DE10161283A1

DE10161283A1 - Verfahren und Vorrichtung zum Überwachen des Fahrverhaltens von Schienenfahrzeugen und der Diagnose von Komponenten von Schienenfahrzeugen

Info

Publication number: DE10161283A1
Application number: DE10161283A
Authority: DE
Inventors: Mario Saeglitz; Yong Guo
Original assignee: Deutsche Bahn AG
Current assignee: DB Fernverkehr AG
Priority date: 2000-12-12
Filing date: 2001-12-11
Publication date: 2002-08-01
Anticipated expiration: 2021-12-12
Also published as: EP1343676B1; EP1343676A1; WO2002047954A1; DE50105980D1; AU2002235765A1; DE10161283B4; ES2237609T3; ATE293557T1; EP1343676B8

Abstract

Die Erfindung betrifft ein Verfahren und eine Vorrichtung zum Überwachen des Fahrverhaltens von Schienenfahrzeugen und der Diagnose von Komponenten von Schienenfahrzeugen, wobei insbesondere das Beschleunigungsverhalten wenigstens einer Fahrzeugkomponente erfasst wird und das erfasste Beschleunigungsverhalten mit einem zu erwartenden Beschleunigungsverhalten verglichen wird. DOLLAR A Es ist vorgesehen, dass das zu erwartende Beschleunigungsverhalten der wenigstens einen Fahrzeugkomponente durch ein Erfassen des aktuellen Beschleunigungsverhaltens der wenigstens einen Fahrzeugkomponente und unüberwachtes inkrementelles Lernen während des bestimmungsgemäßen Einsatzes des Schienenfahrzeuges (10) ermittelt wird. Die Vorrichtung weist Mittel zum unüberwachten und inkrementellen Lernen des aktuellen Beschleunigungsverhaltens der wenigstens einen Fahrzeugkomponente auf.

Description

Die Erfindung betrifft ein Verfahren zum Überwachen des Fahrverhal tens und zur Diagnose von Komponenten von Schienenfahrzeugen, wobei der Zustand wenigstens einer Fahrzeugkomponente zum Bei spiel anhand deren Beschleunigungsverhaltens erfasst wird und das erfasste Beschleunigungsverhalten mit einem zu erwartenden Be schleunigungsverhalten verglichen wird, und eine Vorrichtung zur Durchführung des Verfahrens.

Verfahren und Vorrichtungen der gattungsgemäßen Art sind bekannt. So ist beispielsweise bekannt, verschiedene Fahrzeugkomponenten eines Schienenfahrzeuges, beispielsweise Radsatz, Fahrgestell, Wa genkasten oder dergleichen, mit Beschleunigungssensoren zu bestü cken, mittels denen das Beschleunigungsverhalten einzelner Fahr zeugkomponenten erfasst werden kann. Beim bestimmungsgemäßen Einsatz von Schienenfahrzeugen treten durch den Rad-Schiene- Kontakt bekanntermaßen Schwingungsanregungen auf, die durch die Beschleunigungssensoren erfassbar sind. Unregelmäßigkeiten, zum Beispiel Schadstellen an Rädern oder Dämpfersystemen, führen zu einem veränderten Beschleunigungsverhalten der Fahrzeugkompo nenten. Dieses veränderte Beschleunigungsverhalten ist mittels der Beschleunigungssensoren detektierbar. Die von den Beschleunigungs sensoren gelieferten Messsignale können im Zeit-, Statistik- und/oder Frequenzbereich ausgewertet werden. Um einen Schadens- bezie hungsweise Fehlerfall zu detektieren ist bekannt, zuvor zu bestimmten Schadens- beziehungsweise Fehlerfällen aus den Beschleunigungssig nalen entwickelte Merkmale abzuspeichern und diese mit den aktuellen Werten der Merkmale zu vergleichen. Weichen die aktuellen Merk malswerte von den erwarteten Merkmalswerten ab und/oder sind in Übereinstimmung mit den zuvor ermittelten, bestimmten Schadens beziehungsweise Fehlerereignissen zugeordneten Merkmalswerten, kann auf das Vorliegen eines Schadens beziehungsweise eines Feh lers erkannt werden.

Bei diesen bekannten Verfahren und Vorrichtungen zeigte sich, dass für eine umfassende Überwachung beziehungsweise Diagnose min destens einer Komponente eines Schienenfahrzeuges mehrere Merk male je Sensorsignal benötigt werden. Nachteilig ist bei diesen be kannten Verfahren, dass die unterschiedlichen Merkmale häufig für sich isoliert genutzt werden. Sollten doch mehrere Merkmale zur Lösung der Überwachungs-/Diagnoseaufgabe verknüpft werden, so geschieht dies in der Regel auf Basis der Erfahrung des Entwicklers "manuell" durch Vorgabe von Verknüpfungsregeln und nicht automatisch, weil ein funk tionaler Zusammenhang zwischen den Merkmalen entweder nicht exis tiert oder mit vertretbarem Aufwand nicht zu finden ist. Auch ist es mit bisherigen Verfahren mit mehreren Merkmalen in der Regel nicht mög lich, so genannte "one-class classifier" zu realisieren, um so zum Bei spiel ein Lernen vom Gutzustand mit mehreren Merkmalen zu ermögli chen.

Aus der DE 198 55 134 A1 ist ein Verfahren und eine Vorrichtung zur laufenden Überwachung von schwingungsfähigen Elementen oder Ge samtheiten jeglicher Art auf das Auftreten von Veränderungen bekannt.

Hierbei findet eine Verknüpfung von durch Schwingungen hervorgerufe nen Geräuschsignalen statt. Es wird vorgeschlagen, die Verknüpfung beispielsweise mit Hilfe eines fortwährenden Lernprozesses beispiels weise der künstlichen Intelligenz oder in einem neuronalem Netz vor zunehmen. Bei diesem Verfahren wird immer ein Unterschied zwischen wenigstens zwei räumlich oder zeitlich getrennt ermittelten Signalen betrachtet.

Aus der DE 199 11 848 A1 ist ein Verfahren zur Überwachung von Daten betreffend den Betrieb von Schienenfahrzeugen bekannt, bei denen gemessene physikalische Signale gewichtet werden und die ge wichteten Daten zu einem repräsentativen Gesamtgewicht verknüpft werden. Hierbei können so genannte Trial-and-Error-Verfahren Ver wendung finden.

Allgemein sind so genannte Support-Vektor-Maschinen bekannt, mittels denen ein unüberwachtes inkrementelles Lernen im hoch dimensiona- (en Raum effizient durchgeführt werden kann. Außerdem sind solche Maschinen für so genannte "one-class classification" geeignet. Ferner sind so genannte "sammon's mapping" und/oder SOM (self organizing map) bekannt, mittels denen ein mehrdimensionaler Datenraum in ei ner zweidimensionalen Ebene abgebildet werden kann.

Der Erfindung liegt die Aufgabe zugrunde, ein Verfahren und eine Vor richtung der gattungsgemäßen Art zu schaffen, mittels denen in einfa cher Weise die Überwachung des Fahrverhaltens und die Diagnose von Schienenfahrzeugen möglich ist.

Erfindungsgemäß wird diese Aufgabe durch ein Verfahren mit den im Anspruch 1 beziehungsweise 25 genannten Merkmalen gelöst. Da durch, dass das zu erwartende Beschleunigungsverhalten (bezie hungsweise erwartete Messdaten) der wenigstens einen Fahrzeug komponente durch Erfassen des aktuellen Beschleunigungsverhaltens (beziehungsweise der aktuellen Messdaten) der wenigstens einen Fahrzeugkomponente und unüberwachtes inkrementelles Lernen wäh rend des bestimmungsgemäßen Einsatzes des Schienenfahrzeuges ermittelt wird, ist vorteilhaft möglich, relevante Überwachungskriterien auf Basis von zu einem früheren Zeitpunkt aus dem mindestens einen Beschleunigungssignal (beziehungsweise den Messdaten) bestimmten mehreren signifikanten Merkmalen ohne weitere Fehler- und/oder Schadenssimulationen automatisiert zu definieren. Insbesondere kann so auch das Auftreten unvorhergesehener, vorher nicht klassifizierter Fehler und/oder Schäden sicher erkannt werden. Schließlich ergibt sich als weiterer Vorteil, dass durch das unüberwachte und inkrementelle Lernen, insbesondere des aktuellen Beschleunigungsverhaltens der wenigstens einen Fahrzeugkomponente, eine selbsttätige Anpas sungsfähigkeit während des bestimmungsgemäßen Einsatzes der Schienenfahrzeuge sichergestellt ist. Je höher die Einsatzzeit des Schienenfahrzeuges ist, um so genauer wird letztendlich die Überwa chung des Fahrverhaltens, so dass insgesamt durch das erfindungs gemäße Verfahren eine minimale Fehlalarmrate und damit eine hohe Zuverlässigkeit des Überwachungs-/Diagnoseverfahrens gewährleistet werden kann.

Im Sinne der Erfindung wird unter "unüberwachtes inkrementelles Ler nen" Lernen vom Gutzustand nur mit jeweils aktuellen Messdaten, ins besondere aus dem Regelfahrbetrieb, verstanden.

Erfindungsgemäß wird die Aufgabe ferner durch eine Vorrichtung mit den im Anspruch 24 beziehungsweise 27 genannten Merkmalen gelöst. Dadurch, dass Mittel zum unüberwachten und inkrementellen Lernen des aktuellen Beschleunigungsverhaltens (beziehungsweise aktueller Messdaten) der wenigstens einen Fahrzeugkomponente während des bestimmungsgemäßen Einsatzes des Schienenfahrzeuges vorgesehen sind, lässt sich in einfacher Weise eine Vorrichtung bereitstellen, mittels der eine sichere und hochgenaue Überwachung des Fahrverhaltens von Schienenfahrzeugen möglich ist. Insbesondere kann in bevorzugter Ausgestaltung vorgesehen sein, dass die erfindungsgemäße Vorrich tung in jedem Schienenfahrzeug eines Zugverbandes oder vorzugswei se bei einem Zugverband aus mehreren Schienenfahrzeugen einem der Schienenfahrzeuge des Zugverbandes zugeordnet ist. Hierdurch lässt sich die Überwachung für mehrere Schienenfahrzeuge in einfa cher Weise gleichzeitig durchführen.

Die Erfindung ermöglicht insbesondere eine zustandsbezogene In standhaltung der Schienenfahrzeuge. Das Überwachungsverfahren kann insbesondere in einfacher Weise in eine Onboard-Diagnose der Schienenfahrzeuge integriert werden.

Weitere bevorzugte Ausgestaltungen der Erfindung ergeben sich aus den übrigen, in den Unteransprüchen genannten Merkmalen.

Die Erfindung wird nachfolgend in Ausführungsbeispielen anhand der zugehörigen Zeichnungen näher erläutert. Es zeigen:

Fig. 1 eine schematische Draufsicht auf ein Schienenfahrzeug;

Fig. 2 ein Blockschaltbild des erfindungsgemäßen Verfahrens zum Überwachen des Fahrverhaltens des Schienenfahr zeuges und

Fig. 3 ein Blockschaltbild des Verfahrens in einer weiteren Vari ante.

Fig. 1 zeigt eine schematische Draufsicht auf ein Schienenfahrzeug 10. Bei dem hier dargestellten Schienenfahrzeug 10 handelt es sich beispielsweise um einen Mittelwagen eines Hochgeschwindigkeitszu ges. Die Erfindung wird lediglich beispielhaft anhand dieses Mittelwa gens erläutert. Selbstverständlich lässt sich die Erfindung ohne weite res auf andere Schienenfahrzeuge, beispielweise Triebfahrzeuge, Steuerwagen, Güterwagen oder dergleichen, übertragen.

Das Schienenfahrzeug 10 umfasst einen Wagenkasten 12, der auf zwei Laufdrehgestellen 14 und 16 gelagert ist. Die Laufdrehgestelle 14 und 16 umfassen jeweils Radsätze 18, 20, 22 und 24. Der allgemeine Aufbau derartiger Schienenfahrzeuge 10, insbesondere die Ankopplung des Wagenkastens 12 an die Laufdrehgestelle 14 und 16 beziehungs weise die Lagerung der Radsätze 18, 20, 22 und 24 an den Laufdreh gestellen 14 und 16 über primäre beziehungsweise sekundäre Fe der-/Dämpfersysteme, ist allgemein bekannt, so dass hierauf im Ein zelnen im Rahmen der vorliegenden Beschreibung nicht näher einge gangen werden soll.

Die Radsätze 18, 20, 22 und 24 sind an Drehgestellrahmen 26 und 28 angeordnet. Die Radsätze 18, 20, 22 und 24 umfassen Räder 30, die über hier angedeutete Radlager 32 gelagert sind.

Während des Einsatzes des Schienenfahrzeuges 10 rollen die Radsät ze 18, 20, 22 und 24 über einen Fahrweg. Je nach Fahrgeschwindigkeit und Zustand des Fahrweges erfährt das Schienenfahrzeug 10 eine Schwingungsanregung. Diese Schwingungsanregung führt zu einem Schwingungsverhalten einzelner Komponenten des Schienenfahrzeu ges 10. Entsprechend der Schwingungsanregung, die insbesondere abhängig von einer Geschwindigkeit V des Schienenfahrzeugs 10 und/oder einem Zustand des Fahrweges ist, erfahren die Komponenten des Schienenfahrzeugs 10 eine Beschleunigung in den drei Raumrich tungen, also in x-Richtung (Fahrtrichtung), z-Richtung (vertikal zur Fahrtrichtung) und y-Richtung (quer zur Fahrtrichtung).

Während des Einsatzes der Schienenfahrzeuge 10 können Schäden und/oder Fehler an einzelnen Komponenten des Schienenfahrzeuges 10 auftreten, die zu einer Beeinflussung des Schwingungsverhaltens einzelner Komponenten führen. Im Rahmen der vorliegenden Be schreibung soll beispielsweise auf Fehler beziehungsweise Schäden der Räder 30 Bezug genommen werden, die beispielsweise als eine Flachstelle, eine Polygonbildung unterschiedlicher Ordnung, eine Rif felbildung an einer Radlauffläche, Ausbröckelungen und/oder Risse am Radkörper oder dergleichen auftreten können. Entsprechend tatsäch lich vorhandener Fehler und/oder Schäden wird das Schwingungsver halten der einzelnen Komponenten des Schienenfahrzeuges 10 beein flusst, so dass die Beschleunigungen in den drei Raumrichtungen ebenfalls entsprechend beeinflusst sind.

Gegenstand der Erfindung ist das Erfassen und Auswerten von auf die Radsatzlager (Lagergehäuse) 32, vorzugsweise in Fahrtrichtung (x- Richtung), einwirkenden Beschleunigungen zur Erkennung von insbe sondere Schäden an den Radsätzen 18, 20, 22 beziehungsweise 24.

Hierzu sind den Radsatzlagern (Lagergehäusen) 32 jeweils schema tisch angedeutete Schwingungsaufnehmer 34, 36, 40, 42, 44, 46, 48 und 50 zugeordnet. Die Schwingungsaufnehmer 34, 36, 40, 42, 44, 46, 48 und 50 sind beispielsweise von Beschleunigungssensoren gebildet, die eine in x-Richtung - und entgegengesetzt - wirkende Beschleuni gung auf die Radsatzlagergehäuse detektieren. Es wird deutlich, dass jedem Radsatzlagergehäuse des hier dargestellten Schienenfahrzeu ges 10 jeweils ein Schwingungsaufnehmer (Beschleunigungssensor) 34, 36, 40, 42, 44, 46, 50 zugeordnet ist, so dass insgesamt - gemäß dem Beispiel - acht Beschleunigungssignale zur Auswertung zur Verfü gung stehen.

Charakteristische Größen eines Beschleunigungssignals werden nachfolgend mit Merkmal bezeichnet. Hierbei lassen sich beispielswei se - gemäß Fig. 2 - ein Merkmal A entsprechend einem Crestfaktor des Beschleunigungssignals, ein Merkmal B entsprechend einem Kur tosiswert des Beschleunigungssignals, ein Merkmal C entsprechend einer Amplitude der zweiten Raddrehzahlharmonischen, ein Merkmal D entsprechend einer Amplitude der dritten Raddrehzahlharmonischen, ein Merkmal E entsprechend einer Amplitude der vierten Raddrehzahl harmonischen und ein Merkmal F entsprechend einer Differenz zwi schen der Gesamtenergie und der Breitbandenergie unter einer be stimmten Hüllkurve des im Frequenzspektrum betrachteten Beschleu nigungssignals berechnen beziehungsweise messen.

Die hier beispielhaft genannten Merkmale A, B, C, D, E und F lassen sich mit bekannten Verfahren aus dem tatsächlich anliegenden Be schleunigungssignal für jede der drei Raumrichtungen - wobei hier von der Erfassung des Beschleunigungssignals in x-Richtung (Fahrtrich tung) ausgegangen wird - berechnen beziehungsweise messen. Auf die Berechnung dieser Merkmale A, B, C, D, E, F soll im Rahmen der vorliegenden Beschreibung daher nicht näher eingegangen werden. Weitere Merkmale können zum Beispiel durch Cepstrumanalyse oder Waveletanalyse gewonnen werden.

Die Merkmale A, B, C, D, E, F lassen sich für jedes Beschleunigungs signal über eine bestimmte Zeitspanne ermitteln. Diese Zeitspanne kann beispielsweise zwischen 10 und 30 Sekunden betragen. Ein glei tendes Zeitfenster mit einem Überlappungsgrad von 50 bis 90% ist zu empfehlen, so dass durch Überschneidung von Messzyklen die Aus wertegenauigkeit erhöht ist.

Aus den Merkmalen A, B, C, D, E, F eines Beschleunigungssignals, das heißt das von einem der Beschleunigungsaufnehmer 34, 36, 40, 42, 46, 48 oder 50 gelieferte Beschleunigungssignal und die aktuelle Fahrgeschwindigkeit V des Schienenfahrzeuges 10, wird ein - im Bei spiel - siebendimensionaler Merkmalsvektor 52 gebildet. Dieser sie bendimensionale Merkmalsvektor 52 enthält somit die numerischen Werte jedes der betrachteten Merkmale A, B, C, D, E, F und der Fahr geschwindigkeit V.

Die Merkmale A, B, C, D, E, F und die Fahrgeschwindigkeit V werden anschließend einer Normierung 54 zugeführt, wobei die Merkmale A, B, C, D, E, F und die Fahrgeschwindigkeit V auf einen Wert zwischen zum Beispiel 0 und 1 sowie auf eine günstigere Verteilung skaliert werden. Die Skalierung erfolgt hierbei beispielsweise mittels einer Exponential funktion oder mit einer logarithmischen Funktion oder mit bekannten statistischen Verfahren. Möglich ist beispielsweise eine Intervallskalie rung, eine Varianznormalisierung, eine Histogrammangleichung oder dergleichen.

Jedem der Merkmale A, B, C, D, E, F und der Fahrgeschwindigkeit V ist somit nach der Normierung ein skalierter Wert A', B', C', D', E', F' be ziehungsweise V' zugeordnet. Diese Werteschar 56 kann entsprechend der Bedeutung der normierten Einzelwerte A', B', C', D', E', F', V' einer Wichtung 57 bei der Bildung des Merkmalsvektors 58 unterzogen wer den. Dies bedeutet, die Einzelwerte A', B', C', D', E', F' und/oder V' gehen nach einer ersten Ausführungsvariante insgesamt mit einer un terschiedlichen Wichtigkeit in den Merkmalsvektor 58 ein.

Der Merkmalsvektor 58 stellt ein gewichtetes Kriterium für das von ei nem der Beschleunigungsaufnehmer 34, 36, 40, 42, 44, 46, 48, 50 ge lieferte Beschleunigungssignal in x-Richtung dar. Alle zur Charakterisie rung des Beschleunigungssignals herangezogenen Merkmale A, B, C, D, E, F und die momentane Fahrgeschwindigkeit V sind in dem nun mehr vorliegenden Merkmalsvektor 58 berücksichtigt.

Unter Zuhilfenahme statistischer Lemverfahren, beispielsweise einer so genannten SVM (Support-Vektor-Maschine) 59, werden aus den Lern daten (Merkmalsvektoren 58) eine Reihe multidimensionaler Stütz punktvektoren (Support-Vektoren 64) berechnet. Entsprechend der Wertigkeit des Merkmalsvektors 58 wird in einem multidimensionalen Raum 60 ein Koordinatenpunkt 58' entsprechend dotiert. Zwecks Visu alisierung können diese Stützpunktvektoren mit Hilfe von sammon's mapping oder SOM (self organizing map) 65 auf einer zweidimensio nalen Ebene 60' dargestellt werden.

Durch Übertragung des Merkmalsvektors 58 auf den Koordinatenpunkt 58' ist somit jedem Beschleunigungssignal ein bestimmter Punkt inner halb des multidimensionalen Raumes 60 zuordbar.

Durch wiederholtes Abarbeiten des in Fig. 2 anhand des Blockschalt bildes verdeutlichten Algorithmus kann somit den an den einzelnen Radsatzlagern (Lagergehäusen) 32 auftretenden Beschleunigungen in einem bestimmten Bereich des multidimensionalen Raumes 60 ein be stimmter Koordinatenpunkt 58' zugeordnet werden. Bei angenommen gleichen Bedingungen, die sich in den Merkmalen A, B, C, D, E, F und der Fahrgeschwindigkeit V definieren lassen, müsste somit der Koordi natenpunkt 58' immer die gleiche Position in dem multidimensionalen Raum 60 einnehmen. Abweichende Merkmale A, B, C, D, E, F führen bei gleicher Geschwindigkeit V über die Normierung 54 zu abweichen den numerischen Werten 56 und somit zu einem abweichenden Merk malsvektor 58. Eine Abweichung des Merkmalsvektors 58 führt zu einer Positionsänderung des Koordinatenpunktes 58' in dem multidimensio nalen Raum 60. Es wird deutlich, dass somit durch einfachen Positi onsvergleich der Koordinatenpunkte 58' in dem multidimensionalen Raum 60 Veränderungen im Schwingungsverhalten durch geänderte Beschleunigungswerte erfassbar sind.

Während einer Lernphase können somit alle auftretenden Beschleuni gungen an den Radsatzlagern 32 bei unterschiedlichen Fahrgeschwin digkeiten und bei unterschiedlichen Fahrwegeigenschaften (beispiels weise Weichenfahrt, Bogenfahrt, Rampenfahrt oder dergleichen) ent sprechend ausgewertet werden, so dass sich ein in dem multidimensi onalen Raum 60 der Fig. 2 mit 62 bezeichneter Überwachungsbereich (bespannt durch Support-Vektoren 64) ergibt, innerhalb dem die Koor dinatenpunkte 58' bei allen regulären Fahrsituationen liegen. Je länger die Lemphase dauert, um so genauer kann der Überwachungsbereich 62 definiert werden.

Der Umfang der Lemphase resultiert beispielsweise aus der Berück sichtigung aller im Regelfahrbetrieb 86 auftretenden Betriebszustände. Es wird deutlich, dass mit fortwährendem und wiederholtem Lernen die Genauigkeit der Festlegung des Überwachungsbereiches 62 zunimmt. Denkbar ist, dass nach einer reinen Lernphase die Überwachungs- und Lernfunktion gleichzeitig aktiviert wird, wobei mit steigender Laufleis tung die Lernintensität abklingt. Beispielsweise kann die Lernphase auch dadurch verkürzt werden, dass bei baugleichen Schienenfahrzeu gen 10 ein von einem bereits im bestimmungsgemäßen Einsatz befind lichen Schienenfahrzeug 10 ermittelter Überwachungsbereich 62 einem anderen Schienenfahrzeug 10 als bereits vorgelernte Ausgangsinfor mation zur Verfügung gestellt wird.

In Abweichung zu der vorherstehenden Erläuterung kann in einer weite ren Ausführungsvariante vorgesehen sein, dass die der Support- Vektor-Maschine 59 zugeführten Lerndaten (Merkmalsvektoren 58) e benfalls bereits mit einem Support-Vektor-Maschinen-basierten Verfah ren bestimmt werden. Hierbei wird wissensbasiert (lngenieurwissen) eine Grobauswahl von Merkmalen (Schritt 80 in Fig. 3) vorgenommen.

Hierbei können je Beschleunigungssignal am Radsatzlager eine hinrei chend große Anzahl von Merkmalen zugeordnet werden.

In einer nachfolgenden Merkmalsselektion 82 mit Support-Vektor- Maschinen-basierten Verfahren werden zunächst beispielsweise zwan zig oder auch weniger Merkmale unter Berücksichtigung von Messda ten aus Schadenssimulationen 78 und Referenzfahrten 76 automati siert ausgewählt, die für die Radsatzdiagnose ausreichend sind. An hand dieser ausgewählten Merkmale wird zwar nur ein Teil des realen Systems beschrieben, jedoch hat sich gezeigt, dass diese ausgewähl ten Merkmale durch Verarbeitung mit einer Support-Vektor-Maschine zur Detektion vordefinierter Schäden des Systems ausreichend sind. Es hat sich gezeigt, dass schon bei wenigen ausgewählten Merkmalen durch die Verarbeitung mit einer Support-Vektor-Maschine die Fehler erkennungsrate des Systems stark ansteigt. Während bei zwei Merk malen die Fehlererkennungsrate noch bei 80% liegt, sind bei sechs Merkmalen schon Fehlererkennungsraten von mehr als 96% erreich bar. Diese gestatten somit eine fast vollständige Fehlererkennung, wo bei die tatsächliche Merkmalsanzahl sich nach der geforderten Fehler erkennungsrate richtet. Diese vorausgewählten und anschließend se lektierten Merkmale liefern somit eine ausreichende Basis für die Radsatzdiagnose.

Für die nachfolgende Bearbeitung (Lernphase) mit der Support-Vektor- Maschine 59 - wie anhand der Fig. 2 erläutert - werden die selektier ten Merkmale aus den dann tatsächlich gemessenen Beschleuni gungssignalen berechnet und entsprechend der bereits erläuterten Vorgehensweise verarbeitet.

Bei dieser Herangehensweise verringert sich die Dimension des mehr dimensionalen Merkmalsvektors 52, da nichtsignifikante und/oder re dundante Merkmale unberücksichtigt bleiben. Die Wichtung 57 entfällt.

Die Genauigkeit und Effektivität des Verfahrens wird hierdurch deutlich verbessert.

Fig. 3 zeigt in einem Blockschaltbild nochmals das Gesamtablauf schema einer Support-Vektor-Maschine-basierten Diagnose.

Zunächst wird deutlich, dass sich der Gesamtablauf in die Phase 70 für die Merkmalsfestlegung, die Phase 72 für die Lemphase und die Phase 74 für die Überwachungsphase gliedert. Während der Phase 70 erfolgt zunächst eine Merkmalsgrobauswahl 80, die zu einer Anzahl von x Merkmalen je Signal führt. Hierbei wird auf Ingenieurwissen zurückge griffen. Dies betrifft auch die sinnvolle Anordnung von Sensoren. Diese nunmehr ausgewählten x Merkmale werden einer Merkmalsse lektion 82 zugeführt, bei der aus den vorausgewählten x Merkmalen unter Berücksichtigung von Messdaten aus Schadenssimulationen 78 und Referenzfahrten 76 eine Anzahl von Merkmalen x' selektiert wird, die sehr viel kleiner ist als die Anzahl der Merkmale x. Hierbei wird eine Redundanz der Merkmale x eliminiert.

Diese selektierten Merkmale x' werden einer Merkmalsberechnung 84 in der Lemphase 72 zugeführt. Die Lernphase 72 erfolgt während eines Regelfahrbetriebes 86 des Schienenfahrzeuges. Diese aus den Be schleunigungssignalen während des Regelfahrbetriebes 86 berechne ten Merkmale x' werden zur Generierung von Support-Vektoren einer automatischen Parametrierung 88 zugeführt. Hierbei werden als Ein stellparameter beispielsweise eine zulässige Ausreißerrate im Regel fahrbetrieb, beispielsweise verursacht durch Störstellen, sowie eine Zeitdauer und/oder eine Streckenlänge der Lernphase 72 herangezo gen.

Die Ausgabe der Support-Vektor-Maschine (Ausgabe eines Klassifika tors h(x)) wird nachfolgend zur Festlegung von Grenzwerten des Klas sifikators einer manuellen Parametrierung 90 zugeführt.

In der anschließenden Überwachungsphase 74, in der das eigentliche Überwachen der überwachten Komponenten (hier beispielsweise des Rades) während des Regelfahrbetriebes 86 erfolgt, wird wiederum die Merkmalsberechnung 84 der bei der Merkmalsselektion 82 ausge wählten Merkmale x' durchgeführt. Diese werden der Support-Vektor- Maschine 59 (Klassifikator) zugeführt, die die während der Lemphase 72 ermittelten Support-Vektoren nutzt. Die Ergebnisse (Angabe des Klassifikators h(x)) der Support-Vektor-Maschine 59 werden einem Lo gikeditor 92 zugeführt, der eine Entscheidung 94 trifft, ob ein Alarmsig nal generiert wird (ja) oder nicht generiert wird (nein).

Die vorstehenden Erläuterungen bezogen sich auf den Algorithmus und die Lernphase eines der in Fig. 1 angedeuteten Beschleunigungsauf nehmers. Durch beispielsweise einen entsprechenden Multiplexbetrieb können die Überwachungsbereiche 62 quasi zeitgleich für alle in Fig. 1 mit 34, 36, 40, 42, 44, 46, 48 beziehungsweise 50 bezeichneten Be schleunigungsaufnehmer durchgeführt werden. Gemäß der hier ge wählten Anzahl von acht Beschleunigungsaufnehmern ergibt sich nach der Lernphase somit ein Überwachungsbereich 62, innerhalb dem die Koordinatenpunkte 58' aller den entsprechenden Vektoren 58 entspre chenden Beschleunigungssignale liegen. Dieser Überwachungsbereich 62 stellt somit einen schienenfahrzeuggebundenen Überwachungsbe reich dar.

An die reine Lernphase des Systems schließt sich die Überwachungs phase an, die von einer "Weiterlernphase" überlagert ist. Während die ser Überwachungsphase kann nunmehr die Fehler- und/oder Scha denserkennung durchgeführt werden. Diese Überwachung erfolgt der art, dass intervallmäßig entsprechend vorgebbarer Zyklen, die bei spielsweise von 10 bis 30 Sekunden betragen können, die Positionen der Merkmalsvektoren 58' im multidimensionalen Raum 60 erfasst und verglichen werden. Bei entsprechend gewählter Überlappung der Zyk len können dann auch Reaktionszeiten in der Größenordnung von we nigen Sekunden realisiert werden. Es ergeben sich eine Vielzahl von Auswertemöglichkeiten, von denen nachfolgend nur einige beispielhaft genannt werden. So lässt sich beispielsweise die Koordinatenverschie bung eines Koordinatenpunktes 58' bezogen auf einen der Beschleuni gungsaufnehmer überwachen. Verlässt beispielsweise der Koordina tenpunkt 58' den Überwachungsbereich 62, kann auf einen Fehler und/oder Schaden erkannt werden. Ferner kann eine vergleichende Betrachtung der von den mehreren - beispielsweise acht - Beschleuni gungsaufnehmern hergeleiteten Koordinatenpunkte 58' untereinander erfolgen. Ist beispielsweise in aufeinander folgenden Überwachungs zyklen ein Mindestabstand zwischen den Koordinatenpunkte 58' über schritten, kann ebenfalls auf einen Fehler und/oder Schaden erkannt werden.

Wird während der Überwachung - entsprechend der festgelegten Überwachungskriterien - nicht auf einen Fehler und/oder Schaden er kannt, wird das jeweilige Ereignis je nach Bedarf und Situation (zum Beispiel anhand der Entfernung des Punktes 58' zum Überwachungs bereich 62) zum Weiterlernen genutzt. Hierdurch wird auch während der aktuellen Überwachungsphase die Genauigkeit der Beschreibung des Referenzzustandes ständig erhöht.

Neben einer rein rechnerischen Auswertung und entsprechenden Alarmsignalisierung im Fehler- und/oder Schadensfall lässt sich das skizzierte Verfahren auch in einfacher Weise visualisieren, indem die zweidimensionale Ebene 60' mit den Koordinatenpunkten 58" und dem Überwachungsbereich 62' auf einem entsprechenden Display 66 dar gestellt wird. Beispielsweise durch farbliche Zuordnung der Koordina tenpunkte 58' zu den einzelnen Radsatzlagern 32 kann somit durch schnelles visuelles Erfassen eine Fehlerzuordnung erfolgen. Ferner lassen sich die gesamte Lernphase und Überwachungsphase spei chern, so dass für nachfolgende, gegebenenfalls detailliertere Auswer tungen, wie beispielsweise die Erarbeitung von Schadensmustem und Durchführung von Trendanalysen, die entsprechenden Daten zur Ver fügung stehen.

Die Erfindung beschränkt sich selbstverständlich nicht auf das darge stellte Ausführungsbeispiel. So sind auch beispielsweise Überwachun gen von weniger oder mehr als acht Beschleunigungssensoren und anderen Komponenten des Schienenfahrzeuges 10 als den Rädern möglich. Ferner kann die Anzahl der für die Auswertung herangezoge nen charakteristischen Merkmale variieren. Vorstellbar ist auch die prinzipielle Verwendung anderer Sensoren als Beschleunigungssenso ren beziehungsweise die Verwendung von Merkmalen, die aus unter schiedlichen Signaltypen, zum Beispiel Beschleunigung, Kraft, Weg, Temperatur oder dergleichen, gebildet wurden.

Bezugszeichenliste

10

Schienenfahrzeug

12

Wagenkasten

14

,

16

Laufdrehgestelle

18

,

20

,

22

,

24

Radsätze

26

,

28

Drehgestellrahmen

30

Räder

32

Radsatzlager

34

,

36

,

40

,

42

,

44

,

46

,

48

,

50

Schwingungsaufnehmer

52

Merkmalsvektor

54

Normierung

56

Werteschar

57

Wichtung

58

gewichteter Merkmalsvektor

58

' Koordinatenpunkt im multidimensionalen Raum

58

" Koordinatenpunkt im zweidimensionalen Raum

59

Support-Vektor-Maschine

60

Bereich (Region) im multidimensionalen Raum

60

' zweidimensionale Ebene

62

Überwachungsbereich

62

' Überwachungsbereich

62

in 2D-Darstellung

64

Support-Vektor

65

sammon's mapping oder SOM (self organizing map)

66

Display

70

Phase (Merkmalsfestlegung)

72

Lernphase

74

Überwachungsphase

76

Referenzfahrten

78

Schadenssimulation

80

Merkmalsgrobauswahl

82

Merkmalsselektion

84

Merkmalsberechnung

86

Regelfahrbetrieb

88

automatische Parametrierung

90

manuellen Parametrierung

92

Logikeditor

94

Entscheidung zur Generierung
A, B, C, D, E, F, V Merkmale
A', B', C', D', E', F', V' normierte Merkmale
A", B", C", D", E", F", V" gewichtete, normierte Merkmale

Claims

1. Verfahren zum Überwachen des Fahrverhaltens von Schienen fahrzeugen und der Diagnose von Komponenten von Schienen fahrzeugen, wobei insbesondere das Beschleunigungsverhalten wenigstens einer Fahrzeugkomponente erfasst wird und das er fasste Beschleunigungsverhalten mit einem zu erwartenden Be schleunigungsverhalten verglichen wird, dadurch gekennzeich net, dass das zu erwartende Beschleunigungsverhalten der we nigstens einen Fahrzeugkomponente durch ein Erfassen des aktuellen Beschleunigungsverhaltens der wenigstens einen Fahrzeugkomponente und unüberwachtes inkrementelles Ler nen während des bestimmungsgemäßen Einsatzes des Schie nenfahrzeuges (10) ermittelt wird.

2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass das Beschleunigungsverhalten von Radsatzlagern überwacht wird.

3. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das Beschleunigungsverhalten von allen Radsatzlagern des Schienenfahrzeuges (10) überwacht wird.

4. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das Beschleunigungsverhalten der Radsatzlager eines Schienenfahrzeuges (10) gleichzeitig oder im Zeitmultiplex aufeinander folgend überwacht wird.

5. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die für die Überwachung charakteristi schen Merkmale (A, B, C, D, E, F) jedes Beschleunigungssignals berechnet werden.

6. Verfahren nach Anspruch 5, dadurch gekennzeichnet, dass als charakteristische Merkmale die statistischen Kennwerte, Kenn werte der Frequenz- und Ordnungsanalyse und der Hüllkurven analyse, verwendet werden.

7. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Werte der charakteristischen Merk male in festgelegten Zeitintervallen, die insbesondere zwischen 10 und 30 Sekunden betragen können, neu ermittelt werden.

8. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass aus den charakteristischen Merkmalen inklusive der aktuellen Fahrgeschwindigkeit des Schienenfahr zeuges (10) ein mehrdimensionaler Merkmalsvektor (52) gebildet wird.

9. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Merkmale des Merkmalsvektors (52) normiert werden, indem diese innerhalb eines Wertebereiches, insbesondere zwischen 0 und 1 sowie auf eine günstigere Ver teilung (Histogrammangleichung), skaliert werden.

10. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die skalierten Werte (56) zu einem Merkmalsvektor (58) zusammengefasst werden.

11. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass bei der Ermittlung des Merkmalsvektors (58) die einzelnen skalierten Werte (56) gewichtet werden.

12. Verfahren nach einem der Ansprüche 1 bis 10, dadurch ge kennzeichnet, dass zunächst wissensbasiert eine Grobauswahl (80) von möglichen Merkmalen je Beschleunigungssignal vorge nommen wird.

13. Verfahren nach Anspruch 12, dadurch gekennzeichnet, dass aus den grobausgewählten Merkmalen automatisiert Merkmale selektiert werden, die für die Diagnoseaufgabe ausreichend sind.

14. Verfahren nach Anspruch 13, dadurch gekennzeichnet, dass die Merkmalsselektion (82) unter Berücksichtigung von Mess daten aus Schadenssimulationen (78) und Referenzfahrten (76) erfolgt.

15. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass der Merkmalsvektor (58) als Koordina tenpunkt (58') in einen multidimensionalen Raum (60) übertra gen wird.

16. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass für jedes Beschleunigungssignal jeder der zu überwachenden Fahrzeugkomponenten die Lage der Ko ordinatenpunkte (58') aufeinander folgend, insbesondere ent sprechend festlegbarer Zeitintervalle, neu bestimmt wird.

17. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass über die Lage der Koordinatenpunkte (58') in einer vorgebbaren Zeitspanne (Lernphase) ein Bereich (62) in dem Raum (60) definiert wird, der als Überwachungsbe reich fungiert.

18. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass eine Positionsveränderung eines Koordi natenpunktes (58'), bezogen auf Beschleunigungssignale, einer überwachten Fahrzeugkomponente überwacht wird.

19. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass eine Alarmmeldung, gegebenenfalls ge koppelt mit einer Abhilfemaßnahme, generiert wird, wenn der Koordinatenpunkt (58') den Überwachungsbereich signifikant verlässt.

20. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass ein Abstand der Koordinatenpunkte (58') von mehreren überwachten Fahrzeugkomponenten überwacht wird.

21. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Überwachungsergebnisse gespei chert werden.

22. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Überwachungsergebnisse visualisiert werden.

23. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass nach einer reinen Lernphase die Über wachungs- und Lernfunktion gleichzeitig aktiviert sind, wobei mit steigender Laufleistung die Lernintensität abklingt.

24. Vorrichtung zum Überwachen des Fahrverhaltens von Schie nenfahrzeugen und zur Diagnose von Komponenten von Schie nenfahrzeugen, wobei insbesondere das Beschleunigungsver halten wenigstens einer Fahrzeugkomponente erfasst wird und mit einem zu erwartenden Beschleunigungsverhalten verglichen wird, gekennzeichnet durch Mittel zum unüberwachten und in krementellen Lernen des aktuellen Beschleunigungsverhaltens der wenigstens einen Fahrzeugkomponente.

25. Verfahren zum Überwachen des Fahrverhaltens von Schienen fahrzeugen und der Diagnose von Komponenten von Schienen fahrzeugen, dadurch gekennzeichnet, dass wenigstens ein das Fahrverhalten beziehungsweise Betriebsverhalten des Schie nenfahrzeuges (10) oder von Komponenten des Schienenfahr zeuges (10) charakterisierendes Messdatum erfasst wird und mit erwarteten Messdaten verglichen wird, wobei die erwarteten Messdaten durch ein kontinuierliches Erfassen der aktuellen Messdaten und unüberwachtes, inkrementelles Lernen während des bestimmungsgemäßen Einsatzes des Schienenfahrzeuges (10) ermittelt werden.

26. Verfahren nach Anspruch 25, dadurch gekennzeichnet, dass als Messdaten Beschleunigung, Kraft, Weg und/oder Tempera tur oder dergleichen verwendet werden.

27. Vorrichtung zum Überwachen des Fahrverhaltens von Schie nenfahrzeugen und der Diagnose von Komponenten von Schie nenfahrzeugen, gekennzeichnet durch Mittel zum Erfassen von das Fahrverhalten charakterisierenden Messdaten und zum Ver gleich der erfassten mit erwarteten Messdaten und Mitteln zum unüberwachten und inkrementellen Lernen der aktuellen Mess daten zur Ermittlung der erwarteten Messdaten.