EP4458643A1 - Verfahren zum zählen von achsen mit rechnergestützter auswertung und fehlererkennung - Google Patents

Verfahren zum zählen von achsen mit rechnergestützter auswertung und fehlererkennung Download PDF

Info

Publication number
EP4458643A1
EP4458643A1 EP23171526.9A EP23171526A EP4458643A1 EP 4458643 A1 EP4458643 A1 EP 4458643A1 EP 23171526 A EP23171526 A EP 23171526A EP 4458643 A1 EP4458643 A1 EP 4458643A1
Authority
EP
European Patent Office
Prior art keywords
curve
maximum
course
axle
patterns
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Withdrawn
Application number
EP23171526.9A
Other languages
English (en)
French (fr)
Inventor
Jens Braband
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Siemens Mobility GmbH
Original Assignee
Siemens Mobility GmbH
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Siemens Mobility GmbH filed Critical Siemens Mobility GmbH
Priority to EP23171526.9A priority Critical patent/EP4458643A1/de
Publication of EP4458643A1 publication Critical patent/EP4458643A1/de
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L1/00—Devices along the route controlled by interaction with the vehicle or train
    • B61L1/16—Devices for counting axles; Devices for counting vehicles
    • B61L1/163—Detection devices
    • B61L1/165—Electrical
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L1/00—Devices along the route controlled by interaction with the vehicle or train
    • B61L1/16—Devices for counting axles; Devices for counting vehicles
    • B61L1/169—Diagnosis
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L25/00—Recording or indicating positions or identities of vehicles or trains or setting of track apparatus
    • B61L25/02—Indicating or recording positions or identities of vehicles or trains
    • B61L25/021—Measuring and recording of train speed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L1/00—Devices along the route controlled by interaction with the vehicle or train
    • B61L1/16—Devices for counting axles; Devices for counting vehicles
    • B61L1/162—Devices for counting axles; Devices for counting vehicles characterised by the error correction

Definitions

  • the invention relates to a method for counting axles, in which a wheel passes an axle counting sensor mounted on a track, the axle counting sensor generates a measurement signal, the course of the measurement signal is evaluated with the aid of a computer, whereby the wheel is identified.
  • the invention also relates to a computer program product and a device for providing this computer program product, whereby the computer program product is equipped with program instructions for carrying out this method.
  • axle counters When axle counters are used to count axles, it is well known that disruptions of all kinds can occur, from simple noise or environmental influences to dangling cables on trains or so-called pinwheel effects on bogies on tight curves. There is therefore a particular desire to detect disruptions that are similar to signals from wheels or bogies in order to be able to reliably detect the wheel signals and, in particular, to detect deliberate attempts to disrupt them.
  • railway infrastructures are difficult to protect against malicious manipulation. For example, an axle counter could be influenced by moving steel objects past the sensor in such a way that additional counting pulses would be triggered. There is a great interest in detecting such disruptions as early as possible.
  • a bogie consists, for example, of two consecutive wheels, i.e. two maxima of the signal amplitude of the measuring signal with a certain plateau in between, which result in a recognizable pattern.
  • the object of the invention is to provide a method for counting axles which has a comparatively high level of security against false detection of wheel passages due to malicious manipulation attempts (hereinafter referred to as manipulations). Furthermore, the object of the invention is to provide a computer program product and a provision device for this computer program product with which the aforementioned method can be carried out.
  • the measurement signal is a temporal progression of the measured variable, preferably the signal voltage, which has respective maxima due to the passing of the wheel of an axle, but also due to interference and possible manipulation. This means that the computer-aided evaluation of the measurement signal can detect the event to be recorded, that a wheel has passed the axle counting sensor, but interference signals and manipulation can also be falsely detected as such a wheel passing.
  • the maximum does not necessarily have to be the starting criterion for the search. It can also start after a threshold value has been exceeded during an evaluation. However, this is only an alternative for heavily disturbed signals.
  • the advantage of the method according to the invention is that the method for counting axles is, so to speak, hardened against the unnoticed occurrence of manipulation attempts.
  • the axle counting method acquires artificial intelligence (i.e. improvement of pattern recognition, in particular through machine learning) by knowing the expected axle counting results, whereby the signal curve of such results can be compared with the measured measurement signals. If a present measurement result does not match a regular pattern, i.e. one that represents permissible axle counting results, the warning message then generated provides an indication of this.
  • the warning message can lead to different measures. An attempted manipulation in itself does not necessarily immediately represent a safety risk in rail operations. If, for example, there are no trains running near the axle counter, the warning message can be used to further monitor the affected axle counter and, for example, maintenance personnel can be sent to the axle counter to check it. It may also be a technical error that could be rectified.
  • warning message e.g. in terms of security monitoring
  • a pattern comparison can also be carried out with regard to the error that has occurred, whereby the measurement results that deviate from the regular patterns mentioned above are compared with each other in order to determine whether they correspond to an error pattern. This can be due to a malfunction of the axle counter or to a certain type of attempted manipulation (more on this below).
  • “computer-aided” or “computer-implemented” can be understood to mean an implementation of the method in which at least one computer or processor carries out at least one method step of the method.
  • Computers can be, for example, personal computers, servers, handheld computers, mobile phones and other communication devices that process data in a computer-aided manner, processors and other electronic devices for data processing, which can preferably also be connected to form a network.
  • a "processor” may be defined as for example, a converter, a sensor for generating measurement signals or an electronic circuit.
  • a processor can in particular be a main processor (Central Processing Unit, CPU), a microprocessor, a microcontroller or a digital signal processor, possibly in combination with a memory unit for storing program instructions, etc.
  • CPU Central Processing Unit
  • a processor can also be understood as a virtualized processor or a soft CPU.
  • a “storage unit” can be understood as meaning, for example, a computer-readable memory in the form of a random access memory (RAM) or data storage device (hard disk or data carrier).
  • RAM random access memory
  • data storage device hard disk or data carrier
  • Interfaces can be implemented in hardware terms, for example as a wired or wireless connection, and/or in software terms, for example as an interaction between individual program modules or program parts of one or more computer programs.
  • Program modules are to be understood as individual functional units that enable a program sequence of method steps according to the invention. These functional units can be implemented in a single computer program or in several computer programs that communicate with each other. The interfaces implemented here can be implemented in software within a single processor or in hardware if several processors are used.
  • the amplitude of the measurement signal is standardized during amplitude normalization such that the maximum is identical to a predetermined target value, a dynamic Time normalization is carried out, whereby the course of the measurement signal normalized by amplitude normalization and time normalization is compared with patterns of both at least one course for the measurement signal when passing a wheel and at least one course for the measurement signal when an error occurs.
  • both amplitude normalization and dynamic time normalization also referred to as Dynamic Time Wrapping (hereinafter referred to as DTW) are applied to the measurement result.
  • DTW Dynamic Time Wrapping
  • This has the advantage that the measurement signal is normalized both in terms of the amplitude of its maximum and in terms of the length of its temporal progression. This then makes it easier to compare the progression of the measurement signal to be evaluated with a specified time period and a specified maximum amplitude with patterns of different progressions (more on this below). This improves the reliability of pattern recognition for wheel passages and minimizes the probability of incorrect evaluation results occurring, particularly due to manipulation.
  • the amplitude normalization is carried out in such a way that the maximum of the measured signal curve under consideration is identical to a predefined target value after normalization.
  • normalization can be done to 1, i.e. that the target value is equal to 1. However, this is not absolutely necessary. It is important that the predefined target value of the maximum matches the maxima contained in the patterns with which the measured signal curve in question is to be compared.
  • the DTW is carried out to identify a time-limited section of the entire course of the measurement signal, which extends before and after the maximum, which is to be compared with patterns in order to detect wheel passages or occurring errors. Since a wheel passage generates a signal course that increases to a maximum and then decreases again, The curves identified by the DTW each contain a maximum.
  • Time standardization is carried out so that the relevant course of the measurement signal can be compared with the patterns.
  • the course of the measurement signal depends in particular on the speed of the vehicle passing the axle counting sensor. A higher speed produces a steeper, shorter rise to the maximum (and then a corresponding drop). In comparison, a lower speed produces a flatter, longer rise to the maximum (and then a corresponding drop).
  • DTW The principle of DTW is known, for example, from speech recognition (the recognition of speech characteristics when dictating):
  • speech recognition the recognition of speech characteristics when dictating
  • individual words from a spoken text are to be recognized by comparing them with stored speech patterns.
  • One problem is that words are often pronounced differently. Vowels in particular are often spoken longer or shorter.
  • the word should therefore be stretched or compressed accordingly, but not evenly, but primarily at the vowels that were spoken longer or shorter.
  • the dynamic time warping algorithm performs this adaptive time normalization.
  • Another application is handwriting recognition.
  • pattern recognition of individual letters takes place, with the aim of recognizing letters in different handwritings.
  • this design aims not only to detect the events whose occurrence is desired and should be counted, but also to consciously detect the events that should not occur, and therefore should not be counted, but could be incorrectly detected as events to be counted. If these events are reliably detected as errors, they can be excluded as counting events, even if their evaluation as an event to be counted in a wheel run would be uncertain. This is where the added value of the invention lies in increasing the detection reliability.
  • the course of the measurement signal standardized by amplitude standardization and time standardization is compared with at least one pattern of a course for the measurement signal when a pinion gear occurs when bogies are cornering.
  • a pinwheel is a measurable signal increase in the measurement signal of an axle counting sensor, which generates a maximum between the two maxima of the wheel passages of a bogie.
  • a pinwheel occurs primarily when the axle counting sensor is installed in a curve and the measurement takes place while the bogie is cornering.
  • pinwheel effects are defined as a pattern of occurring errors
  • a curve can be generated which can be assigned to this error after comparison with the pattern available for the pinwheel. If this assignment is clear is, the relevant course of the measurement signal can be excluded from an assignment to the event of a wheel passage. This is particularly advantageous if an assignment to a wheel passage would be borderline and, in case of doubt, a non-existent axle would be counted incorrectly.
  • an axle counter which has a first axle counting sensor and a second axle counting sensor arranged one behind the other in the direction of travel, wherein the method is carried out successively for the first axle counting sensor and the second axle counting sensor.
  • the two axle counting sensors installed i.e. the first axle counting sensor and the second axle counting sensor, therefore generate the same maxima in quick succession over the course of the measurement signal, at least when there are no disturbances. In this case, the maxima correspond to the wheels counted. Otherwise, interference signals can also be recorded that lead to maxima.
  • axle counting sensor does not change the functional principle of the axle counter.
  • the first axle counting sensor and the second axle counting sensor function in the same way as the axle counting sensor of an axle counter in which only a single axle counting sensor is installed.
  • the statements made in connection with this invention therefore apply equally to the axle counting sensor or the first axle counting sensor as well as the second axle counting sensor, unless otherwise described.
  • first axle counting sensor and a second axle counting sensor have the advantage that the axle counter has a higher level of security against failure. As already described, this reduces the probability that errors will be falsely interpreted as manipulation and that operations will come to a standstill after a warning signal is issued.
  • the maxima in the first curve detected by the first axle counting sensor and the second curve detected by the second axle counting sensor are compared and only those maxima in the first curve and second curve of the measurement signal standardized by amplitude standardization and time standardization are compared with patterns that are present in both the first curve and the second curve.
  • This embodiment of the invention makes use of the knowledge that the event of a wheel passing the axle counting sensor is reliably detected as a maximum in the course of the measurement signal. Therefore, these maxima must also occur in both measured courses of the measurement signals. If a maximum only occurs in one of the two courses of the measurement signals, it can be concluded that this is an interference signal that should not be counted. Here, there is also a probability that this is an attempt at manipulation. This can advantageously be reliably output by generating a warning signal.
  • the maxima in the first curve detected by the first axle counting sensor and the second curve detected by the second axle counting sensor are compared and the curve of the measurement signal before and after a maximum, which is to be taken into account in the dynamic time normalization, is determined taking into account a time offset between a comparable maximum of the first curve and the second curve.
  • the time offset that can be determined from these can be used to obtain a speed-dependent measure for the time limits of the curve to be taken into account in the dynamic time standardization. This advantageously ensures that the curve in the dynamic time standardization has a sufficient range to contain the characteristics to be assessed for later comparison with the patterns. As a result, the reliability of the detection process increases, which is why attempts at manipulation can also be detected with greater certainty. As already described, this reduces the probability that errors are wrongly interpreted as manipulation and that operations come to a standstill after a warning signal is issued.
  • the course of the measurement signal standardized by amplitude standardization and time standardization is compared with patterns of both at least one course for the measurement signal when passing a single wheel and at least one course for the measurement signal when passing two wheels of a bogie.
  • This embodiment of the invention makes use of the knowledge that the double axle of a bogie, i.e. the two wheels that pass the axle counting sensor in this case, produce a characteristic pattern with two maxima. If these two maxima are identified by the DTW as belonging to the bogie, a standardization can be carried out with reference to this double event. This can then be compared with the corresponding pattern. This further increases reliability. At the same time, such a double signal is more difficult to produce through malicious manipulation, so that the probability that a manipulation attempt will be discovered increases. This is particularly important in passenger transport, where manipulation can endanger human lives. In passenger transport, however, almost exclusively vehicles with bogies and double axles are used, so that an increase in safety can be achieved here.
  • a comparison with patterns of a course for the measurement signal when passing two wheels of a bogie is only carried out if the temporal offset of the maxima in the course of the measurement signal does not exceed a limit value predetermined depending on the speed of a vehicle passing the axle counting sensor.
  • This measure is based on the knowledge that when passing a bogie, the axle counting sensor records two maximum values in quick succession. In other words, it can be ruled out that it is a bogie if the maximum values are not measured within a speed-dependent time interval that is characteristic of bogies. This also means an additional safety gain in terms of detecting manipulation. If the manipulation fails to meet this criterion, the signals from the manipulation attempt are not even recognized as a bogie. The subsequent process step of issuing a warning message due to a false detection therefore does not occur at all, which advantageously enables rail traffic to operate with fewer disruptions.
  • the speed of the vehicle crossing the axle counting sensor must be known.
  • the speed can be determined using another sensor and fed into the process as an input variable.
  • the speed can be measured in the vehicle and transmitted wirelessly to a computer that carries out the calculations of the method according to the invention.
  • Another possibility is to estimate the speed from the relationship between a pattern of maxima (corresponding to the axle counting pulses).
  • Bogies are usually installed on vehicles of a certain length, so that bogies generate maxima that are close to each other and then a longer pause (passing the middle of the vehicle) or a shorter pause (between two coupled vehicles) occurs.
  • the ratio of the pauses can be used to estimate the speed and thus also determine the speed-dependent limit value.
  • double axle counters in which two axle counting sensors are installed in quick succession. Since the distance between the axle counting sensors is known, the speed can be determined by determining the time offset of the maxima generated by the same wheel in the two axle counting sensors (more on this below).
  • an error pattern representing the relevant measurement signal is generated and stored.
  • This measure makes it possible for the axle counter to later recognize possible errors and, in particular, attempts at manipulation. This means that (in the future) it will be possible to determine whether additional information regarding the type of deviation from the expected result is already available by evaluating the unusual measurement signal using a pattern comparison. In detail, this comparison can be carried out as follows.
  • the compliance message can be used in the further course of the procedure in conjunction with the relevant detected error pattern to advantageously initiate more targeted measures. For example, if a manipulation attempt has been reliably detected, the police or security personnel can be called in. If an error has been reliably detected, a maintenance measure can be carried out or maintenance personnel can be sent to the axle counter in question.
  • AI computer-aided machine learning
  • ML machine learning
  • ML the system recognizes and learns patterns and regularities in the recorded process data based on previously entered learning data.
  • suitable algorithms ML can independently find solutions to emerging problems.
  • ML is divided into three fields - supervised learning, unsupervised learning and reinforcement learning, with more specific applications, for example regression and classification, structure recognition and prediction, data generation (sampling) or autonomous action.
  • supervised learning the system is guided by the context of input and associated output of known data, and in this way learns approximate functional relationships.
  • the availability of suitable and sufficient data is important, because if the system is trained with unsuitable (e.g. non-representative) data, it learns incorrect functional relationships.
  • unsupervised learning the system is also trained with example data, but only with input data and without any connection to a known output. It learns how to form and expand data groups, what is typical for the application in question, and where deviations or anomalies occur. This makes it possible to describe application cases and discover error states.
  • reinforcement learning the system learns through trial and error by suggesting solutions to given problems and receiving a positive or negative evaluation of this suggestion via a feedback function. Depending on the reward mechanism, the AI system learns to perform corresponding functions.
  • the learning behavior changes when the activation function of the neurons or the learning rate of the network changes.
  • an ANN learns mainly by modifying the weights of the neurons. An adjustment of the threshold value can be done by a neuron. This enables ANNs to learn complicated non-linear functions using a learning algorithm that attempts to determine all of the function's parameters using an iterative or recursive approach from existing input and desired output values.
  • ANNs are a realization of the connectionist paradigm, according to which the function consists of many simple, similar parts. The behavior only becomes complex when they are added together.
  • a provision device for storing and/or providing the computer program product.
  • the provision device is, for example, a storage unit that stores and/or provides the computer program product.
  • the provision device is, for example, a network service, a computer system, a server system, in particular a distributed, for example cloud-based computer system and/or virtual computer system, which stores and/or provides the computer program product preferably in the form of a data stream.
  • the provision takes place in the form of a program data block as a file, in particular as a download file, or as a data stream, in particular as a download data stream, of the Computer program product.
  • This provision can also be made, for example, as a partial download consisting of several parts.
  • Such a computer program product is, for example, read into a system using the provision device so that the method according to the invention is carried out on a computer.
  • the exemplary embodiments explained below are preferred embodiments of the invention.
  • the components of the embodiments described each represent individual features of the invention that are to be considered independently of one another, which also develop the invention independently of one another and are therefore to be considered as part of the invention individually or in a combination other than that shown.
  • the components described can also be combined with the features of the invention described above.
  • FIG 1 A vehicle FZ is shown, which is travelling in a direction FR on a track GL.
  • the vehicle FZ has bogies DG, each of which is equipped with two axles. These are in Figure 1 indicated by wheels RD.
  • an axle counter AZL comprising a first axle counting sensor AZ1 and a second axle counting sensor AZ2
  • a pulse is generated in the course of the measuring signal U1, U2 (cf. Figure 2 ) (more on this below).
  • the axle counter AZL is connected to an evaluation unit AE, which has a first computer CP1.
  • This computer CP1 is connected to both the first axle counting sensor AZ1 and the second axle counting sensor AZ2 via a sixth interface S6.
  • a single axle counting sensor AZ can also be used, which is why one of the two axle counting sensors is designated with both the reference symbol AZ and the reference symbol AZ1.
  • the evaluation unit AE also houses a first storage device SE1, which is connected to the first computer CP1 via a fifth interface S5.
  • the first computer CP1 is connected to a second computer CP2 in a control center LZ via a third interface S3.
  • the second computer CP2 is also connected to a second storage device SE2 via a fourth interface S4.
  • the control center is representative of a trackside facility, such as a signal box or an automatic train control system.
  • the vehicle FZ and the control center LZ have antennas AT so that they can communicate with each other via a second interface S2.
  • the vehicle FZ can also communicate with a satellite STL via a first interface S1. In this way, it is possible, for example, to locate the vehicle FZ, whereby the satellite STL is a navigation satellite.
  • the method according to the invention has program modules that can run either in the first computer CP1 or in the second computer CP2. This depends on how "intelligent" the arrangement for counting axles formed by the axle counter AZL and the evaluation unit AE is.
  • FIG. 2 The sequence of the method according to the invention is shown using a flow chart. Schematic representations of the signal curves are chosen to explain the individual process steps.
  • the curves VL1 of the first axle counter sensor AZ1 and VL2 of the second axle counter sensor AZ2 are shown.
  • a diagram is selected in which the measurement signal U1, U2 is shown in the form of an output voltage over time t.
  • the subsequent processing steps of a standardization with the result of standardized curves NV1, NV2, NV3, NV 4 as well as a comparison with patterns M1, M2 are shown.
  • the method already masters the comparison with these patterns at the beginning of the process sequence of this embodiment of the method. The comparison can be found or optimized by machine learning as described.
  • axle counter AZL is calculated according to Figure 1 with a first axle counting sensor AZ1 and a second axle counting sensor AZ2. It is also conceivable to use an axle counter with only one axle counting sensor AZ, whereby the figure 2 would look similar, ie the diagram of the VL1 course and the associated measures, indicated by arrows, would be omitted.
  • a speed v of the vehicle crossing the axle counter can be calculated.
  • the acceleration a can also be determined. However, this is only possible if further axle counting pulses from other axles of the vehicle (which are in Figure 2 are not shown).
  • the calculated values for the speed v and the acceleration a can be examined in a plausibility step PL to determine whether these values are realistic for the crossing vehicle.
  • a speed interval and a acceleration interval which can also be defined for a specific vehicle.
  • data from the pattern recognition described below must also be used to select the relevant speed intervals and acceleration intervals, which make it possible to identify a specific vehicle type.
  • a warning message is generated and output, for example, via an output device.
  • a standardization N is carried out in a manner not shown in detail according to the method according to the invention.
  • This standardization includes an amplitude standardization of the measurement signal U1, U2 to a target value ZW, which in the embodiment according to Figure 2 is 1.
  • a dynamic time normalization is carried out, whereby the first curve VL1 or the second curve VL2 is considered before and after the identified maximum M1, M2, M3 to such an extent that the curve associated with the maximum M1, M2, M3 can be characterized (and can be compared with patterns MU1, MU2, MU3, more on this below).
  • the evaluation of the first maximum M1 leads to the generation of the first normalized curve NV1 and the evaluation of the second maximum M2 leads to the generation of the third normalized curve NV3. Furthermore, a third maximum M3 and a fourth maximum M4 can be seen in both the first curve VL1 and the second curve VL2, which leads to the generation of a second normalized curve NV2 and a fourth normalized curve NV4.
  • a pattern comparison of the standardized curves NV1, NV2, NV3 is carried out.
  • the second standardized curve NV2 is identified using the second pattern MU2, which represents a pinwheel. Therefore, the standardized curve NV2 is excluded from counting (indicated with an X). Otherwise, in the embodiment according to Figure 2 no warning message is generated because the error that occurred was reliably identified as a phenomenon that can occur in bogies under certain conditions. Therefore, no action is required.
  • the error pattern MU3 does not exist before the occurrence of the fourth measurement signal M4. Since the standardized measurement signal M4 could not be recognized after the first occurrence, a warning message WM is generated and issued when it occurs for the first time.
  • the measurement signal is saved and machine learning ML is applied in the further course of the process.
  • similarities to comparable incidents i.e. renewed generation of a measurement signal with the characteristics of the fourth measurement signal M4 can be determined.
  • these findings contribute to the generation of an error pattern MU3 and, after generation of this error pattern, the standardized course of the fourth measurement signal can also be recognized.
  • a warning message WM and a match message UM are generated by recognizing the error pattern MU3, the latter being linked to additional specific measures depending on the recognized error pattern MU3.
  • the pattern MU1, the second pattern MU2 and the third pattern MU3 have a hatched confidence interval that allows certain fluctuations with regard to the standardized curves NV1, NV2, NV3. This takes into account the fact that the measured curves VL1, VL2 are subject to certain tolerance fluctuations. In addition to a measurement tolerance, it must also be taken into account that different vehicles generate different measurement signals, which depend on factors such as the wheel wear of the vehicle.

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Arrangements For Transmission Of Measured Signals (AREA)

Abstract

Beschrieben ist ein Verfahren zum Zählen von Achsen, bei dem ein an einem Gleis (GL) montierter Achszählsensor (AZ, AZ1, AZ2) von einem Rad (RD) passiert wird,der Achszählsensor (AZ, AZ1, AZ2) ein Messsignal (U1 ... U2) erzeugt,der Verlauf (VL1 ... VL2) des Messsignals (U1 ... U2) rechnergestützt ausgewertet wird, wobei das Rad (RD) identifiziert wird,bei dem Auswerten des Messsignals (U1 ... U2) in dem Verlauf (VL1 ... VL2) des Messignals (U1 ... U2) nach mindestens einem Maximum (M1 ... M4) der der Amplitude des Messsignals (U1 ...U2) gesucht wird,der das Maximum enthaltende Verlauf (NV1 ... NV2) des Messsignals (U1 ... U2) mit Mustern (MU1 ... MU2) mindestens eines Verlaufes (VL1 ... VL2) für das Messsignal (U1 ... U2) bei Passieren eines Rades (RD) verglichen wird,in dem Fall einer gefundenen Übereinstimmung zwischen dem das Maximum enthaltenden Verlaufes mit einem der Muster eine Achse gezählt wird,erfindungsgemäß ist vorgesehendass in dem Fall, dass keine Übereinstimmung zwischen dem das Maximum enthaltenden Verlauf mit einem der Muster (MU1 ... MU3) festgestellt wird, eine Warnmeldung generiert wird. Vorteilhaft können auf diese Weise Fehler und insbesondere auch Manipulationsversuche aufgedeckt werden, die im Rahmen des Achszähler Verfahrens auftreten. Geeignete Maßnahmen können rechtzeitig eingeleitet werden, bevor es zu Unfällen kommt.

Description

  • Die Erfindung betrifft ein Verfahren zum Zählen von Achsen, bei dem ein an einem Gleis montierter Achszählsensor von einem Rad passiert wird, der Achszählsensor ein Messsignal erzeugt, der Verlauf des Messsignals rechnergestützt ausgewertet wird, wobei das Rad identifiziert wird. Außerdem betrifft die Erfindung ein Computerprogrammprodukt sowie eine Bereitstellungsvorrichtung für dieses Computerprogrammprodukt, wobei das Computerprogrammprodukt mit Programmbefehlen zur Durchführung dieses Verfahrens ausgestattet ist.
  • Bei der Achszählung durch Achszähler treten bekanntlich Störungen unterschiedlichster Natur auf, vom einfachen Rauschen oder Umwelteinflüssen bis hin zu herabhängenden Kabeln an Zügen oder sogenannten Spießgangeffekten bei Drehgestellen in engen Kurven. Daher besteht der Wunsch, insbesondere Störungen zu erkennen, die ähnlich zu Signalen von Rädern oder Drehgestellen sind, um die Radsignale zuverlässig erkennen zu können und insbesondere auch vorsätzliche Störungsversuche aufzudecken. Außerdem sind Bahn Infrastrukturen auch schlecht gegen böswillige Manipulationen zu schützen. So könnte ein Achszähler zum Beispiel durch Vorbeiführen von stählernen Gegenständen an der Sensorik derart beeinflusst werden, dass zusätzliche Zählimpulse ausgelöst würden. Insbesondere für derartige Störungen besteht ein großes Interesse, dass diese möglichst frühzeitig erkannt werden.
  • Ein verwandtes Problem muss beispielsweise bei der rechnergestützten Erkennung von Handschriften gelöst werden. Zur Erkennung von Handschriften beschreibt Claus Bahlmann et al. in IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE, VOL. 26, NO. 3, MARCH 2004 in dem Aufsatz "The Writer Independent Online Handwriting Recognition System frog on hand and Cluster Generative Statistical Dynamic Time Warping" ein geeignetes Verfahren. Hier gilt es, Buchstaben trotz der sich aus unterschiedlichen Handschriften ergebenen Unterschiede zu erkennen. Dies ist jedoch nicht ohne weiteres auf Achszähler zu übertragen, da bei Achszählern die Unterscheidung von Raddurchgängen anzeigenden Nutzsignalen und Störsignalen vorgenommen werden muss. Diese Prinzip ist gemäß EP 4124539 A1 auch schon bei der Mustererkennung von Achszählern angewendet worden.
  • Hierbei muss außerdem eine genügende Sicherheit erreicht werden. Es ist zu berücksichtigen, dass die Störsignale ein Ausmaß annehmen können, dass diese als Raddurchgang fehlinterpretiert werden. Hierfür soll ohne Beschränkung der Allgemeinheit folgendes Beispiel angegeben werden.
  • Ein Drehgestell besteht messtechnisch gesehen beispielsweise aus zwei aufeinander folgenden Rädern, also zwei Maxima der Signalamplitude des Messsignals mit einem gewissen Plateau dazwischen, die ein wiedererkennbares Muster ergeben.
  • Die Aufgabe der Erfindung ein Verfahren zum Zählen von Achsen anzugeben, welches eine vergleichsweise hohe Sicherheit gegen eine fälschliche Erkennung von Raddurchgängen durch böswillige Manipulationsversuche (im Folgenden als Manipulationen bezeichnet) aufweist. Außerdem besteht die Aufgabe der Erfindung darin, ein Computerprogrammprodukt sowie eine Bereitstellungsvorrichtung für dieses Computerprogrammprodukt anzugeben, mit dem das vorgenannte Verfahren durchgeführt werden kann.
  • Diese Aufgabe wird mit dem eingangs angegebenen Anspruchsgegenstand (Verfahren) bei dem
    • beim Auswerten des Messsignals (U1 ... U2) in dem Verlauf (VL1 ... VL2) des Messignals (U1 ... U2) nach mindestens einer Überschreitung eines vorgegebenen Schwellwertes oder einem Maximum (M1 ... M4) der Amplitude des Messsignals (U1 ...U2) gesucht wird,
    • der das Maximum enthaltende Verlauf (NV1 ... NV2) des Messsignals (U1 ... U2) mit Mustern (M1 ... M2) mindestens eines Verlaufes (VL1 ... VL2) für das Messsignal (U1 ... U2) bei Passieren eines Rades (RD) verglichen wird,
    • in dem Fall einer gefundenen Übereinstimmung zwischen dem das Maximum enthaltenden Verlaufes mit einem der Muster eine Achse gezählt wird,
    erfindungsgemäß dadurch gelöst, dass in dem Fall, dass keine ausreichende Übereinstimmung zwischen dem das Maximum enthaltenden Verlauf mit einem der Muster festgestellt wird, eine Warnmeldung generiert wird.
  • Das Messsignal ist ein zeitlicher Verlauf der gemessenen Messgröße, vorzugsweise der Signalspannung, die bedingt durch das Passieren des Rades einer Achse, jedoch auch durch Störeinflüsse und evtl. Manipulationen jeweilige Maxima aufweist. Dies bedeutet, dass durch die rechnergestützte Auswertung des Messsignals das zu erfassende Ereignis erkannt werden kann, dass ein Rad den Achszählsensor passiert hat, jedoch auch Störsignale und Manipulationen fälschlich als ein solcher Raddurchgang erkannt werden können.
  • Das Maximum muss nichtnotwendigerweise das Startkriterium bei der Suche sein. Es kann auch nach dem Überschreiten eines Schwellwerts bei einer Auswertung begonnen werden. Dies ist aber nur eine Alternative bei stark gestörten Signalen.
  • Der Vorteil des erfindungsgemäßen Verfahrens besteht darin, dass das Verfahren zum Zählen von Achsen sozusagen gegen das unbemerkte Auftreten von Manipulationsversuchen gehärtet wird. Anders ausgedrückt erlangt das Achszählverfahren eine künstliche Intelligenz (d. h. Verbesserung einer Mustererkennung insbesondere durch Machine Learning) dadurch, dass zu erwartende Achszählergebnisse bekannt sind, wobei der Signalverlauf solcher Ergebnisse mit den gemessenen Messsignalen verglichen werden kann. Wenn keine Übereinstimmung eines vorliegenden Messergebnisses mit einem regulären, d. h. zulässige Achszählergebnisse repräsentierenden Muster vorliegt, so liefert die dann generierte Warnmeldung hierauf einen Hinweis.
  • Die Warnmeldung kann zu unterschiedlichen Maßnahmen führen. Ein Manipulationsversuch an sich muss nicht zwangsläufig sofort ein Sicherheitsrisiko im Bahnbetrieb darstellen. Wenn in der Nähe des Achszählers beispielsweise gerade keine Züge unterwegs sind, so kann die Warnmeldung zu einer weiteren Überwachung des Betroffenen Achszählers genutzt werden und es kann beispielsweise Wartungspersonal zum Achszähler entsandt werden, um diesen zu überprüfen. Eventuell handelt es sich auch um einen technischen Fehler, der behoben werden könnte.
  • Befinden sich Züge in der Nähe des Achszählers oder wiederholen sich die Vorfälle, können aus der Warnmeldung auch weitergehende Konsequenzen abgeleitet werden (z. B. im Sinne eines Security Monitoring) bis hin zu einem Aussetzen des Betriebes der Betroffenen Strecke. Auch kann hinsichtlich des aufgetretenen Fehlers ein Mustervergleich dahingehend erfolgen, dass die von den regulären Mustern, die oben genannt wurden, abweichenden Messergebnisse untereinander verglichen werden, um festzustellen, ob diese einem Fehlermuster sprechen. Dies kann sowohl an einer Fehlfunktion des Achszählers als auch an einer bestimmten Art des Manipulationsversuches liegen (hierzu im Folgenden noch mehr).
  • Unter "rechnergestützt" oder "computerimplementiert" kann im Zusammenhang mit der Erfindung eine Implementierung des Verfahrens verstanden werden, bei dem mindestens ein Computer oder Prozessor mindestens einen Verfahrensschritt des Verfahrens ausführt.
  • Der Ausdruck "Rechner" oder "Computer" deckt alle elektronischen Geräte mit Datenverarbeitungseigenschaften ab. Computer können beispielsweise Personal Computer, Server, Handheld-Computer, Mobilfunkgeräte und andere Kommunikationsgeräte, die rechnergestützt Daten verarbeiten, Prozessoren und andere elektronische Geräte zur Datenverarbeitung sein, die vorzugsweise auch zu einem Netzwerk zusammengeschlossen sein können.
  • Unter einem "Prozessor" kann im Zusammenhang mit der Erfindung beispielsweise einen Wandler einen Sensor zur Erzeugung von Messsignalen oder eine elektronische Schaltung, verstanden werden. Bei einem Prozessor kann es sich insbesondere um einen Hauptprozessor (engl. Central Processing Unit, CPU), einen Mikroprozessor, einen Mikrocontroller, oder einen digitalen Signalprozessor, möglicherweise in Kombination mit einer Speichereinheit zum Speichern von Programmbefehlen, etc. handeln. Auch kann unter einem Prozessor ein virtualisierter Prozessor oder eine Soft-CPU verstanden werden.
  • Unter einer "Speichereinheit" kann im Zusammenhang mit der Erfindung beispielsweise ein computerlesbarer Speicher in Form eines Arbeitsspeichers (engl. Random-Access Memory, RAM) oder Datenspeichers (Festplatte oder Datenträger) verstanden werden.
  • Als "Schnittstellen" können hardwaretechnisch, beispielsweise kabelgebunden oder als Funkverbindung, und/oder softwaretechnisch, beispielweise als Interaktion zwischen einzelnen Programmmodulen oder Programmteilen eines oder mehrerer Computerprogramme, realisiert sein.
  • Als "Programmmodule" sollen einzelne Funktionseinheiten verstanden werden, die einen erfindungsgemäßen Programmablauf von Verfahrensschritten ermöglichen. Diese Funktionseinheiten können in einem einzigen Computerprogramm oder in mehreren miteinander kommunizierenden Computerprogrammen verwirklicht sein. Die hierbei realisierten Schnittstellen können softwaretechnisch innerhalb eines einzigen Prozessors umgesetzt sein oder hardwaretechnisch, wenn mehrere Prozessoren zum Einsatz kommen.
  • Gemäß einer Ausgestaltung der Erfindung ist vorgesehen, dass bei dem Auswerten des Messsignals in dem Verlauf des Messignals nach mindestens einem Maximum der Signalamplitude gesucht wird, die Amplitude des Messsignals bei einer Amplitudennormierung derart normiert wird, dass das Maximum mit einem vorgegebenen Zielwert identisch ist, für den Verlauf des Messsignals vor und hinter dem Maximum einer dynamische Zeitnormierung durchgeführt wird, wobei der durch Amplitudennormierung und Zeitnormierung normierte Verlauf des Messsignals mit Mustern sowohl mindestens eines Verlaufes für das Messsignal bei Passieren eines Rades als auch mindestens eines Verlaufes für das Messsignal bei Auftreten eines Fehlers verglichen wird.
  • Gemäß dieser Ausgestaltung wird auf das Messergebnis sowohl eine Amplitudennormierung als auch eine dynamische Zeitnormierung, auch Dynamic Time Wraping (im Folgenden kurz DTW) genannt, angewendet. Dies hat den Vorteil, dass das Messsignal sowohl hinsichtlich der Amplitude seines Maximums als auch hinsichtlich der Länge seines zeitlichen Verlaufs normiert wird. Dies erleichtert anschließend den Vergleich des auszuwertenden Verlaufes des Messsignals mit vorgegebener Zeitdauer und vorgegebener maximaler Amplitude mit Mustern verschiedener Verläufe (hierzu im Folgenden noch mehr). Damit wird die Zuverlässigkeit einer Mustererkennung für Raddurchgänge verbessert und die Wahrscheinlichkeit des Auftretens von falschen Auswertungsergebnisse insbesondere auch aufgrund von Manipulationen minimiert.
  • Die Amplitudennormierung läuft derart ab, dass das Maximum des betrachteten Verlaufs des Messsignals nach der Normierung mit einem vorgegebenen Zielwert identisch ist. Vorzugsweise kann auf 1 normiert werden, d. h. dass der Zielwert gleich 1 ist. Dies ist allerdings nicht unbedingt erforderlich. Von Bedeutung ist, dass der vorgegebene Zielwert des Maximums mit den Maxima übereinstimmt, welche in den Mustern enthalten sind, mit denen der betreffende Verlauf des Messsignals verglichen werden soll.
  • Das DTW wird durchgeführt, um in einem zeitlich begrenzten Ausschnitt des gesamten Verlaufes des Messsignals, der sich vor und hinter dem Maximum erstreckt, zu identifizieren, welcher zwecks Erkennung von Raddurchgängen oder auftretenden Fehlern mit Mustern verglichen werden soll. Da ein Raddurchlauf einen Signalverlauf erzeugt, der bis zu einem Maximum ansteigt und anschließend wieder abfällt, ist in den durch das DTW identifizierten Verläufen jeweils ein Maximum enthalten.
  • Eine Zeitnormierung erfolgt zu dem Zweck, dass ein Vergleich des betreffenden Verlaufes des Messsignals mit den Mustern durchgeführt werden kann. Hierbei ist insbesondere zu berücksichtigen, dass der Verlauf des Messsignals insbesondere von der Geschwindigkeit des den Achszählsensor passierenden Fahrzeugs abhängig ist. Eine höhere Geschwindigkeit erzeugt einen steileren kürzeren Anstieg bis zum Maximum (und anschließenden einen entsprechenden Abfall). Eine geringere Geschwindigkeit erzeugt im Vergleich hierzu einen flacheren, längeren Anstieg bis zum Maximum (und anschließend einen entsprechenden Abfall).
  • Bekannt ist das Prinzip von DTW zum Beispiel aus der Spracherkennung (das Erkennen von Sprechmerkmalen beim Diktieren): Hier sollen durch den Vergleich mit gespeicherten Sprachmustern einzelne Wörter aus einem gesprochenen Text erkannt werden. Ein Problem besteht darin, dass die Wörter oft unterschiedlich ausgesprochen werden. Vor allem Vokale werden oft länger oder kürzer gesprochen. Für einen erfolgreichen Mustervergleich sollte das Wort also entsprechend gedehnt bzw. gestaucht werden, jedoch nicht gleichmäßig, sondern vor allem an den Vokalen, die länger bzw. kürzer gesprochen wurden. Der Dynamic-time-warping-Algorithmus leistet diese adaptive Zeitnormierung. Ein anderer Anwendungsfall ist die Erkennung von Handschrift. Hier erfolgt eine Mustererkennung einzelner Buchstaben, wobei es Ziel ist, die Buchstaben bei unterschiedlichen Handschriften zu erkennen.
  • Diese Ausgestaltung macht sich die Erkenntnis zu Nutze, dass im Vergleich zu einer Schrifterkennung oder Spracherkennung die Messsignale eines Achszählers eine vergleichsweise geringe Komplexität aufweisen. Andererseits gibt es jedoch Fehler, die mit einem Raddurchlauf verwechselt werden können und deshalb zu falschen Ergebnissen bei der Auswertung führen. Diese müssen trotz der vergleichsweise geringen Komplexität der Muster zuverlässig erkannt werden. Hier setzt die Erfindung an, indem Muster nicht nur für die zu erkennenden Ereignisse eines Raddurchlaufs verschiedener Fahrzeuge definiert werden, sondern auch für typischerweise auftretende Fehler, die dann als solche erkannt werden und nicht mit einem Raddurchlauf verwechselt werden können.
  • Mit anderen Worten zielt diese Ausgestaltung darauf, nicht nur die Ereignisse zu erkennen, deren Auftreten gewünscht ist und gezählt werden soll, sondern bewusst auch die Ereignisse zu erkennen, die nicht auftreten sollen, demzufolge nicht gezählt werden sollen, jedoch fälschlich als zu zählende Ereignis erkannt werden könnten. Werden diese Ereignisse sicher als Fehler erkannt, so können diese als Zählereignis ausgeschlossen werden, selbst wenn ihre Bewertung als zu zählendes Ereignis eines Raddurchlaufs unsicher wäre. Hierin liegt der erfindungsgemäße Mehrwert einer Steigerung der Erkennungszuverlässigkeit.
  • Gemäß einer Ausgestaltung der Erfindung ist vorgesehen, dass der durch Amplitudennormierung und Zeitnormierung normierte Verlauf des Messsignals mit zumindest einem Muster eines Verlaufes für das Messsignal bei Auftreten eines bei der Kurvenfahrt von Drehgestellen auftretenden Spießgangs verglichen wird.
  • Wie bereits erwähnt, handelt es sich bei einem Spießgang um eine messbare Signalüberhöhung des Messsignals eines Achszählsensors, der ein Maximum zwischen den beiden Maxima der Raddurchgänge eines Drehgestells erzeugt. Ein Spießgang tritt vorzugsweise auf, wenn der Achszählsensor in einer Kurve verbaut wird und die Messung während der Kurvenfahrt des Drehgestells stattfindet.
  • Werden mögliche Spießgangeffekte als Muster von auftretenden Fehlern definiert, so kann bei Auftreten eines Spießgangs während der Messung durch einen Achszählsensor inbesondere im Rahmen des DTW ein Verlauf erzeugt werden, welcher nach Vergleich mit dem für den Spießgang vorliegenden Muster diesem Fehler zugeordnet werden kann. Wenn diese Zuordnung eindeutig ist, kann der betreffende Verlauf des Messsignals von einer Zuordnung des Ereignisses eines Raddurchgangs ausgeschlossen werden. Dies ist insbesondere dann von Vorteil, wenn eine Zuordnung zu einem Raddurchgang grenzwertig wäre und im Zweifelsfalle fälschlich eine nicht vorhandene Achse gezählt werden würde.
  • Mit anderen Worten gibt es Fälle, bei denen das erfindungsgemäße Verfahren mit einer höheren Sicherheit bei dem Zählen von zu einem Drehgestell gehörenden Achsen verwendet werden kann. Das Auftreten von falsch gezählten Achsen kann daher ausgeschlossen oder die Wahrscheinlichkeit eines solchen Ereignisses zumindest verringert werden. Damit steigt aber auch die Wahrscheinlichkeit, dass die Ermittlung von Abweichungen auf einen Manipulationsversuch zurückzuführen ist und infolgedessen ein Warnsignal zu erzeugen ist. Hierdurch kann die Wahrscheinlichkeit einer Aufdeckung von Manipulationsversuchen insbesondere im Personenverkehr, in dem fast ausschließlich Fahrzeuge mit Drehgestellen und Doppelachsen zum Einsatz kommen, vorteilhaft erhöht werden. Gleichzeitig sinkt die Wahrscheinlichkeit, dass das Auftreten anderer Fehler zu einem Warnsignal führt, welches beispielsweise eine Betriebsunterbrechung auslösen würde.
  • Gemäß einer Ausgestaltung der Erfindung ist vorgesehen, dass ein Achszähler verwendet wird, der in Fahrtrichtung hintereinander angeordnet einen ersten Achszählsensor und einen zweiten Achszählsensor aufweist, wobei das Verfahren nacheinander für den ersten Achszählsensor und den zweiten Achszählsensor durchlaufen wird.
  • Hierbei handelt es sich um sogenannte Doppelachszähler, deren Einsatz weit verbreitet ist. Die beiden verbauten Achszählsensoren, also der erste Achszählsensor und der zweite Achszählsensor erzeugen daher in kurzer Folge jeweils dieselben Maxima im zeitlichen Verlauf des Messsignals, zumindest, wenn keine Störungen vorliegen. In diesem Fall entsprechen die Maxima den gezählten Rädern. Ansonsten können ebenfalls Störsignale erfasst werden, die zu Maxima führen.
  • Die Verwendung von zwei Achszählsensoren ändert am Funktionsprinzip des Achszählers nichts. Der erste Achszählsensor und der zweite Achszählsensor funktionieren genauso, wie der Achszählsensor eines Achszählers, in dem nur ein einziger Achszählsensor verbaut ist. Die im Zusammenhang mit dieser Erfindung gemachten Aussagen treffen daher gleichermaßen für den Achszählsensor oder den ersten Achszählsensor sowie den zweiten Achszählsensor zu, wenn nicht anders beschrieben.
  • Die Verwendung eines ersten Achszählsensors und eines zweiten Achszählsensors hat den Vorteil, dass der Achszähler eine höhere Sicherheit gegen Ausfall aufweist. Damit sinkt, wie bereits beschrieben, die Wahrscheinlichkeit, dass Fehler fälschlich als Manipulationen gedeutet werden und nach ausgeben eines Warnsignals der Betrieb zum Stillstand kommt.
  • Gemäß einer Ausgestaltung der Erfindung ist vorgesehen, dass die Maxima in dem durch den ersten Achszählsensor erfassten ersten Verlauf und den durch den zweiten Achszählsensor erfassten zweiten Verlauf verglichen werden und nur diejenigen Maxima in dem durch Amplitudennormierung und Zeitnormierung normierten ersten Verlauf und zweiten Verlauf des Messsignals mit Mustern verglichen werden, die sowohl im ersten Verlauf als auch im zweiten Verlauf vorhanden sind.
  • Diese Ausgestaltung der Erfindung macht sich die Erkenntnis zu Nutze, dass das Ereignis eines Passierens eines Rades am Achszählsensor vorbei zuverlässig als Maximum in dem Verlauf des Messsignals erkannt wird. Daher müssen diese Maxima auch in beiden gemessenen Verläufen der Messsignale vorkommen. Kommt ein Maximum nur in einem der beiden Verläufe der Messsignale vor, so ist der Rückschluss zulässig, dass es sich hierbei um ein Störsignal handelt, welches an sich nicht gezählt werden soll. Hier ist auch die Wahrscheinlichkeit gegeben, dass es sich um einen Manipulationsversuch handelt. Dieser kann vorteilhaft zuverlässig ausgegeben werden, in dem ein Warnsignal generiert wird.
  • Gemäß einer Ausgestaltung der Erfindung ist vorgesehen, dass die Maxima in dem durch den ersten Achszählsensor erfassten ersten Verlauf und dem durch den zweiten Achszählsensor erfassten zweiten Verlauf verglichen werden und der Verlauf des Messsignals vor und hinter einem Maximum, der bei der dynamische Zeitnormierung berücksichtigt werden soll, unter Berücksichtigung eines Zeitversatzes zwischen einem vergleichbaren Maximum des ersten Verlaufes und des zweiten Verlaufes bestimmt wird.
  • Werden in dem ersten Verlauf und dem zweiten Verlauf Maxima aufgefunden, die einander entsprechen, kann der aus diesen bestimmbare Zeitversatz vorteilhaft genutzt werden, um ein geschwindigkeitsabhängiges Maß für die zeitlichen Grenzen des bei der dynamischen Zeitnormierung zu berücksichtigenden Verlaufes zu bekommen. Hierdurch wird vorteilhaft sichergestellt, dass der Verlauf bei der dynamischen Zeitnormierung eine genügende Spannweite hat, um die zu beurteilenden Charakteristika für einen späteren Vergleich mit den Mustern zu enthalten. In der Konsequenz steigt die Zuverlässigkeit des Erkennungsverfahrens, weswegen auch Manipulationsversuche mit einer höheren Sicherheit erkannt werden können. Damit sinkt, wie bereits beschrieben, die Wahrscheinlichkeit, dass Fehler fälschlich als Manipulationen gedeutet werden und nach ausgeben eines Warnsignals der Betrieb zum Stillstand kommt.
  • Gemäß einer Ausgestaltung der Erfindung ist vorgesehen, dass der durch Amplitudennormierung und Zeitnormierung normierte Verlauf des Messsignals mit Mustern sowohl mindestens eines Verlaufes für das Messsignal bei Passieren eines einzelnen Rades als auch mindestens eines Verlaufes für das Messsignal bei Passieren von zwei Rädern eines Drehgestells verglichen wird.
  • Diese Ausgestaltung der Erfindung macht sich die Erkenntnis zu Nutze, dass die Doppelachse eines Drehgestells, also die beiden Räder, die den Achszählsensor in diesem Fall passieren, ein charakteristisches Muster mit zwei Maxima ergeben. Werden diese beiden Maxima als zum Drehgestell gehörig durch das DTW identifiziert, so kann eine Normierung mit Bezug auf dieses Doppelereignis erfolgen. Anschließend kann dieses mit dem zugehörigen Muster verglichen werden. Hierdurch wird eine weitere Steigerung der Zuverlässigkeit erzielt. Gleichzeitig ist ein solches Doppelsignal durch eine böswillige Manipulation schwieriger herzustellen, sodass die Wahrscheinlichkeit, dass ein Manipulationsversuch aufgedeckt wird, vorteilhaft steigt. Dies ist insbesondere im Personenverkehr von besonderer Bedeutung, wo durch eine Manipulation Menschenleben gefährdet werden. Im Personenverkehr sind allerdings fast ausschließlich Fahrzeuge mit Drehgestellen und Doppelachsen im Einsatz, sodass hier ein Zugewinn an Sicherheit erlangt werden kann.
  • Gemäß einer Ausgestaltung der Erfindung ist vorgesehen, dass ein Vergleichen mit Mustern eines Verlaufes für das Messsignal bei Passieren von zwei Rädern eines Drehgestells nur dann durchgeführt wird, wenn der zeitliche Versatz der Maxima in dem Verlauf des Messsignals einen in Abhängigkeit der Geschwindigkeit eines den Achszählsensor passierenden Fahrzeugs vorgegebenen Grenzwert nicht überschreitet.
  • Dieser Maßnahme liegt die Erkenntnis zugrunde, dass bei dem Passieren eines Drehgestells der Achszählsensor in kurzer Zeitfolge hintereinander zwei Maxima aufzeichnet. Mit anderen Worten kann ausgeschlossen werden, dass es sich um ein Drehgestell handelt, wenn die Maxima nicht innerhalb eines geschwindigkeitsabhängigen, für Drehgestelle charakteristischen Zeitintervalls gemessen werden. Dies bedeutet auch hinsichtlich der Erkennung von Manipulationen einen zusätzlichen Sicherheitsgewinn. Gelingt es bei der Manipulation nicht, dieses Kriterium zu erfüllen, so werden die Signale aus dem Manipulationsversuch gar nicht erst als Drehgestell erkannt. Der nachgelagerte Verfahrensschritt, dass aufgrund einer Fehlerkennung eine Warnmeldung ausgegeben werden muss, tritt somit gar nicht ein, was vorteilhaft den Betrieb des Schienenverkehrs mit weniger Störungen ermöglicht.
  • Um den Grenzwert vorgeben zu können, muss die Geschwindigkeit des Fahrzeugs, welches den Achszählsensor überquert, bekannt sein. Hierfür gibt es unterschiedliche Möglichkeiten. Die Geschwindigkeit kann beispielsweise mittels eines anderen Sensors ermittelt und als Eingangsgröße in das Verfahren eingespeist werden. Beispielsweise kann die Geschwindigkeit im Fahrzeug gemessen werden und über Funk an einen Computer übertragen werden, der die Berechnungen des erfindungsgemäßen Verfahrens durchführt.
  • Eine andere Möglichkeit besteht darin, die Geschwindigkeit aus dem Zusammenhang eines Musters von Maxima (entsprechend den Achszählpulsen) zu schätzen. Drehgestelle werden üblicherweise bei Fahrzeugen einer gewissen Länge verbaut, sodass Drehgestelle jeweils nah beieinanderliegende Maxima erzeugen und dann eine längere Pause (Passieren der Fahrzeugmitte) oder eine kürzere Pause (zwischen zwei gekoppelten Fahrzeugen) auftritt. Aus dem Verhältnis der Pausen lässt sich die Geschwindigkeit abschätzen und somit auch der geschwindigkeitsabhängige Grenzwert bestimmen.
  • Eine weitere Möglichkeit besteht darin, sogenannte Doppelachszähler zu verwenden, bei denen zwei Achszählsensoren in kurzer Folge verbaut sind. Da der Abstand der Achszählsensoren bekannt ist, kann durch eine Bestimmung des Zeitversatzes der durch dasselbe Rad in den beiden Achszählsensoren erzeugten Maxima auf die Geschwindigkeit geschlossen werden (hierzu im Folgenden noch mehr).
  • Gemäß einer besonderen Ausgestaltung der Erfindung ist vorgesehen, dass
    • Geschwindigkeit unter Berücksichtigung von zwei Achsen eines den Achszähler (AZL) überquerenden Fahrzeugs oder von einer Achse des überquerenden Fahrzeugs, welche den ersten Achszählsensor (AZ1) und den zweiten Achszählsensor (AZ2) des Achszählers (AZL) überquert, berechnet wird,
    • überprüft wird, ob die berechnete Geschwindigkeit in einem zulässigen Geschwindigkeitsintervall liegt,
    • die Warnmeldung auch generiert wird, wenn die Geschwindigkeit außerhalb des zulässigen Geschwindigkeitsintervalls liegt.
  • Hierdurch ist vorteilhaft eine zusätzliche Plausibilisierung der Achszählsignale möglich. Es ist nämlich sehr schwer, mehrere Signale nacheinander an einem Achszähler oder unterschiedlichen Achszählern so zu generieren, dass die manipulierten Signale einer Prüfung hinsichtlich der Geschwindigkeit des Zuges ebenfalls standhalten. Selbst, wenn also die Einzelsignale täuschend ähnlich sind, kann aus unwahrscheinlichen berechneten Geschwindigkeitswerten darauf geschlossen werden, dass ein Fehler oder Manipulationsversuch vorliegt.
  • Gemäß einer besonderen Ausgestaltung der Erfindung ist vorgesehen, dass
    • aus der berechneten Geschwindigkeit von mehreren Achsen des Fahrzeugs die Beschleunigung des Fahrzeugs berechnet wird,
    • überprüft wird, ob die berechnete Beschleunigung in einem zulässigen Beschleunigungsintervall liegt,
    • die Warnmeldung auch generiert wird, wenn die Beschleunigung außerhalb des zulässigen Beschleunigungsintervalls liegt.
  • Das für die Geschwindigkeit oben Angegebene gilt insbesondere auch für die Beschleunigung. Werden mehrere Geschwindigkeiten des den Achszähler überquerenden Fahrzeuges gemessen, so kann aus einer Entwicklung der Geschwindigkeit während des Durchlaufens des Messverfahrens darauf geschlossen werden, ob der Zug beschleunigt, gebremst oder mit gleichbleibender Geschwindigkeit betrieben wird. Hierbei sind einerseits bestimmte Beschleunigungswerte aufgrund der Trägheit unwahrscheinlich. Zum anderen ist es aber auch unwahrscheinlich, wenn die Beschleunigung zwar innerhalb des Intervalls liegt, jedoch schnelle Sprünge in der zeitlichen Abfolge von Einzelmessungen festgestellt werden. Insbesondere wiederholte Sprünge zwischen positiven Beschleunigungswerten und negativen Beschleunigungswerten, welche eine Verzögerung beschreiben, lassen auf einen Fehler oder einen Manipulationsversuch schließen.
  • Gemäß einer besonderen Ausgestaltung der Erfindung ist vorgesehen, dass in dem Fall, dass keine Übereinstimmung zwischen dem das Maximum enthaltenden Verlauf mit einem der Muster festgestellt wird, ein das betreffende Messsignal repräsentierendes Fehlermuster erzeugt und gespeichert wird.
  • Durch diese Maßnahme ist es vorteilhaft möglich, dass der Achszähler mögliche Fehler und insbesondere auch Manipulationsversuche später wiedererkennt. Hierdurch kann (zukünftig) bereits durch Auswerten des ungewöhnlichen Messsignals ebenfalls mittels eines Mustervergleichs bestimmt werden, ob zusätzliche Informationen hinsichtlich der Art und Weise des Abweichens vom zu erwartenden Ergebnis bereits vorliegen. Im Einzelnen kann dieser Abgleich wie folgt vorgenommen werden.
  • Gemäß einer besonderen Ausgestaltung der Erfindung ist vorgesehen, dass in dem Fall, dass keine Übereinstimmung zwischen dem das Maximum enthaltenden Verlauf mit einem der Muster festgestellt wird,
    • der das Maximum enthaltende Verlauf mit gespeicherten Fehlermustern verglichen wird,
    • in dem Fall einer gefundenen Übereinstimmung zwischen dem das Maximum enthaltenden Verlauf mit einem der Fehlermuster ein Übereinstimmungsmeldung generiert wird.
  • Die Übereinstimmungsmeldung kann im weiteren Verlauf des Verfahrens in Verbindung mit dem betreffenden erkannten Fehlermuster verwendet werden, um vorteilhaft gezieltere Maßnahmen einzuleiten. Beispielsweise kann, wenn zuverlässig ein Manipulationsversuch aufgedeckt wurde, die Polizei oder Sicherheitspersonal eingeschaltet werden. Wenn zuverlässig ein Fehler aufgedeckt wurde, kann eine Wartungsmaßnahme durchgeführt werden oder Wartungspersonal zum betreffenden Achszähler entsandt werden.
  • Um den Betrieb des Achszählers zu verbessern und insbesondere auch Manipulationsversuche immer zuverlässiger aufdecken zu können, kann vorteilhaft künstliche Intelligenz angewendet werden, die ein maschinelles Lernen ermöglicht. Hierdurch wird die Mustererkennung sukzessive verbessert, wobei gleichzeitig auch das Erkennen von regulären Mustern (d. h. zulässige Achszählergebnisse beschreibende Muster) weiter verbessert werden kann.
  • Hierbei ist zu berücksichtigen, dass anders als bei typischen Fehlern, wie beispielsweise dem genannten Spießgang bei Doppelgestellen, eine Typisierung von Manipulationsversuchen in Form von Fehlermustern im Voraus nicht möglich ist, da noch nicht bekannt ist, mit welchen Mitteln böswillig die Manipulation erzeugt werden soll. Hier setzt die Erfindung an, indem ein maschinelles Lernen angewendet wird, damit das Verfahren sich sozusagen selbst aktualisieren kann und damit eine schnelle Anpassung an sich ändernde Manipulationsstrategien möglich wird.
  • Unter künstlicher Intelligenz (im Folgenden auch mit KI abgekürzt), auch Artificial Intelligence genannt, ist im Rahmen dieser Erfindung im engeren Sinne die Fähigkeit eines rechnergestützten maschinellen Lernens, auch Machine Learning genannt, (im Folgenden auch mit ML abgekürzt) zu verstehen. Es geht dabei um das statistische Lernen der Parametrisierung von Algorithmen, vorzugsweise für sehr komplexe Anwendungsfälle. Mittels ML erkennt und erlernt das System anhand von zuvor eingegebenen Lerndaten Muster und Gesetzmäßigkeiten bei den erfassten Prozessdaten. Mithilfe geeigneter Algorithmen können durch ML eigenständig Lösungen zu aufkommenden Problemstellungen gefunden werden. ML gliedert sich in drei Felder - überwachtes Lernen, unüberwachtes Lernen und bestärkendes Lernen (Reinforcement Learning), mit spezifischeren Anwendungen, zum Beispiel Regression und Klassifikation, Strukturerkennung und -vorhersage, Datengenerierung (Sampling) oder autonomes Handeln.
  • Beim überwachten Lernen wird das System durch den Zusammenhang von Eingabe und zugehöriger Ausgabe bekannter Daten trainiert und erlernt auf diese Weise approximativ funktionale Zusammenhänge. Dabei kommt es auf die Verfügbarkeit geeigneter und ausreichender Daten an, denn wenn das System mit ungeeigneten (z.B. nicht-repräsentativen) Daten trainiert wird, so lernt es fehlerhafte funktionale Zusammenhänge. Beim unüberwachten Lernen wird das System ebenfalls mit Beispieldaten trainiert, jedoch nur mit Eingabedaten und ohne Zusammenhang zu einer bekannten Ausgabe. Es lernt, wie Datengruppen zu bilden und zu erweitern sind, was typisch für den betreffenden Anwendungsfall ist und wo Abweichungen bzw. Anomalien auftreten. Dadurch lassen sich Anwendungsfälle beschreiben und Fehlerzustände entdecken. Beim bestärkenden Lernen lernt das System durch Versuch und Irrtum, indem es zu gegebenen Problemstellungen Lösungen vorschlägt und über eine Feedbackfunktion eine positive oder negative Bewertung zu diesem Vorschlag erhält. Je nach Belohnungsmechanismus erlernt das KI-System, entsprechende Funktionen auszuführen.
  • Das maschinelle Lernen kann beispielsweise durch künstliche neuronale Netze (im Folgenden Artificial neural Network, kurz ANN genannt) durchgeführt werden. Künstliche neuronale Netze basieren meist auf der Vernetzung vieler Neuronen, beispielsweise McCulloch-Pitts-Neuronen oder leichter Abwandlungen davon. Grundsätzlich können auch andere künstliche Neuronen Anwendung in ANN finden, z. B. das High-Order-Neuron. Die Topologie eines Netzes (die Zuordnung von Verbindungen zu Knoten) muss abhängig von seiner Aufgabe bestimmt werden. Nach der Konstruktion eines Netzes folgt die Trainingsphase, in der das Netz "lernt". Dabei kann ein Netz beispielsweise durch folgende Methoden lernen:
    • Entwicklung neuer Verbindungen
    • Löschen existierender Verbindungen
    • Ändern der Gewichtung (der Gewichte von Neuron j zu Neuron i) Anpassen der Schwellenwerte der Neuronen, sofern diese Schwellwerte besitzen
    • Hinzufügen oder Löschen von Neuronen
    • Modifikation von Aktivierungs-, Propagierungs- oder Ausgabefunktion
  • Außerdem verändert sich das Lernverhalten bei Veränderung der Aktivierungsfunktion der Neuronen oder der Lernrate des Netzes. Praktisch gesehen lernt ein ANN hauptsächlich durch Modifikation der Gewichte der Neuronen. Eine Anpassung des Schwellwertes kann hierbei durch ein Neuron miterledigt werden. Dadurch sind ANN in der Lage, komplizierte nichtlineare Funktionen über einen Lernalgorithmus, der durch iterative oder rekursive Vorgehensweise aus vorhandenen Ein- und gewünschten Ausgangswerten alle Parameter der Funktion zu bestimmen versucht, zu erlernen. ANN sind dabei eine Realisierung des konnektionistischen Paradigmas, nach dem die Funktion aus vielen einfachen gleichartigen Teilen besteht. Erst in ihrer Summe wird das Verhalten komplex.
  • Des Weiteren wird ein Computerprogrammprodukt mit Programmbefehlen zur Durchführung des genannten erfindungsgemäßen Verfahrens und/oder dessen Ausführungsbeispielen beansprucht, wobei mittels des Computerprogrammprodukts jeweils das erfindungsgemäße Verfahren und/oder dessen Ausführungsbeispiele durchführbar sind.
  • Darüber hinaus wird eine Bereitstellungsvorrichtung zum Speichern und/oder Bereitstellen des Computerprogrammprodukts beansprucht. Die Bereitstellungsvorrichtung ist beispielsweise ein Speichereinheit, die das Computerprogrammprodukt speichert und/oder bereitstellt. Alternativ und/oder zusätzlich ist die Bereitstellungsvorrichtung beispielsweise ein Netzwerkdienst, ein Computersystem, ein Serversystem, insbesondere ein verteiltes, beispielsweise cloudbasiertes Computersystem und/oder virtuelles Rechnersystem, welches das Computerprogrammprodukt vorzugsweise in Form eines Datenstroms speichert und/oder bereitstellt.
  • Die Bereitstellung erfolgt in Form eines Programmdatenblocks als Datei, insbesondere als Downloaddatei, oder als Datenstrom, insbesondere als Downloaddatenstrom, des Computerprogrammprodukts. Diese Bereitstellung kann beispielsweise aber auch als partieller Download erfolgen, der aus mehreren Teilen besteht. Ein solches Computerprogrammprodukt wird beispielsweise unter Verwendung der Bereitstellungsvorrichtung in ein System eingelesen, sodass das erfindungsgemäße Verfahren auf einem Computer zur Ausführung gebracht wird.
  • Weitere Einzelheiten der Erfindung werden nachfolgend anhand der Zeichnung beschrieben. Gleiche oder sich entsprechende Zeichnungselemente sind jeweils mit den gleichen Bezugszeichen versehen und werden nur insoweit mehrfach erläutert, wie sich Unterschiede zwischen den einzelnen Figuren ergeben.
  • Bei den im Folgenden erläuterten Ausführungsbeispielen handelt es sich um bevorzugte Ausführungsformen der Erfindung. Bei den Ausführungsbeispielen stellen die beschriebenen Komponenten der Ausführungsformen jeweils einzelne, unabhängig voneinander zu betrachtende Merkmale der Erfindung dar, welche die Erfindung jeweils auch unabhängig voneinander weiterbilden und damit auch einzeln oder in einer anderen als der gezeigten Kombination als Bestandteil der Erfindung anzusehen sind. Des Weiteren sind die beschriebenen Komponenten auch durch mit den vorstehend beschriebenen Merkmalen der Erfindung kombinierbar.
  • Es zeigen:
    • Figur 1 ein Ausführungsbeispiel der erfindungsbemäßen Vorrichtung mit ihren Wirkzusammenhängen schematisch mit einer Computer-Infrastruktur als Blockschaltbild, wobei die einzelnen Funktionseinheiten Programmmodule enthalten, die jeweils in einem oder mehreren Prozessoren ablaufen können und die Schnittstellen demgemäß softwaretechnisch oder hardwaretechnisch ausgeführt sein können,
    • Figur 2 ein Ausführungsbeispiel des erfindungsgemäßen Verfahrens, wobei die einzelnen Verfahrensschritte einzeln oder in Gruppen durch Programmmodule verwirklicht sein können und wobei die Schnittstellen gemäß Figur 1 beispielhaft angedeutet sind.
  • In Figur 1 ist ein Fahrzeug FZ dargestellt, welches in einer Fahrtrichtung FR auf einem Gleis GL unterwegs ist. Das Fahrzeug FZ weist Drehgestelle DG, die jeweils mit zwei Achsen versehen sind. Diese werden in Figur 1 durch Räder RD angedeutet.
  • Sobald die Räder RD über einen Achszähler AZL, aufweisend einen ersten Achszählsensor AZ1 und einen zweiten Achszählsensor AZ2, passiert, wird ein Impuls im Verlauf des Messsignals U1, U2 (vgl. Figur 2) erzeugt (hierzu im Folgenden mehr).
  • Der Achszähler AZL ist mit einer Auswerteeinheit AE verbunden, die einen ersten Computer CP1 aufweist. Dieser Computer CP1 ist über eine sechste Schnittstelle S6 sowohl mit dem ersten Achszählsensor AZ1 als auch mit dem zweiten Achszählsensor AZ2 verbunden. Anstelle zweier Achszählsensoren kann auch ein einzelner Achszählsensor AZ zum Einsatz kommen, daher ist einer der beiden Achszählsensoren sowohl mit dem Bezugszeichen AZ als auch mit dem Bezugszeichen AZ1 bezeichnet.
  • In der Auswerteeinheit AE ist außerdem eine erste Speichereinrichtung SE1 untergebracht, die über eine fünfte Schnittstelle S5 mit dem ersten Computer CP1 verbunden ist. Diese enthält beispielsweise ein Programm zur Durchführung des erfindungsgemäßen Verfahrens sowie eine Bibliothek mit verschiedenen Mustern M1, M2 (vgl. Figur 2), die für bestimmte zu messende Verläufe VL1, VL2, repräsentiert durch normierte Verläufe NV1, NV2, NV3 verwendet werden (vgl. Figur 2).
  • Weiterhin ist der erste Computer CP1 über eine dritte Schnittstelle S3 mit einem zweiten Computer CP2 in einer Leitzentrale LZ verbunden. Der zweite Computer CP2 ist überdies über eine vierte Schnittstelle S4 mit einer zweiten Speichereinrichtung SE2 verbunden. Die Leitzentrale steht stellvertretend für eine streckenseitige Einrichtung, wie ein Stellwerk oder ein automatisches Zugbeeinflussungssystem.
  • Das Fahrzeug FZ sowie die Leitzentrale LZ weisen Antennen AT auf, sodass diese über eine zweite Schnittstelle S2 miteinander kommunizieren können. Außerdem kann das Fahrzeug FZ über eine erste Schnittstelle S1 mit einem Satelliten STL kommunizieren. Auf diese Weise ist beispielsweise eine Ortung des Fahrzeugs FZ möglich, wobei es sich bei dem Satelliten STL um einen Navigationssatelliten handelt.
  • Das erfindungsgemäße Verfahren weist Programmmodule auf, die wahlweise im ersten Computer CP1 oder im zweiten Computer CP2 ablaufen können. Dies hängt davon ab, wie "intelligent" die durch den Achszähler AZL und die Auswerteeinheit AE gebildete Anordnung zum Achszählen ausgebildet ist.
  • In Figur 2 ist der Ablauf des erfindungsgemäßen Verfahrens anhand eines Flussdiagramms dargestellt. Hierbei werden schematische Darstellungen der Signalverläufe gewählt, um die einzelnen Verfahrensschritte zu erläutern. Im oberen Teil der Figur 2 sind die Verläufe VL1 des ersten Achszählersensors AZ1 und VL2 des zweiten Achszählsensors AZ2 dargestellt. Zu diesem Zweck ist ein Diagramm gewählt, bei dem das Messsignal U1, U2 in Form einer Ausgangsspannung über die Zeit t dargestellt ist. Im unteren Teil von Figur 2 sind die nachfolgenden Verarbeitungsschritte einer Normierung mit dem Ergebnis normierter Verläufe NV1, NV2, NV3, NV 4 sowie ein Vergleich mit Mustern M1, M2 dargestellt. Den Abgleich mit diesen Mustern beherrscht das Verfahren bereits im am Anfang des Verfahrensablaufes dieses Ausführungsbeispiels des Verfahrens. Der Abgleich kann wie beschrieben durch ein Machine Learning gefunden oder optimiert worden sein.
  • Bei den in Figur 2 dargestellten Verfahren wird, wie bereits erwähnt, der Achszähler AZL gemäß Figur 1 mit einem ersten Achszählsensor AZ1 und einem zweiten Achszählsensor AZ2 verwendet. Genauso vorstellbar ist die Verwendung eines Achszählers mit nur einem Achszählsensors AZ, wobei die Figur 2 ähnlich aussehen würde, d. h. das Diagramm des Verlaufs VL1 sowie die damit verbundenen Maßnahmen, angedeutet durch Pfeile, würden wegfallen.
  • Anhand des Verlaufs VL1 und des Verlaufs VL2 lässt sich zunächst erkennen, dass die Achszählsensoren AZ1, AZ2 mit einem lateralen Versatz in Fahrtrichtung im Gleis GL verbaut sind. Dies führt zu einem Zeitversatz ZVM vergleichbarer Maxima. Dies ist in Figur 2 angedeutet, indem das aufgrund des Durchgangs des ersten Rads RD des Drehgestells DG erzeugte erste Maximum M1 im ersten Verlauf VL1 und im zweiten Verlauf VL2 ausgewählt wurden.
  • Weiterhin ist in den Verläufen VL1, VL2 zu erkennen, dass es sich um eine Überfahrt von zwei Rädern (Achsen) eines Drehgestells handelt. Dies ist zu erkennen, da in den Verläufen VL1, VL2 neben dem zeitversetzten ersten Maximum M1 ein weiteres, ebenfalls um den Zeitversatz ZVM verschobenes zweites Maximum M2 zu erkennen ist, welches große Ähnlichkeit mit dem ersten Maximum M1 aufweist. Das erste Maximum M1 und das zweite Maximum M2 sind jeweils um einen Zeitversatz ZVR jeweils zwischen den Raddurchgängen voneinander entfernt. Dieser Zeitversatz ZVR entspricht gerade der Zeitdifferenz, die zwischen dem Raddurchgang des ersten Rades des Drehgestells DG und des zweiten Rades RD des Drehgestells DG liegt.
  • Aus dem Zeitversatz lässt sich eine Geschwindigkeit v des über den Achszähler überquerenden Fahrzeuges berechnen. Durch Ableitung der Geschwindigkeit v lässt sich auch auf die Beschleunigung a schließen. Dies ist jedoch nur möglich, wenn weitere Achszählimpulse von anderen Achsen des Fahrzeugs (die in Figur 2 nicht dargestellt sind) vorliegen.
  • Die berechneten Werte für die Geschwindigkeit v und die Beschleunigung a können in einem Plausibilisierungsschritt PL dahingehend untersucht werden, ob diese Werte für den überquerenden Fahrzeug überhaupt realistisch sind. Hierfür können beispielsweise ein Geschwindigkeitsintervall und ein Beschleunigungsintervall definiert werden, die auch fahrzeugspezifisch definiert sein können. In letzterem Falle müssen für die Auswahl der betreffenden Geschwindigkeitsintervalle und Beschleunigungsintervalle jedoch auch Daten aus der im Folgenden beschriebenen Mustererkennung hinzugezogen werden, die es ermöglichen, einen bestimmten Fahrzeugtyp zu identifizieren.
  • Wenn der Plausibilisierungsschritt PL ergibt, dass die Geschwindigkeit und/oder Beschleunigungswerte nicht plausibel sind, (also beispielsweise nicht in den betreffenden Geschwindigkeitsintervallen und Beschleunigungsintervallen liegen) wird eine Warnmeldung generiert und beispielsweise über ein Ausgabegerät ausgegeben.
  • Um die normierten Verläufe NV1, NV2, NV3, NV4 zu erzeugen, wird gemäß dem erfindungsgemäßen Verfahren in nicht näher dargestellter Weise eine Normierung N durchgeführt. Diese Normierung beinhaltet eine Amplitudennormierung des Messsignals U1, U2 auf einen Zielwert ZW, der im Ausführungsbeispiel gemäß Figur 2 bei 1 liegt. Außerdem wird eine dynamische Zeitnormierung durchgeführt, wobei der erste Verlauf VL1 bzw. der zweite Verlauf VL2 jeweils vor und hinter dem identifizierten Maximum M1, M2, M3 soweit betrachtet wird, dass der mit dem Maximum M1, M2, M3 verbundene Verlauf charakterisierbar ist (und mit Mustern MU1, MU2, MU3 verglichen werden kann, hierzu im Folgenden noch mehr). Dadurch entstehen die normierten Verläufe NV1, NV2, NV3, NV4 gleichsam in Zeitfenstern ZF1, ZF2, ZF3, die in ihrer zeitlichen Ausdehnung den Mustern MU1, MU2, MU3 entsprechen.
  • Wie zu erkennen ist, führt die Auswertung des ersten Maximums M1 zur Generierung des ersten normierten Verlaufs NV1 und die Auswertung des zweiten Maximums M2 zu einer Generierung des dritten normierten Verlaufs NV3. Weiterhin ist ein drittes Maximum M3 und eine viertes Maximum M4 sowohl im ersten Verlauf VL1 als auch im zweiten Verlauf VL2 zu erkennen, welches zur Generierung eines zweiten normierten Verlaufs NV2 und eines vierten normierten Verlaufes NV4 führt.
  • Im letzten Schritt erfolgt ein Mustervergleich der normierten Verläufe NV1, NV2, NV3. Hierbei ergibt sich, dass der erste normierte Verlauf NV1 und der dritte normierte Verlauf NV3 jeweils mit dem ersten Muster MU1 übereinstimmt, welcher einen Raddurchlauf repräsentiert. Dies führt zu einem Zählergebnis von 2. Der zweite normierte Verlauf NV2 wird mittels des zweiten Musters MU2 identifiziert, welches einen Spießgang repräsentiert. Daher wird der normierte Verlauf NV2 von einer Zählung ausgeschlossen (angedeutet mit einem X). Ansonsten wird in dem Ausführungsbeispiel gemäß Figur 2 keine Warnmeldung erzeugt, da der aufgetretene Fehler zuverlässig erkannt wurde als ein Phänomen, welches bei Drehgestellen unter bestimmten Bedingungen auftreten kann. Daher ist kein Handlungsbedarf erforderlich.
  • Anders als das erste Muster MU1 und das zweite Muster MU2 existiert das Fehlermuster MU3 vor dem Auftreten des vierten Messsignales M4 noch nicht. Nachdem das normierte Messsignal M4 nach dem ersten Auftreten nicht erkannt werden konnte, wird bei seinem erstmaligen Auftreten eine Warnmeldung WM generiert und ausgegeben.
  • Gleichzeitig wird das Messsignal abgespeichert und im weiteren Verlauf des Verfahrens ein maschinelles Lernen ML angewendet. Hierbei können Verwandtschaften zu vergleichbaren Vorfällen, d. h. erneuter Generierung eines Messsignals mit der Charakteristik des vierten Messsignals M4 festgestellt werden. Diese Feststellungen tragen als Ergebnis des maschinellen Lernens dazu bei, dass ein Fehlermuster MU3 generiert wird und nach Generierung dieses Fehlermusters auch der normierte Verlauf des vierten Messsignals wiedererkannt werden kann. In diesen Fällen wird durch Erkennung des Fehlermusters MU3 eine Warnmeldung WM und eine Übereinstimmungsmeldung UM generiert, wobei Letztere an zusätzliche spezifische Maßnahmen in Abhängigkeit des erkannten Fehlermusters MU3 gekoppelt ist.
  • Handelt es sich um einen durch das Fehlermuster MU3 bekannten Manipulationsversuch können beispielsweise andere Maßnahmen eingeleitet werden, als wenn es sich um das Auftreten eines durch das Muster MU3 bekannten Fehlers handelt (wie bereits beschrieben wurde).
  • In Figur 2 ist angedeutet, dass das Muster MU1 das zweite Muster MU2 und das dritte Muster MU3 einen schraffiert gekennzeichneten Vertrauensbereich aufweist, der hinsichtlich der normierten Verläufe NV1, NV2, NV3 gewisse Schwankungen zulässt. Dies trägt dem Umstand Rechnung, dass die gemessenen Verläufe VL1, VL2 gewissen Toleranzschwankungen unterliegen. Neben einer Messtoleranz ist auch zu berücksichtigen, dass unterschiedliche Fahrzeuge unterschiedliche Messsignale erzeugen, die z. B. von Gegebenheiten wie dem Radverschleiß des Fahrzeugs abhängig sind.
    • Bezugszeichenliste
    • LZ
    Leitzentrale
    FZ
    Fahrzeug
    DG
    Drehgestell
    RD
    Rad
    FR
    Fahrtrichtung
    GL
    Gleis
    AT
    Antenne
    STL
    Satellit
    AZL
    Achszähler
    AZ, AZ1, AZ2
    Achszählsensor
    AE
    Auswerteeinheit
    CP1 ... CP2
    Computer
    SE1 ... SE2
    Speichereinrichtung
    S1 ... S5
    Schnittstelle
    VL1 ... VL2
    Verlauf
    M1 ... M4
    Maximum
    NV1 ... NV4
    normierter Verlauf
    ZF1 ... ZF4
    Zeitfenster
    U1 ... U2
    Messsignal
    MU1 ... MU3
    Muster
    N
    Normierung
    ZW
    Zielwert
    ZVM
    Zeitersatz zwischen vergleichbaren Maxima
    ZVR
    Zeitversatz zwischen Raddurchgängen
    2
    Zählergebnis
    X
    Ausschluss
    v
    Geschwindigkeit des Fahrzeugs
    a
    Beschleunigung des Fahrzeugs
    PL
    Plausibilisierungsschritt
    WM
    Warnmeldung
    ML
    maschineller Lernschritt

Claims (13)

  1. Verfahren zum Zählen von Achsen, bei dem
    • ein an einem Gleis (GL) montierter Achszählsensor (AZ, AZ1, AZ2) von einem Rad (RD) passiert wird,
    • der Achszählsensor (AZ, AZ1, AZ2) ein Messsignal (U1 ... U2) erzeugt,
    • der Verlauf (VL1 ... VL2) des Messsignals (U1 ... U2) rechnergestützt ausgewertet wird, wobei das Rad (RD) identifiziert wird,
    • bei dem Auswerten des Messsignals (U1 ... U2) in dem Verlauf (VL1 ... VL2) des Messignals (U1 ... U2) nach mindestens einer Überschreitung eines vorgegebenen Schwellwertes oder einem Maximum (M1 ... M4) der Amplitude des Messsignals (U1 ...U2) gesucht wird,
    • der das Maximum enthaltende Verlauf (NV1 ... NV2) des Messsignals (U1 ... U2) mit Mustern (MU1 ... MU2) mindestens eines Verlaufes (VL1 ... VL2) für das Messsignal (U1 ... U2) bei Passieren eines Rades (RD) verglichen wird,
    • in dem Fall einer gefundenen Übereinstimmung zwischen dem das Maximum enthaltenden Verlaufes mit einem der Muster eine Achse gezählt wird,
    dadurch gekennzeichnet,
    dass in dem Fall, dass keine Übereinstimmung zwischen dem das Maximum enthaltenden Verlauf mit einem der Muster (MU1 ... MU3) festgestellt wird, eine Warnmeldung (WM) generiert wird.
  2. Verfahren nach Anspruch 1
    dadurch gekennzeichnet,
    dass bei dem Auswerten des Messsignals (U1 ... U2)
    • die Amplitude des Messsignals (U1 ... U2) bei einer Amplitudennormierung derart normiert wird, dass das Maximum (M1 ... M4) mit einem vorgegebenen Zielwert (ZW) identisch ist,
    • für den Verlauf (VL1 ... VL2) des Messsignals (U1 ... U2) vor und hinter dem Maximum (M1 ... M4) eine dynamische Zeitnormierung durchgeführt wird,
    wobei der durch Amplitudennormierung und Zeitnormierung normierte Verlauf (NV1 ... NV2) des Messsignals (U1 ... U2) mit Mustern (MU1 ... MU3) mindestens eines ebenfalls normierten Verlaufes (VL1 ... VL2) für das Messsignal (U1 ... U2) bei Passieren eines Rades (RD)
    verglichen wird.
  3. Verfahren nach Anspruch 2,
    dadurch gekennzeichnet,
    dass der durch Amplitudennormierung und Zeitnormierung normierte Verlauf (NV1 ... NV4) des Messsignals (U1 ... U2) auch mit Mustern (MU1 ... MU3) mindestens eines Verlaufes (VL1 ... VL2) für das Messsignal (U1 ... U2) bei Auftreten eines Fehlers verglichen wird.
  4. Verfahren nach einem der voranstehenden Ansprüche,
    dadurch gekennzeichnet,
    dass der durch Amplitudennormierung und Zeitnormierung normierte Verlauf (NV1 ... NV2) des Messsignals (U1 ... U2) mit zumindest einem Muster (MU1 ... MU2) eines Verlaufes (VL1 ... VL2) für das Messsignal (U1 ... U2) bei Auftreten eines bei der Kurvenfahrt von Drehgestellen (DG) auftretenden Spießgangs verglichen wird.
  5. Verfahren nach einem der voranstehenden Ansprüche,
    dadurch gekennzeichnet,
    dass ein Achszähler (AZL) verwendet wird, der in Fahrtrichtung (FR) hintereinander angeordnet einen ersten Achszählsensor (AZ1) und einen zweiten Achszählsensor (AZ2) aufweist, wobei das Verfahren nacheinander für den ersten Achszählsensor (AZ1) und den zweiten Achszählsensor (AZ2) durchlaufen wird.
  6. Verfahren nach Anspruch 5,
    dadurch gekennzeichnet,
    dass die Maxima in dem durch den ersten Achszählsensor (AZ1) erfassten ersten Verlauf (VL1) und dem durch den zweiten Achszählsensor (AZ2) erfassten zweiten Verlauf (VL2) verglichen werden und nur diejenigen Maxima in dem durch Amplitudennormierung und Zeitnormierung normierten ersten Verlauf (VL1) und zweiten Verlauf (VL2) des Messsignals (U1 ... U2) mit Mustern (MU1 ... MU2) verglichen werden, die sowohl im ersten Verlauf (VL1) als auch im zweiten Verlauf (VL2) vorhanden sind.
  7. Verfahren nach Anspruch 5 oder 6,
    dadurch gekennzeichnet,
    dass die Maxima in dem durch den ersten Achszählsensor (AZ1) erfassten ersten Verlauf (VL1) und den durch den zweiten Achszählsensor (AZ2) erfassten zweiten Verlauf (VL2) verglichen werden und der Verlauf (VL1 ... VL2) des Messsignals (U1 ... U2) vor und hinter einem Maximum (M1 ... M4), der bei der dynamischen Zeitnormierung berücksichtigt werden soll, unter Berücksichtigung eines Zeitversatzes zwischen einem vergleichbaren Maximum (M1 ... M4) des ersten Verlaufes (VL1) und des zweiten Verlaufes (VL2) bestimmt wird.
  8. Verfahren nach einem der voranstehenden Ansprüche,
    dadurch gekennzeichnet,
    dass
    • Geschwindigkeit unter Berücksichtigung von zwei Achsen eines den Achszähler (AZL) überquerenden Fahrzeugs oder von einer Achse des überquerenden Fahrzeugs, welche den ersten Achszählsensor (AZ1) und den zweiten Achszählsensor (AZ2) des Achszählers (AZL) überquert, berechnet wird,
    • überprüft wird, ob die berechnete Geschwindigkeit (v) in einem zulässigen Geschwindigkeitsintervall liegt,
    • die Warnmeldung (WM) auch generiert wird, wenn die Geschwindigkeit außerhalb des zulässigen Geschwindigkeitsintervalls liegt.
  9. Verfahren nach Anspruch 8,
    dadurch gekennzeichnet,
    dass
    • aus der berechneten Geschwindigkeit von mehreren Achsen des Fahrzeugs die Beschleunigung (a) des Fahrzeugs berechnet wird,
    • überprüft wird, ob die berechnete Beschleunigung in einem zulässigen Beschleunigungsintervall liegt,
    • die Warnmeldung (WM) auch generiert wird, wenn die Beschleunigung außerhalb des zulässigen Beschleunigungsintervalls liegt.
  10. Verfahren nach einem der voranstehenden Ansprüche,
    dadurch gekennzeichnet,
    dass in dem Fall, dass keine Übereinstimmung zwischen dem das Maximum enthaltenden Verlauf mit einem der Muster (MU1 ... MU2) festgestellt wird, ein das betreffende Messsignal repräsentierendes Fehlermuster (MU3) erzeugt und gespeichert wird.
  11. Verfahren nach einem der voranstehenden Ansprüche,
    dadurch gekennzeichnet,
    dass in dem Fall, dass keine Übereinstimmung zwischen dem das Maximum enthaltenden Verlauf mit einem der Muster (MU1 ... MU2) festgestellt wird,
    • der das Maximum enthaltende Verlauf mit gespeicherten Fehlermustern (MU3) verglichen wird,
    • in dem Fall einer gefundenen Übereinstimmung zwischen dem das Maximum enthaltenden Verlauf mit einem der Fehlermuster ein Übereinstimmungsmeldung (UM) generiert wird.
  12. Computerprogrammprodukt mit Programmbefehlen zur Durchführung des Verfahrens nach einem der Ansprüche 1 - 7.
  13. Bereitstellungsvorrichtung für das Computerprogrammprodukt nach dem letzten voranstehenden Anspruch, wobei die Bereitstellungsvorrichtung das Computerprogrammprodukt speichert und/oder bereitstellt.
EP23171526.9A 2023-05-04 2023-05-04 Verfahren zum zählen von achsen mit rechnergestützter auswertung und fehlererkennung Withdrawn EP4458643A1 (de)

Priority Applications (1)

Application Number Priority Date Filing Date Title
EP23171526.9A EP4458643A1 (de) 2023-05-04 2023-05-04 Verfahren zum zählen von achsen mit rechnergestützter auswertung und fehlererkennung

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
EP23171526.9A EP4458643A1 (de) 2023-05-04 2023-05-04 Verfahren zum zählen von achsen mit rechnergestützter auswertung und fehlererkennung

Publications (1)

Publication Number Publication Date
EP4458643A1 true EP4458643A1 (de) 2024-11-06

Family

ID=86329400

Family Applications (1)

Application Number Title Priority Date Filing Date
EP23171526.9A Withdrawn EP4458643A1 (de) 2023-05-04 2023-05-04 Verfahren zum zählen von achsen mit rechnergestützter auswertung und fehlererkennung

Country Status (1)

Country Link
EP (1) EP4458643A1 (de)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7890223B1 (en) * 2006-05-18 2011-02-15 Bnsf Railway Company Railroad signal aspect compliance monitoring systems and methods
US10144439B2 (en) * 2014-01-27 2018-12-04 Thales Deutschland Gmbh Redundancy switching of detection points
EP4124539A1 (de) 2021-07-29 2023-02-01 Siemens Mobility GmbH Verfahren zum zählen von achsen mit rechnergestützter auswertung

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7890223B1 (en) * 2006-05-18 2011-02-15 Bnsf Railway Company Railroad signal aspect compliance monitoring systems and methods
US10144439B2 (en) * 2014-01-27 2018-12-04 Thales Deutschland Gmbh Redundancy switching of detection points
EP4124539A1 (de) 2021-07-29 2023-02-01 Siemens Mobility GmbH Verfahren zum zählen von achsen mit rechnergestützter auswertung

Similar Documents

Publication Publication Date Title
DE112016003125B4 (de) Automatische Erkennung und Bewertung von Low-Speed-Crashs
EP4124539B1 (de) Verfahren zum zählen von achsen mit rechnergestützter auswertung
EP3792150B1 (de) Erkennung von hands-off-situationen auf basis von schwarmdaten
DE102019135608A1 (de) Verfahren, Vorrichtung und System zur Detektion von anomalen Betriebszuständen eines Geräts
EP3282399B1 (de) Verfahren zur verbesserten erkennung von prozessanomalien einer technischen anlage sowie entsprechendes diagnosesystem
EP4186775B1 (de) Verfahren und vorrichtung zum erkennen von eigenschaften eines fahrzeugs
EP3968213A1 (de) Verfahren und vorrichtung zum ermitteln eines gleisgebundenen schienenpfades in einer gleisanlage
EP3798090A1 (de) Verfahren zum überwachen einer gesprochenen kommunikation im zugverkehr und zugehöriges zugleitsystem
DE102018209108A1 (de) Schnelle Fehleranalyse für technische Vorrichtungen mit maschinellem Lernen
EP3984856A1 (de) Verfahren zum erkennen der fahrzeuggattung eines schienenfahrzeugs und zur anwendung des verfahrens geeignete vorrichtung
EP3969351A1 (de) Odometrisches verfahren, insbesondere für ein schienenfahrzeug oder eine leitzentrale
EP4155162A1 (de) Verfahren und vorrichtung mit achszähler zum betreiben eines bahnübergangs
WO2023020853A1 (de) Trainingsverfahren zum trainieren eines künstlichen maschinellen lernsystems zur erkennung von fehlfunktionen und fahrzeugvorrichtung
EP4458643A1 (de) Verfahren zum zählen von achsen mit rechnergestützter auswertung und fehlererkennung
DE102016125196A1 (de) Verfahren zur Entgleisungsdetektion anhand von Raddrehzahlsignalen
EP4516623A1 (de) Deep learning basierter ansatz zum auswerten eines datensatzes eines achszählers
EP3647943B1 (de) Verfahren zum bestimmen mindestens eines kennzeichens mindestens einer änderung
EP3823876B1 (de) Verfahren und anordnung zum wiedererkennen eines schienenfahrzeugrades
EP4168999A1 (de) Verfahren zur unterstützung eines betriebs eines fahrzeuges mit einer sensoreinheit, computerprogrammprodukt sowie system
DE102017215852A1 (de) Vorrichtungen und Verfahren für ein Fahrzeug
DE102024201254B3 (de) Verfahren und Vorrichtung zum Erkennen eines Hands-Off-Zustands an einem Lenkrad eines Fahrzeugs
EP4624300A1 (de) Verfahren zum zählen von achsen eines spurgeführten fahrzeugs
EP3792139B1 (de) Verfahren und steuergerät zum betreiben eines einstiegssystems für ein fahrzeug und einstiegssystem für ein fahrzeug
DE102023200346A1 (de) Verfahren zum Erkennen einer Anomalie bei einem Fahrzeugbetrieb
EP4389558A1 (de) Verfahren und vorrichtung zum erproben einer hinderniserkennung für einem gefahrenraum

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

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE APPLICATION HAS BEEN PUBLISHED

AK Designated contracting states

Kind code of ref document: A1

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 ME MK MT NL NO PL PT RO RS SE SI SK SM TR

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: 20250507