusammenhang zwischen der zu klassifizierenden Messkurve und den Referenzmesskurven zu beleuchten.
- Eine weitere Ausgestaltung der Erfindung ist, dass im Rahmen der Klassifizierung der Messdaten des Einzelfehlers ein oder mehrere Merkmale der Messkurve des Einzelfehlers, wie Amplituden, Frequenzen, Steigungen, Integrale, oder die gesamte Form der Messkurve des Einzelfehlers berücksichtigt wird. Generell lässt sich mit einer zunehmenden Anzahl berücksichtigter Merkmale die Wahrscheinlichkeit für eine korrekte Klassifizierung des Einzelfehlers erhöhen. Besonders vorteilhaft ist daher ein möglichst ganzheitlicher Vergleich der Messkurve des Einzelfehlers mit den jeweiligen Referenzmesskurven. Welche Merkmale konkret in welchem Umfang berücksichtigt werden hängt allerdings auch stark vom jeweils verwendeten Algorithmus ab.
- Gemäß einer weiteren Ausgestaltung der Erfindung weist der Verfahrensschritt des Entscheidens über Instandhaltungsmaßnahmen die folgenden Schritte auf:
- Entscheiden über notwendige Ressourcen, insbesondere Personal-, Werkzeug-, Maschinen-, und Zeitressourcen, zur zielgerichteten Beseitigung des Einzelfehlertyps;
- Entscheiden über notwendige Sicherungsmaßnahmen einer einzurichtenden Baustelle im Hinblick auf den zu beseitigenden Fehlertyp; und/oder
- Treffen einer fehlertypspezifischen Prognose des voraussichtlichen Degradationsverhaltens des Einzelfehlers.
- Da die Entscheidung über Instandhaltungsmaßnahmen bezogen auf den jeweils zu beseitigenden Einzelfehler auf Basis der erfolgten Klassifizierung des zu beseitigenden Einzelfehlers und somit auch frühzeitig auf Basis einer verfügbaren Information über den genauen Einzelfehlertyp getroffen werden kann, lassen sich bereits im Vorfeld möglicher Baumaßnahmen die notwendigen Ressourcen allokieren. Hierbei ist entscheidend, dass jeder Einzelfehlertyp anders instandgehalten werden muss. Bei Hohllagen muss beispielsweise der Schotter gestopft werden, wozu eine Handstopfmaschine oder gar ein Stopfzug notwendig ist, der den liegenden Schotter wieder verdichtet. Bei Herzstückeinzelfehlern wird der Stahl in die passende Form geschliffen, wozu entsprechende Schleifmaschinen benötigt werden. Ferner müssen bei Arbeiten an Weichen speziell ausgebildete Experten wie Weichenmechaniker oder Weichenmeister anwesend sein. Da also für jeden Einzelfehlertyp andere Ressourcen (technische sowie Personal- oder Zeitressourcen) benötigt werden, ist es besonders vorteilhaft, dass bei dem vorliegenden Verfahren durch frühzeitige Kenntnis des Einzelfehlertyps bereits im Vorfeld einer Baumaßnahme die richtigen Entscheidungen über die notwendigen Ressourcen und die zugehörigen Sicherungsmaßnahmen getroffen werden können. Eine zeitverzögerte Entscheidung über die notwendigen Ressourcen erst nach einer manuellen Begutachtung und in Augenscheinnahme der Einzelfehlerstelle entfällt hier somit.
- Die Information über den zu erwartenden Einzelfehlertyp erlaubt weiterhin eine bessere Einplanung von Streckensperrungen, wodurch ein Verfügbarkeitsverlust der Strecke gering gehalten werden kann. Dies ist insbesondere der Fall, weil bekannt ist, wie lange eine Instandsetzung eines Einzelfehlers eines bestimmen Typs dauert. Im Zusammenhang mit dem Erfordernis von Streckensperrungen ist insbesondere zu berücksichtigen, dass Bautrupps im Gleis aufgrund der Arbeitssicherheit betrieblich gesichert werden müssen. Dies bedeutet, dass bei einer Instandhaltungsmaßnahme, je nach Größe des Vorgangs, Nachbargleise gesperrt beziehungsweise Langsamfahrstellen eingerichtet werden müssen. Werden nun aufgrund der Unkenntnis des genauen Einzelfehlertyps zu große Maschinen beordert, können die entsprechenden Sicherungsmaßnahmen auch zu groß ausfallen, was zu Verfügbarkeitsverlusten und der Erzeugung von Verspätungsminuten führt. All diese Probleme treten beim vorliegenden Verfahren nicht auf.
- Ein weiterer Vorteil ist, dass man sich durch Kenntnis des Einzelfehlertyps und die dadurch mögliche, fehlertypspezifische Prognose des voraussichtlichen Degradationsverhaltens des Einzelfehlers nicht mehr wie bisher auf ein lineares Regressionsmodell bei der Prognose beschränken muss. Auf einen solchen linearen Zusammenhang ist man bisher häufig gekommen, indem man sich lediglich den Verlauf der Amplituden desselben Einzelfehlers an wenigen aufeinanderfolgenden Tagen angesehen hat. Dies war bisher auch sehr ungenau, da sich verschiedene Einzelfehlertypen auch in ihrem Degradationsverhalten unterscheiden können. Denn ein defekter Schienenstoß kann sich mit der Zeit auch logarithmisch entwickeln, da er mit der Zeit von den Zügen abgefahren wird. Eine Hohllage dagegen wird immer schlimmer und zerstört die benachbarte Schotterung bei Betriebsbelastung, wobei sich dieser Einzelfehler auch exponentiell verhalten kann. Solche fehlertypspezifischen Prognosen der Entwicklung von Einzelfehlern bieten also den Vorteil, dass beispielsweise bei zwei unterschiedlichen Einzelfehlertypen die Entscheidung getroffen werden kann, trotz gleicher Einzelfehleramplitude der beiden Einzelfehler, eine Beseitigung des einen Einzelfehlertyps aufgrund seiner voraussichtlichen Entwicklung gegenüber einer Beseitigung des anderen Einzelfehlertyps vorzuziehen. Eine solche Einschätzung, wie lange die Beseitigung eines Einzelfehlers noch hinausgezögert werden kann ist insbesondere im Hinblick auf eine Minimierung der Fahrplanausfälle und im Hinblick auf das jährliche Finanzbudget der Bahnunternehmen von Vorteil.
- Vorteilhafterweise kann die Entscheidung über Instandhaltungsmaßnahmen auch Überlegungen und Entscheidungen mit Blick auf den Fahrkomfort und die Fahrgastsicherheit beinhalten. Das vorliegende Verfahren ermöglicht es auch, dass ein Instandhaltungsmanager frühzeitig über den genauen Einzelfehlertyp informiert wird. Instandhaltungsmanager müssen auf gewissen Informationen basierende Entscheidungen treffen, etwa wann, wo und wie eine Gleisstrecke erneuert oder instandgehalten wird. Durch das vorliegenden Verfahren wir das zur Verfügung stehende Informationsangebot erweitert und die Entscheidungsfindung des Instandhaltungsmanagers optimiert. So kann der Instandhaltungsmanager beispielsweise die Bausicherung frühzeitig optimal dimensionieren. Daraus resultieren große positive Effekte in Bezug auf Kostenersparnisse während des Instandhaltungsprozesses.
- Die Aufgabe der vorliegenden Erfindung ist nicht nur durch das vorstehend beschriebene Verfahren, sondern ferner auch durch eine in diesem Zusammenhang eingesetzte Datenbank gelöst. Die erfindungsgemäße Datenbank zur Optimierung der Gleisoberbauinstandhaltung umfasst Datensätze, die jeweils aus Referenzfehlermesswerten eines Einzelfehlers, der im Gleis vorkommt und bei Gleisvermessungen hervortritt, in Form eines Messdatenvektors sowie einem zugeordneten Einzelfehlertyp bestehen, wobei mit den Datensätzen ein Klassifikator trainiert wird, um später anhand der Datensätze neue Messdaten eines Einzelfehlers zu klassifizieren und wobei zumindest teilweise basierend auf dieser Klassifizierung über Instandhaltungsmaßnahmen bezogen auf den Einzelfehler entschieden wird. Bezüglich der Vorteile und weiteren Ausgestaltungen einer solchen Datenbank wird auf die vorstehenden Ausführungen in Rahmen der Beschreibung des Verfahrens verwiesen. Insbesondere soll aber erwähnt sein, dass der systematische Aufbau der Datenbank mit Referenzfehlermesswerten und zugeordnetem Einzelfehlertyp zusammen mit einer Möglichkeit die Datenbank durch Hinzufügen neuer Datensätze ständig zu erweitern eine kontinuierliche Verbesserung des Trainings des Klassifikators und somit eine immer zuverlässigere Bestimmung von Einzelfehlertypen ermöglicht. Dies hängt mit der steigenden Quantität der Originalmessdaten von Referenzmessungen zusammen, die bei den Trainings- und Klassifizierungsverfahren berücksichtigt werden. Es sei noch erwähnt, dass es sich bei der Datenbank um eine Datenbank für bekannte Einzelfehlertypen handelt. Eine entsprechende Datenbank für unbekannte Einzelfehlertypen weist ähnliche Datensätze mit Referenzfehlermesswerten in Form eines Messdatenvektors auf, dessen Einzelfehlertyp allerdings zunächst unbestimmt bleibt.
- Mittels dem oben beschriebenen Verfahren wird also erstmalig ein Verfahren zur Optimierung der Gleisoberbauinstandhaltung bereitgestellt, bei dem für jeden neu gemessenen Einzelfehler der Einzelfehlertyp anhand bereits vorhandener Einzelfehleroriginalmessdaten bestimmt werden kann. Des Weiteren wird erstmalig eine in diesem Zusammenhang einsetzbare Datenbank bereitgestellt.
- In den nachfolgenden Zeichnungen ist die vorliegende Erfindung anhand schematisch dargestellter Ausführungsbeispiele näher veranschaulicht. Darin zeigen
- Figur 1
- ein beispielhaftes Messergebnis der vertikalen Gleisauslenkung entlang einer vermessenen Gleisstrecke;
- Figur 2
- eine beispielhafte Auflistung von möglichen Datensätzen in einer Datenbank für bekannte Einzelfehlertypen;
- Figur 3
- ein erstes Ausführungsbeispiel des erfindungsgemäßen Verfahrens;
- Figur 4
- ein zweites Ausführungsbeispiel des erfindungsgemäßen Verfahrens; und
- Figur 5
- eine schematische Übersicht der Ausführungsbeispiele aus den
Figuren 3 und4 mit weiteren Aspekten des erfindungsgemäßen Verfahrens. - Die
Figur 1 zeigt ein beispielhaftes Messergebnis der vertikalen Gleisauslenkung in mm entlang einer vermessenen Gleisstrecke, d.h. in Abhängigkeit von den abgefahrenen Streckenkilometern der Gleisstrecke. Betrachtet man den Verlauf der Messkurve, findet man einige deutliche Erhöhungen und Absenkungen der vertikalen Gleisauslenkung auf. Für eine Vielzahl dieser Erhöhungen und Absenkungen ist ein Wirkzusammenhang, also der jeweilige Typ, die jeweilige Ursache oder die jeweilige Fehlerquelle, bekannt. Von links aus betrachtet tritt die erste Erhöhung W aufgrund einer bekannten Position eines Weichenherzstücks, die zweite Erhöhung B und die erste Absenkung T aufgrund der bekannten Positionen von Tunnelein- und ausfahrten sowie die beiden letzten Erhöhungen Ü (bzw. Kombinationen aus einer Erhöhung und einer Absenkung) aufgrund einer bekannten Position eines Bahnübergangs auf. Nach der Amplitudenbetrachtung sind insbesondere die Erhöhungen oder Absenkungen per Definition als Einzelfehler anzusehen, die den jeweils geltenden Grenzwert G überschreiten. Bei dem beispielhaften Messergebnis derFigur 1 liegt der Amplitudengrenzwert G bei ± 11 mm. Die Messdaten dieser Einzelfehler müssen nun ausgeschnitten werden, um näher untersucht zu werden. Auffällig ist hierbei vor allem die dritte Erhöhung Z von links aus betrachtet, da es sich hierbei um einen Einzelfehler auf freier Strecke mit unbekanntem Einzelfehlertyp handelt. Da seine Ursache nicht bekannt ist, muss entsprechend eine Begutachtung vorgenommen werden. - Die
Figur 2 zeigt eine beispielhafte Auflistung von möglichen Datensätzen in einer Datenbank für bekannte Einzelfehlertypen. In der linken Spalte, dem ersten Feld, sind die Datenpunkte der Einzelfehler als Vektoren unterschiedlicher Länge abgespeichert. In der mittleren Spalte, dem zweiten Feld, sind die Einzelfehlertypen abgespeichert, wohingegen in der rechten Spalte die Datensätze der Übersichtlichkeit halber durchnummeriert sind. Die hier aufgeführten Einzelfehlertypen (Tunnel, Bahnübergang, Weichenherzstück) sind rein beispielhaft. - Die
Figur 3 zeigt ein erstes Ausführungsbeispiel des erfindungsgemäßen Verfahrens. Hier wird davon ausgegangen, dass bereits eine Initialisierungsphase stattgefunden hat und somit bereits eine Datenbank für bekannte Einzelfehlertypen vorhanden ist. Das Verfahren beginnt mit der Identifikation eines Einzelfehlertyps durch eine klassische Amplitudenbetrachtung (Schritt 1.). Hierbei wird lediglich auf die Überschreitung eines bestimmten Amplitudengrenzwerts durch eine Erhöhung in der Messkurve der vertikalen Gleisablenkung abgestellt. Im nächsten Schritt (Schritt 2.) wird der für den Einzelfehler maßgebliche Messbereich aus der Gesamtmessung extrahiert. Danach wird der extrahierte Messbereich des Einzelfehlers anhand der Datensätze in der Datenbank klassifiziert (Schritt 3.). In diesem Ausführungsbeispiel handelt es sich laut Klassifizierung um den Einzelfehlertyp B. Im nächsten Schritt erfolgt eine Validierung der Korrektheit der Klassifizierung (Schritt 4.). Da in diesem Ausführungsbeispiel die Klassifizierung als korrekt validiert wurde, wird im letzten Schritt (Schritt 5.) ein entsprechender neuer Datensatz in der Datenbank für bekannte Einzelfehlertypen angelegt. - Die
Figur 4 zeigt ein zweites Ausführungsbeispiel des erfindungsgemäßen Verfahrens. Hier wird ebenfalls davon ausgegangen, dass bereits eine Initialisierungsphase stattgefunden hat und somit bereits eine Datenbank 1 für bekannte Einzelfehlertypen vorhanden ist. Das Verfahren beginnt mit einer Messfahrt (siehe Schritt I.), in der Gleisauslenkungen entlang der Messstrecke erfasst werden. Anschließend werden Einzelfehler aus der Gesamtmessung (siehe Schritt II.). In einem nächsten Schritt werden die Messdaten der Einzelfehler anhand der Datensätze in der Datenbank 1 klassifiziert (siehe Schritt III.). Anschließend wird die Korrektheit der Klassifizierung validiert (siehe Schritt IV.). Wenn die Klassifizierung als korrekt validiert wird, wird ein neuer Datensatz beziehungsweise werden neue Datensätze in der Datenbank 1 angelegt (siehe Schritt V.). Wenn die Klassifizierung allerdings nicht als korrekt validiert wird, kommt es zu einem Clusterverfahren (Schritt VI.), um neue Einzelfehlertypen zu identifizieren. In dem Diagramm repräsentiert jedes x einen umklassifizierten Einzelfehler n einem n-dimensionalen Merkmalsraum. Hierbei wird zunächst eine Anzahl von Clustern definiert und dann ein Cluster-Algorithmus auf die unklassifizierten Einzelfehler für die definierte Clusteranzahl angewendet (siehe Schritt VI.1.). Abschließend wird die Qualität des Resultats des angewendeten Cluster-Algorithmus mit Qualitätsmaßen wie der Innerklassenhomogenität und der Interklassenheterogenität bestimmt (siehe Schritt VI.2.). Die bestimmte Qualität ergibt nun eine optimale Anzahl von 3 Klassen, was wiederum darauf hindeutet, dass 3 noch unbekannte Einzelfehlertypen existieren (siehe Schritt VI.3.). In einem letzten Schritt wird die neue Fehlerart im Feld validiert bevor sie in die Datenbank 1 aufgenommen wird (siehe Schritt VI.4.). - Die
Figur 5 zeigt eine schematische Übersicht der Ausführungsbeispiele aus denFiguren 3 und4 mit weiteren Aspekten des erfindungsgemäßen Verfahrens. Die schematische Übersicht beginnt mit einer Initialisierungsphase 501 innerhalb der Einzelfehlertypen identifiziert und entsprechende Referenzmessungen ermittelt werden. Einen Abschluss der Initialisierungsphase bildet das Anlegen von Datensätzen in einer Datenbank 502 mit Referenzmessdaten für Einzelfehler deren Typ bekannt ist. Die Identifikation von Einzelfehlern und die Extraktion von Messwerten der Einzelfehler aus einem Gesamtmessdatensatz eines Messzuges (siehe 503, 504) wurde bereits in den Figuren 3 und 4 näher beschrieben. Wie ebenfalls im Zusammenhang mit denFiguren 3 und4 näher beschrieben, klassifiziert ein Klassifikator 505 die Messdaten jedes Einzelfehlers anhand der Datensätze in der Datenbank 502. Auf Basis dieser Klassifizierung wird dann eine optimale Instandsetzung des Einzelfehlers eingeleitet (siehe 506). Anschließend wird die Korrektheit der Klassifizierung validiert (siehe 507). Wenn die Klassifizierung korrekt ist wird ein weiterer Referenzdatensatz zur Datenbank 502 hinzugefügt (siehe 508), um die Klassifikation für die Zukunft weiter verbessern zu können. Wenn die Klassifizierung inkorrekt war wird ebenfalls ein Referenzdatensatz hinzugefügt (siehe 509), allerdings zu einer Datenbank 510 mit Referenzmessdaten für Einzelfehler, deren Typ nicht bekannt ist. In einem nächsten Schritt wird der Versuch unternommen mit Hilfe eines Clusterverfahrens, welches im Zusammenhang mit derFigur 4 näher beschrieben ist, neue Fehlertypen zu finden (siehe 511). Nach einer Validierung, ob tatsächlich ein neuer Fehlertyp gefunden wurde, (siehe 512) wird ein entsprechender Einzelfehler entweder zur Datenbank 502 mit Referenzmessdaten für Einzelfehler, deren Typ bekannt ist, hinzugefügt (siehe 513), oder er verbleibt weiterhin in der Datenbank 510 mit Referenzmessdaten für Einzelfehler, deren Typ nicht bekannt ist (siehe 514).
Claims (12)
- Verfahren zur Optimierung der Gleisoberbauinstandhaltung, die Schritte aufweisend:Identifizieren (501) von im Gleis vorkommenden und bei Gleisvermessungen hervortretenden Einzelfehlertypen;Ermitteln (501) von Referenzmessungen für jeden dieser Einzelfehlertypen;Anlegen (501) von Datensätzen bestehend aus jeweils einer Referenzmessung in Form eines Messdatenvektors sowie deren zugeordneter Einzelfehlertyp in einer Datenbank (1, 502) für bekannte Einzelfehlertypen;Trainieren eines Klassifikators (505) mit den angelegten Datensätzen; Klassifizieren von neuen Messdaten (503, 504) eines Einzelfehlers anhand der angelegten Datensätze durch den Klassifikator (505); und Entscheiden (506) über Instandhaltungsmaßnahmen bezogen auf den Einzelfehler zumindest teilweise basierend auf der Klassifizierung der Messdaten (503, 504) des Einzelfehlers.
- Verfahren nach Anspruch 1, weiter die Schritte aufweisend:Validieren (507) der Korrektheit der Klassifizierung der Messdaten (503, 504) des Einzelfehlers; undwenn die Klassifizierung korrekt ist, Anlegen (508) eines neuen Datensatzes bestehend aus der Einzelfehlermessung in Form eines Messdatenvektors sowie deren als korrekt validierten Einzelfehlertyp in der Datenbank (1, 502) für bekannte Einzelfehlertypen; oderwenn die Klassifizierung nicht korrekt ist, Anlegen (509) eines Datensatzes in einer Datenbank (510) für unbekannte Einzelfehlertypen.
- Verfahren nach Anspruch 2, dadurch gekennzeichnet, dass nach dem Anlegen (509) eines Datensatzes in der Datenbank (510) für unbekannte Einzelfehlertypen der Versuch (511) unternommen wird mit Hilfe eines Clusterverfahrens neue Fehlertypen zu finden und, sobald ein neuer Fehlertyp gefunden ist, ein neuer Datensatz in der Datenbank (1, 502) für bekannte Einzelfehlertypen angelegt (513) wird.
- Verfahren nach einem der Ansprüche 2 oder 3, dadurch gekennzeichnet, dass die Validierung (507) der Korrektheit der Klassifizierung der Messdaten (503, 504) des Einzelfehlers durch eine Begutachtung des Einzelfehlers durch einen oder mehrere Experten, vorzugsweise einen Bautrupp, vor Ort durchgeführt wird.
- Verfahren nach einem der vorherigen Ansprüche, dadurch gekennzeichnet, dass das Identifizieren (501) von Einzelfehlertypen die Schritte aufweist:für bekannte Fehlerquellen, wie insbesondere gleisbauliche Elemente, Identifizieren von Einzelfehlertypen in den Messdaten der Gleisvermessungen anhand bekannter Wirkzusammenhänge und baulicher Kenntnisse der vermessenen Gleisstrecke; oderfür unbekannte Fehlerquellen, Identifizieren von Einzelfehlertypen in den Messdaten der Gleisvermessungen durch:Isolieren von n Einzelfehlern mit jeweils einem Messdatenbereich ε links und rechts einer erhöhten Einzelfehleramplitude basierend auf einer Amplituden-Grenzwert-Betrachtung aus den Messdaten der gesamten vermessenen Gleisstrecke, wodurch n Einzelfehler-Messdatenvektoren entstehen;Definieren einer Anzahl von m Clustern;Anwenden von Clustering Algorithmen auf die n isolierten Einzelfehler unbekannten Einzelfehlertyps für m Cluster;Bestimmen der Qualität des Clustering-Resultats mit Qualitätsmaßen wie der Interklassenheterogenität und/oder der Innerklassenhomogenität;gegebenenfalls Erhöhen der Cluster-Anzahl m um eins und wiederholte Anwendung der Clustering Algorithmen sowie der Bestimmung der Qualität, wobei die bestimmte Qualität des Clustering-Resultats für m Cluster eine optimale Klassenanzahl k ergibt, was darauf hindeutet,dass es eine Anzahl von k verschiedenen, unbekannten Einzelfehlertypen gibt.
- Verfahren nach einem der vorherigen Ansprüche, dadurch gekennzeichnet, dass das Ermitteln (501) einer Referenzmessung für einen Einzelfehlertyp den Schritt aufweist:Isolieren der Referenzmessung, bei bekannter Position einer Fehlerquelle, wie einem gleisbaulichen Element, aus vorhandenen Messdaten der vermessenen Gleisstrecke an der bekannten Position mit einem Messdatenbereich ε links und rechts der bekannten Position.
- Verfahren nach einem der vorherigen Ansprüche, dadurch gekennzeichnet, dass es sich bei den Messungen um Messungen der vertikalen Auslenkung der Gleise von ihrer Soll-Lage in Abhängigkeit von den Streckenkilometern, vorzugsweise unter Belastung der Gleise durch ein darauf fahrendes Messfahrzeug, und bei dem Einzelfehler um entsprechende vertikale Einzelfehler handelt.
- Verfahren nach einem der vorherigen Ansprüche, dadurch gekennzeichnet, dass zum Trainieren des Klassifikators (505) und/oder zur Klassifizierung der Messdaten (503, 504) des Einzelfehlers Methoden des Data-Minings, Methoden der Multivariaten Datenanalyse, Methoden der Klassifikation und des überwachten, sowie unüberwachten Lernens, wie Entscheidungsbäume, Neuronale Netze, Support Vector Machines, Genetische Algorithmen, sowie k-Nächste-Nachbarn, kNN, -Algorithmen angewendet werden.
- Verfahren nach einem der vorherigen Ansprüche, dadurch gekennzeichnet, dass im Rahmen der Klassifizierung der Messdaten (503, 504) des Einzelfehlers Regressionsverfahren und/oder Korrelationsverfahren zur Beurteilung des Ähnlichkeitsgrads oder der Übereinstimmung zwischen der zu klassifizierenden Messkurve des Einzelfehlers und den Kurven der Referenzmessungen angewendet werden.
- Verfahren nach einem der vorherigen Ansprüche, dadurch gekennzeichnet, dass im Rahmen der Klassifizierung der Messdaten (503, 504) des Einzelfehlers ein oder mehrere Merkmale der Messkurve des Einzelfehlers, wie Amplituden, Frequenzen, Steigungen, Integrale, oder die gesamte Form der Messkurve des Einzelfehlers berücksichtigt wird.
- Verfahren nach einem der vorherigen Ansprüche, dadurch gekennzeichnet, dass Entscheiden (506) über Instandhaltungsmaßnahmen die Schritte aufweist:Entscheiden über notwendige Ressourcen, insbesondere Personal-, Werkzeug-, Maschinen-, und Zeitressourcen, zur zielgerichteten Beseitigung des Einzelfehlertyps;Entscheiden über notwendige Sicherungsmaßnahmen einer einzurichtenden Baustelle im Hinblick auf den zu beseitigenden Fehlertyp; und/oderTreffen einer fehlertypspezifischen Prognose des voraussichtlichen Degradationsverhaltens des Einzelfehlers.
- Datenbank (1, 502) zur Optimierung der Gleisoberbauinstandhaltung mit Datensätzen jeweils bestehend aus Referenzfehlermesswerten eines Einzelfehlers, der im Gleis vorkommt und bei Gleisvermessungen hervortritt, in Form eines Messdatenvektors sowie einem zugeordneten Einzelfehlertyp, wobei mit den Datensätzen ein Klassifikator (505) trainiert wird, um später anhand der Datensätze neue Messdaten (503, 504) eines Einzelfehlers zu klassifizieren und wobei zumindest teilweise basierend auf dieser Klassifizierung über Instandhaltungsmaßnahmen bezogen auf den Einzelfehler entschieden wird (506).
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102014119095.5A DE102014119095A1 (de) | 2014-12-18 | 2014-12-18 | Verfahren und Einrichtung zur Optimierung der Gleisoberbauinstandhaltung durch Einzelfehlerklassifikation |
Publications (2)
Publication Number | Publication Date |
---|---|
EP3053804A2 true EP3053804A2 (de) | 2016-08-10 |
EP3053804A3 EP3053804A3 (de) | 2016-10-05 |
Family
ID=54292615
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
EP15188610.8A Withdrawn EP3053804A3 (de) | 2014-12-18 | 2015-10-06 | Verfahren und einrichtung zur optimierung der gleisoberbauinstandhaltung durch einzelfehlerklassifikation |
Country Status (2)
Country | Link |
---|---|
EP (1) | EP3053804A3 (de) |
DE (1) | DE102014119095A1 (de) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3333043B1 (de) * | 2016-12-08 | 2021-04-28 | Siemens Rail Automation S.A.U. | Schieneninspektionssystem und -verfahren |
FR3084046B1 (fr) * | 2018-07-17 | 2022-04-22 | Alstom Transp Tech | Procede de surveillance de l'etat d'une ligne aerienne de contact et dispositif programme associe |
DE102018219256A1 (de) * | 2018-11-12 | 2020-05-14 | Siemens Mobility GmbH | Ermitteln einer Degradation einer bestimmten Gleiskomponente |
DE102020118670A1 (de) | 2020-07-15 | 2022-01-20 | Deutsche Bahn Aktiengesellschaft | Beobachtungsverfahren |
DE102021202643A1 (de) | 2021-03-18 | 2022-03-17 | Zf Friedrichshafen Ag | Verfahren zur Zustandsüberwachung einer Gleisanlage und/oder einer Schienenfahrzeugkomponente und Zustandsüberwachungssystem |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1271364A2 (de) | 2001-06-20 | 2003-01-02 | Erdmann-Softwaregesellschaft mbH | Verfahren zur Simulation des Zustandes von Transportwegen |
KR20110134547A (ko) | 2010-06-09 | 2011-12-15 | 한국철도기술연구원 | 가속도계를 이용한 궤도 틀림 검측 시스템 및 검측 방법 |
DE102011101226A1 (de) | 2011-05-11 | 2012-11-15 | Deutsche Bahn Ag | Verfahren zur Beschreibung von Gleislageabweichungen |
EP1977950B1 (de) | 2007-04-03 | 2013-04-10 | DB Netz Aktiengesellschaft | Verfahren zur wirkungsbezogenen Beurteilung der Lagequalität eines Gleises |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19837476A1 (de) * | 1998-08-11 | 2000-02-17 | Siemens Ag | Verfahren zum vorbeugenden Überwachen des Fahrverhaltens von Schienenfahrzeugen |
US20050279240A1 (en) * | 2004-06-22 | 2005-12-22 | Pedanekar Niranjan R | Enhanced method and apparatus for deducing a correct rail weight for use in rail wear analysis of worn railroad rails |
DE102004045457B4 (de) * | 2004-09-20 | 2009-04-23 | Deutsche Bahn Ag | Verfahren zur Diagnose und zum Zustandsmonitoring von Weichen, Kreuzungen oder Kreuzungsweichen sowie Schienenstößen durch ein Schienenfahrzeug |
DE102007016711A1 (de) * | 2007-04-04 | 2008-10-09 | Bombardier Transportation Gmbh | Erkennung von die Sicherheit der Passagiere beeinträchtigenden Zuständen bei einem Schienenfahrzeug |
US9561810B2 (en) * | 2013-01-11 | 2017-02-07 | International Business Machines Corporation | Large-scale multi-detector predictive modeling |
-
2014
- 2014-12-18 DE DE102014119095.5A patent/DE102014119095A1/de not_active Withdrawn
-
2015
- 2015-10-06 EP EP15188610.8A patent/EP3053804A3/de not_active Withdrawn
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1271364A2 (de) | 2001-06-20 | 2003-01-02 | Erdmann-Softwaregesellschaft mbH | Verfahren zur Simulation des Zustandes von Transportwegen |
EP1977950B1 (de) | 2007-04-03 | 2013-04-10 | DB Netz Aktiengesellschaft | Verfahren zur wirkungsbezogenen Beurteilung der Lagequalität eines Gleises |
KR20110134547A (ko) | 2010-06-09 | 2011-12-15 | 한국철도기술연구원 | 가속도계를 이용한 궤도 틀림 검측 시스템 및 검측 방법 |
DE102011101226A1 (de) | 2011-05-11 | 2012-11-15 | Deutsche Bahn Ag | Verfahren zur Beschreibung von Gleislageabweichungen |
Also Published As
Publication number | Publication date |
---|---|
DE102014119095A1 (de) | 2016-06-23 |
EP3053804A3 (de) | 2016-10-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3053804A2 (de) | Verfahren und einrichtung zur optimierung der gleisoberbauinstandhaltung durch einzelfehlerklassifikation | |
EP1977950B1 (de) | Verfahren zur wirkungsbezogenen Beurteilung der Lagequalität eines Gleises | |
EP3665036B1 (de) | Verfahren zur zustandsbestimmung von wenigstens einer entlang einer fahrstrecke verlaufenden fahrleitung | |
EP3487748B1 (de) | Überwachung von infrastruktureinrichtungen mittels geoclustering | |
EP3458331B1 (de) | Verfahren und vorrichtung zur überwachung zumindest einer im bahnbau verlegten fahrwegkomponente | |
EP3430371B1 (de) | Verfahren zum erzeugen von daten für die validierung von entgleisungsdetektionssystemen | |
DE102019202738A1 (de) | Vorrichtung und Verfahren zur Ermittlung akustischer Ereignisse mittels Schallsensoren im Gleis | |
DE102018210326A1 (de) | Verfahren und Einrichtung zum Erkennen hinterherfahrender Fahrzeuge | |
EP4034448A1 (de) | Verfahren zum überwachen von funktionen einer balise und hierfür geeignetes lesegerät | |
AT519824A1 (de) | Anlage zur überwachung der integrität eines zuges | |
EP3676565B1 (de) | Verfahren zur erzeugung eines abbildes eines streckennetzes, verwendung des verfahrens, computerprogramm und computerlesbares speichermedium | |
DE102021210423B3 (de) | Verfahren zum Erkennen einer Beschädigung an einem Transportsystem und Steuereinrichtung dafür | |
EP3823876B1 (de) | Verfahren und anordnung zum wiedererkennen eines schienenfahrzeugrades | |
EP4182202A1 (de) | Verteilte und offene datenbank zur dynamischen erfassung des eisenbahnstreckennetzes und dessen gewerke | |
DE102021004114A1 (de) | Verfahren zur Erkennung eines strukturellen Mangels eines Straßenbrückenbauwerks | |
DE102021208988A1 (de) | Trainingsverfahren zum Trainieren eines künstlichen maschinellen Lernsystems zur Erkennung von Fehlfunktionen und Fahrzeugvorrichtung | |
DE102018219256A1 (de) | Ermitteln einer Degradation einer bestimmten Gleiskomponente | |
EP2143614B1 (de) | Verfahren und Vorrichtung zur gesicherten Freimeldung eines Gleisabschnitts | |
DE102017221555A1 (de) | Verfahren und Steuereinrichtung zur kommunikationsbasierten Fahrzeugbeeinflussung | |
DE102004032407B3 (de) | Akustische Bewertung von Gleisen | |
EP1271364A2 (de) | Verfahren zur Simulation des Zustandes von Transportwegen | |
DE102004060153A1 (de) | Verfahren zur automatischen Ermittlung des Abnutzungsvorrates | |
DE102015215741A1 (de) | Ermittlung zumindest einer für einen elektrischen Widerstand zwischen Schienen eines Eisenbahngleises bei Vorliegen eines Achsnebenschlusses charakteristischen Kenngröße | |
DE112020007770T5 (de) | Zugsteuerungssystem und zugsteuerungsverfahren | |
WO2022152352A2 (de) | Verfahren und anordnung zum überwachen von gleisabschnitten |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PUAI | Public reference made under article 153(3) epc to a published international application that has entered the european phase |
Free format text: ORIGINAL CODE: 0009012 |
|
AK | Designated contracting states |
Kind code of ref document: A2 Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR |
|
AX | Request for extension of the european patent |
Extension state: BA ME |
|
PUAL | Search report despatched |
Free format text: ORIGINAL CODE: 0009013 |
|
AK | Designated contracting states |
Kind code of ref document: A3 Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR |
|
AX | Request for extension of the european patent |
Extension state: BA ME |
|
RIC1 | Information provided on ipc code assigned before grant |
Ipc: B61L 27/00 20060101ALI20160901BHEP Ipc: B61K 9/08 20060101AFI20160901BHEP Ipc: B61L 23/04 20060101ALI20160901BHEP |
|
STAA | Information on the status of an ep patent application or granted ep patent |
Free format text: STATUS: THE APPLICATION IS DEEMED TO BE WITHDRAWN |
|
18D | Application deemed to be withdrawn |
Effective date: 20170406 |