EP4516622A1 - Kombinierter ansatz zum auswerten eines datensatzes eines achszählers - Google Patents

Kombinierter ansatz zum auswerten eines datensatzes eines achszählers Download PDF

Info

Publication number
EP4516622A1
EP4516622A1 EP23194130.3A EP23194130A EP4516622A1 EP 4516622 A1 EP4516622 A1 EP 4516622A1 EP 23194130 A EP23194130 A EP 23194130A EP 4516622 A1 EP4516622 A1 EP 4516622A1
Authority
EP
European Patent Office
Prior art keywords
peak
data set
signal
shape
evaluation
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.)
Pending
Application number
EP23194130.3A
Other languages
English (en)
French (fr)
Inventor
Nanzhu Jiang
Claus Bahlmann
Jens Braband
Thorsten Föge
Hardy Hambsch
Surinder Ram
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 EP23194130.3A priority Critical patent/EP4516622A1/de
Publication of EP4516622A1 publication Critical patent/EP4516622A1/de
Pending 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

Definitions

  • the invention relates to a computer-implemented method for evaluating a data set of an axle counter or the sensor of an axle counter. In particular, a peak-based evaluation and a shape-based evaluation are compared, whereby a validation of the evaluation of the data set can be obtained.
  • the invention also relates to a device for data processing, the axle counter, and a computer program product.
  • the invention can thus relate to the technical field of evaluation (in particular the validation thereof) of data sets of an axle counter or axle counter sensor, in particular with regard to rail vehicles.
  • Axle counters are well known in the field of rail-bound vehicles and rail infrastructure and form an essential part of the control, e.g. whether a wheel (of a train) passes a track and how many wheels have passed. This can be of crucial importance for many applications, e.g. track vacancy detection and in particular for safety within a rail infrastructure.
  • sections of a track are each equipped with two axle counter sensors (so-called counting points), one at the beginning and the other at the end of the section. Whether a track section is determined to be free or occupied depends in particular on the Number of wheels that are detected by the two axle counter sensors.
  • the higher-level evaluation unit (the actual axle counter) evaluates the signals detected by the sensors and uses them to determine the status of the track section.
  • a train is only allowed to pass through a section of track if it is actually recognized as free.
  • the term “axle counter” can include both the unit “sensor (or counting point) and evaluation unit” and can also refer only to the evaluation unit (the actual axle counter). If reference is to be made specifically to the sensor, the term “axle counter sensor” can be used, and if reference is to be made specifically to the evaluation unit, the term “axle counter evaluation unit” can be used.
  • the counting of wheels (or evaluation of the data set) is carried out very conservatively in order to ensure the safety of the rail vehicles. For example, a section of a route is considered “occupied” and not “free” if the counting accuracy is not 100% certain.
  • axle counters Another limitation of conventional axle counters is that, although they can detect the presence of wheels with a high degree of certainty, even state-of-the-art products can only provide such results at the expense of false positive detections (meaning that even though no wheel passes the sensor, a signal is detected (e.g. by metal masses affecting the sensor) and is counted by the sensor as a passing wheel).
  • a conventional axle counter cannot further classify characteristics of a passing rail vehicle (e.g. magnetic rail brakes, wheels, bogies, or whether it is a freight train, passenger train, etc.).
  • Figure 6 shows an example of an analog data set 200 (data set 210 represents the digitized signal) which was recorded by an axle counting sensor (an axle counting sensor or counting point consists of two sensor subsystems).
  • an axle counting sensor an axle counting sensor or counting point consists of two sensor subsystems.
  • four bogies of a rail vehicle have passed the sensor. Since each bogie in this example has two axles (each with two wheels, of which the one on the side of the sensor is always recorded), two signals 201 (or peaks, pulses) are always located close to each other (peak cluster). In other words, the high signals correspond to the real wheels. Furthermore, lower signals can be observed between the high signals in the second and third bogie 202. These are usually caused by magnetic rail brakes.
  • Figure 7 shows a detailed view of a signal cluster of a two-axle bogie 202, where a low signal of a magnetic rail brake 204 is localized between two high signals of the wheels 203.
  • the "single-thresholding” method is used to process axle counter signals.
  • This method is in Figure 8 clearly shown.
  • a predefined threshold value is configured for each axle counter sensor. After recording the data set 200, the recorded signals are considered at a specific threshold value of an axle counter: values above the threshold value are counted as wheel/axle, values below are not, or only values above the threshold generate a digital signal (reference number 210): values above this fixed threshold value are mapped to "1" and values below the threshold value to "0".
  • the value "1" indicates a point in time at which a wheel passes an axle counter.
  • Data series 210 therefore ideally only shows wheel signals after "truncation".
  • the advantage of this method is that it is fast enough to provide real-time detection of the presence of wheels.
  • the conventional method can have a major disadvantage: the context is not taken into account. If a wheel signal does not reach the threshold, it cannot be detected (false negative). If the data set contains noise or a non-wheel signal, e.g. caused by a magnetic rail brake, this signal can threshold and an additional, non-existent wheel is counted (false positive).
  • Figure 9 shows an example of a "counted one too many" error (false positive) according to the conventional "single threshold” method.
  • the first line shows the signal detected by the first sensor subsystem and the second line the signal detected by the second sensor subsystem. These are the two sensors in an axle counter.
  • the third and fourth lines are the results of a conventional single threshold algorithm, which displays the digitized threshold signals of the first and second sensor subsystems respectively (corresponding to the evaluation of the analog signals from the first and second lines respectively).
  • the horizontal line in the first line shows the set threshold (trigger threshold).
  • the single threshold algorithm incorrectly considers the result to be three wheels on a two-axle bogie due to the peak in the middle (caused by a magnetic track brake between the two wheels).
  • Figure 10 shows an example of a "one undercounted" error (false negative) according to the conventional "single threshold” method.
  • Rows one to four show the signals from the first sensor subsystem and the second sensor subsystem and their threshold values.
  • the horizontal line is the set threshold value.
  • the corresponding fourth row which shows the threshold signal from the second sensor subsystem, no wheel is detected. This is because the values of the signals in the second row are too low and do not exceed the threshold value.
  • a method for evaluating a data set of an axle counter, a device for data processing, an axle counter, and a computer program product are described below.
  • a device for data processing which has at least one processor and which is configured to carry out at least one of the methods described above.
  • the sensor device and the data processing device are coupled to each other (e.g. wired or wireless).
  • a computer program product which has instructions which, when the program is executed by a computer, cause the computer to carry out the method described above.
  • the invention can be based on the idea that a data set of an axle counter can be evaluated in an efficient and reliable manner if two specific evaluation methods are compared with each other so that a validated evaluation of the data set is obtained.
  • the specific evaluation methods are, on the one hand, a peak-based approach and, on the other hand, a shape-based approach.
  • the peak-based approach can relate to the extraction of peaks (e.g. local maxima based on certain peak criteria) from the data set.
  • the shape-based approach on the other hand, can relate to the extraction of certain signal shapes (e.g. based on comparisons with reference shapes). Both approaches are described in more detail below.
  • the peak-based approach can efficiently and accurately locate where the signal is in one example.
  • the shape-based approach can be more error-prone in determining signal boundaries, especially for unusual signal clusters. For example, if a waveform is exceptionally long, the entire curve may not be detected when segmenting the waveform. In such a case, the peak-based approach can help the shape determination to fill in the missing parts with In other words, the peak-based approach can particularly reliably detect where the positions of wheel signals are located and thus compensate for certain inaccuracies of the shape-based approach.
  • the peak-based approach can have the disadvantage that the height of a peak can be ambiguous between (two) predefined thresholds; e.g., a signal caused by a passing wheel but with only a low signal height can be incorrectly classified as a magnetic rail brake.
  • the shape-based approach considers the overall shape of the signal clusters and not just a single signal feature such as the peak height. As a result, the shape-based approach can tend to be more robust in correctly classifying the wheel signals even if, for example, an ambiguous peak height is present, which can compensate for any inaccuracy of the peak-based approach.
  • the inventors have thus recognized that a combination of the two approaches described can be surprisingly efficient and reliable, because the strengths of the approaches can be combined and the weaknesses compensated.
  • the peak evaluation and the shape evaluation can be compared (matched) to find out where they match and where they do not.
  • “Compare” here can mean, for example, that a waveform (or peak cluster) must match the peaks in the order "Rad Peak - Rad Peak” or "Rad Peak-Magnet Rail Brake Peak - Rad Peak”. Matching signals can be considered reliable (validated). Non-matching signals can be corrected accordingly, for example waveforms based on peak Positions. Correcting curve shape segments can involve creating a new curve, merging two curves, extending a curve, shortening a curve or even deleting a curve.
  • a particularly reliable evaluation can be obtained in a short time, which can also enable a classification of the recorded signals.
  • the method described can be carried out computationally particularly quickly and inexpensively and can be implemented directly in existing systems.
  • determining the plurality of peaks comprises: extracting local maxima from the data set. This approach can be particularly efficient for identifying peak signals and peak clusters and incorporating them into the evaluation.
  • determining the plurality of peaks further comprises: determining at least one peak criterion.
  • One or more criteria may be considered to extract peaks (local maxima) from the data set. The criteria may be selected such that, for example, only wheel signals and no magnetic rail brake signals are reliably extracted.
  • a peak criterion comprises at least one of peak height, peak width, peak prominence, peak time (in the data set), peak slope.
  • peak prominence in this context can refer to how much the peak protrudes, with the intrinsic height is considered and/or how prominent the peak is compared to other peaks.
  • One or more of these peak criteria can enable efficient and reliable extraction (and classification) of the peaks for peak evaluation.
  • thresholds can be set for one or more of the peak criteria.
  • two or more threshold values are used to determine the at least one peak criterion. Using two or more threshold values per peak criterion, a particularly reliable peak extraction (and classification) can be enabled.
  • determining the plurality of shapes, in particular curve shapes comprises: determining at least one reference shape, and comparing at least one signal, in particular a signal shape, of the data set with the at least one reference shape.
  • the comparison with a reference shape can enable a quick and accurate extraction and classification of the (signal) shapes.
  • the reference shape comprises, for example, one of the following: one wheel, two wheels, two wheels and a magnetic rail brake between them, a single-axle bogie, a two-axle bogie, a wagon, a train. This is only a selection of common shapes in the axle counter data set, more can be added if required.
  • the comparing comprises a Dynamic Time Warping (DTW) algorithm.
  • DTW Dynamic Time Warping
  • the DTW algorithm can be used to determine a measure of difference between a measured shape in the data set and a reference shape.
  • One or more thresholds can be introduced for this measure of difference.
  • DTW can refer in particular to an algorithm that enables an optimal alignment of two shapes (e.g. in time series) so that the matching areas of the two shapes can be found and transformed into one another.
  • the similarity of these shapes can be quantified in the following way (also often referred to as costs):
  • the cost function the effort results solely from the difference in the function values of pairs of values projected onto one another between the measured shape and the reference shape.
  • the method further comprises: extracting a signal shape from the data set.
  • the data set can be automatically divided into segments, wherein each segment can have a shape (signal, signal cluster, curve). This allows a measured shape to be efficiently selected for comparison with a reference shape.
  • extracting a signal shape further comprises: Normalize the signal shape before comparing with the reference form. This enables a particularly flexible comparison.
  • extracting a waveform further comprises: segmenting the data set using boundary determination to thereby determine the shape boundaries of the waveform.
  • a (curve) shape is exceptionally long and its values fluctuate greatly, it may be that only a part of a shape is extracted, which would result in an incomplete shape.
  • Such long curve shapes can occur e.g. due to train stops or the reduction of train speed.
  • the acquired signal may show a curve shape that is exceptionally long (see e.g. Figure 5 ).
  • the combination with peak evaluation can enable an accurate definition of the shape boundary.
  • the method further comprises: pre-processing the data set to remove noise, in particular by means of smoothing and/or down-sampling.
  • the original signal with many small fluctuations (or noise) can lead to many unwanted small peaks. Therefore, pre-processing to remove them can be an important advantage for reliably extracting peaks.
  • smoothing average smoothing or down-sampling on the original signal can be used. This will result in a smoothed signal at best, with most small fluctuations gone.
  • the evaluation in particular the determination of the plurality of peaks and/or the determination of the plurality of shapes, further comprises: Classifying at least one signal of the data set.
  • Possible classes can include, for example: wheel, axle, magnetic rail brake, single-axle bogie, two-axle bogie, unknown signal.
  • a much more efficient evaluation can be achieved if the meaning of the respective peaks/shapes is "understood" and taken into account.
  • classification can also be used to advantage for other applications in rail transport automation.
  • a further classification of the passing components could be an important prerequisite for the increased safety requirements of the next generation of train control systems.
  • peaks whose peak criterion(s) exceed(s) one or more thresholds can be classified as wheels. Sometimes peaks are very high but have a low prominence (usually short but high signals). For classification, it is therefore advantageous to consider several peak criteria, especially taking into account the respective curve shape.
  • the method further comprises: transferring (mapping) the signal classification back to the data set, in particular for further validation of the data set. After the peak evaluation, the form evaluation, and the validation of the overall evaluation, this can be transferred back to the data set, e.g. as a plausibility check. This can further increase reliability and security. If there are (still) inconsistent results during the transfer back, these can finally be classified as "unknown signals".
  • classifying a signal further comprises: considering at least one further signal in the vicinity of the signal to be classified, in particular a plurality of further signals in the vicinity ("heuristic").
  • the classification of an unknown signal can be determined. This is e.g. in Figure 4 where an unknown signal with four peaks can be identified in the overall context as two two-axle bogies in quick succession. In another example (see Figure 5 ), a longer distance between two peaks can be identified as a stop/slowing down of the train.
  • the method is used in connection with rail-bound vehicles and/or rail infrastructure.
  • axle counters in rail transport has already been discussed in detail above. Furthermore, the rail vehicle sector has particularly high requirements for safety and reliability and corresponding standards. Therefore, the use of the procedure for validating evaluations can be particularly important and advantageous in this context.
  • the method further comprises: providing reference shapes as training data to an artificial intelligence, AI, algorithm.
  • an AI algorithm can be trained and become increasingly better at comparing reference shapes and measured shapes. This can be done with human interaction (machine learning) or by means of the algorithm itself (deep learning).
  • AI may refer in particular to computer-based approaches to mimic cognitive functions of a human mind, in particular learning and problem solving.
  • a variety of different mathematical algorithms and computational models have been developed to implement AI functionalities, e.g. "machine learning", neural networks, in particular “deep learning”, genetic algorithms, kernel regression, etc.
  • the main purpose of these approaches can be seen as improving an existing algorithm by training it with training data so that a learning effect occurs and the problem-solving ability of the algorithm improves over time. This can happen with or without human intervention (e.g. tweaking).
  • the described method can be efficiently implemented with short computing times in established software (e.g. C, C++, Python).
  • aspects of the present invention may also be described as follows: Experiments with sample data sets show that using the pure peak detection algorithm already outperforms the conventional "single thresholding" method.
  • the described method After combining peak and shape detection, due to the internal matching of peaks and shapes and the automatic correction of mismatched shapes (validation), the described method can be considered more robust and powerful than conventional approaches.
  • spatially relative terms such as “front” and “back”, “top” and “bottom”, “left” and “right”, etc. are used to describe the relationship of one element to another element as shown in the figures.
  • the spatially relative terms may apply to orientations used that differ from the orientation shown in the figures.
  • these spatially relative terms refer only to simplify the description and to the orientation shown in the figures and are not necessarily limiting, since a device according to an embodiment of the invention may assume other orientations than those shown in the figures, particularly when used.
  • Figure 1 shows determining a plurality of peaks to obtain a peak evaluation 110 according to an exemplary embodiment of the invention.
  • peaks were extracted from the data set and correctly classified as wheels 111 and magnetic rail brakes 112. Based on the observation that wheels and magnetic rail brakes lead to local peaks (maxima) in the axle counter data set, all peaks were first extracted and then classified as "wheel”, “magnetic rail brake” or "unknown signal”.
  • Figure 2 shows a determination of a plurality of shapes to obtain a shape evaluation 120, according to an exemplary embodiment of the invention.
  • two different (signal) shapes were correctly determined: i) two-axle bogie without magnetic rail brake 121 and ii) two-axle bogie with magnetic rail brake 122.
  • Determining shapes is not about extracting local maxima (as in peak determination), but about finding certain signal shapes (pattern recognition), e.g. using a curve recognition algorithm.
  • pattern recognition e.g. using a curve recognition algorithm.
  • An important observation here is that certain signals usually follow certain shapes.
  • the curves of two wheels, for example, are represented by the shapes of two high signal peaks, while two wheels with a magnetic rail brake in between are represented by the shapes of two high signal peaks with a low signal in between.
  • the shape approach can be based on the idea of classifying such shapes or curves according to their shape. It is not important that the shapes are the same (eg to a reference shape), but rather that they are similar; sometimes a little longer or a little shorter, sometimes a little higher or a little lower. Such a comparison between signal shape and reference shape, whereby the variations are bridged, can be carried out particularly efficiently, eg with DTW.
  • Figure 3 shows a first comparison of the peak evaluation 110 and the shape evaluation 120 in order to validate the evaluations, according to an exemplary embodiment of the invention.
  • a validated (and combined) evaluation 130 can be obtained. This the evaluation can become more stable and accurate, and even challenging cases can be reliably recorded.
  • the evaluation and validation of a data set of around 60 seconds in length can be processed in 0.02-0.15 seconds.
  • the peak-based approach is aimed at determining where peaks are located and then classifying them. There may be some uncertainty regarding false positives/negatives.
  • the shape-based approach is aimed at locating shapes (especially curves) and classifying them using reference shapes. There may be some uncertainty in complex cases, particularly at shape boundaries. In the example shown, all peak clusters 132 were correctly determined. Only peak cluster 131 has an unusual shape and is therefore classified as an "unknown signal". Using the peak-based approach, however, it can be concluded that a wheel-magnetic rail brake-wheel signal shape is present.
  • Figure 4 shows a second comparison of the peak evaluation 110 and the shape evaluation 120 to validate the evaluations, according to an exemplary embodiment of the invention.
  • a challenging peak cluster 133 is present: two two-axle bogies have been detected at a short distance (presumably very short wagons or particularly high speed).
  • the shape-based approach will not recognize the shape with four peaks.
  • Figure 5 shows a third comparison of the peak evaluation 110 and the shape evaluation 120 to compare the evaluations validate 130, according to an exemplary embodiment of the invention.
  • There is a particularly large distance 140 between the wheel signals 141 and 142 eg brief standstill, particularly low speed
  • the shape-based approach cannot detect.
  • the shape evaluation 120 can be corrected.
  • correction can also be made using heuristics, whereby neighboring signals are taken into account in order to correctly map the peaks and shapes to the data set.
  • Figure 11 shows an axle counter 100 according to an exemplary embodiment of the invention.
  • This has at least one sensor device 102 (this can also be a double sensor system) which is attached to a rail 101 and can detect the data sets described above.
  • the sensor device is connected to an evaluation device 103 via cable (alternatively wirelessly).
  • This evaluation device 103 is set up to receive the measured data set and to evaluate and validate it according to the method described above.

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Mechanical Engineering (AREA)
  • Train Traffic Observation, Control, And Security (AREA)

Abstract

Es wird ein computer-implementiertes Verfahren beschrieben zum Auswerten von einem Datensatz eines Achszählers (100), das Verfahren aufweisend:i) Bestimmen einer Mehrzahl von Peaks in dem Datensatz, um eine Peak-Auswertung (110) bereitzustellen;ii) Bestimmen einer Mehrzahl von Formen in dem Datensatz, um eine Formen-Auswertung (120) bereitzustellen; undiii) Vergleichen (130) der Peak-Auswertung (110) und der Formen-Auswertung (120), um eine validierte Auswertung des Datensatzes bereitzustellen.

Description

    Technisches Gebiet
  • Die Erfindung bezieht sich auf ein Computer-implementiertes Verfahren zum Auswerten eines Datensatzes eines Achszählers bzw. des Sensors eines Achszählers. Insbesondere werden dabei eine Peak-basierte Auswertung und eine Form-basierte Auswertung verglichen, wodurch eine Validierung der Auswertung des Datensatzes erhalten werden kann. Ferner bezieht sich die Erfindung auf eine Vorrichtung zur Datenverarbeitung, den Achszähler, und ein Computerprogrammprodukt.
  • Die Erfindung kann sich somit auf das technische Gebiet der Auswertung (insbesondere deren Validierung) von Datensätzen eines Achszählersbzw. Achszähler-Sensors beziehen, insbesondere im Hinblick auf Schienenfahrzeuge.
    • Technischer Hintergrund
  • Achszähler sind im Bereich der Schienen-gebundenen Fahrzeuge bzw. der Schieneninfrastruktur bekannt und bilden einen wesentlichen Teil der Kontrolle, z.B. dahingehend, ob ein Rad (eines Zuges) ein Gleis passiert und wie viele Räder vorbeigefahren sind. Dies kann für viele Anwendungen z.B. die Gleisfreimeldung und insbesondere für die Sicherheit innerhalb einer Schieneninfrastruktur von entscheidender Bedeutung sein. In der Regel sind Abschnitte eines Gleises jeweils mit zwei Achszähler-Sensoren (sogenannte Zählpunkte) ausgestattet, wobei sich der eine am Anfang und der andere am Ende des Abschnitts befindet. Ob ein Gleisabschnitt als frei oder belegt ermittelt wird, hängt dann insbesondere von der Anzahl der Räder ab, die von den beiden Achszählern Sensoren erfasst werden. Die übergeordnete Auswerteeinheit (der eigentliche Achszähler) wertet die durch die Sensoren erfassten Signale aus und leitet darauf den Zustand des Gleisabschnittes ab. Nur wenn ein Abschnitt auch tatsächlich als frei erkannt wird, darf ein Zug diesen Gleisabschnitt passieren.
  • Im Kontext des vorliegenden Dokuments kann der Begriff "Achszähler" sowohl die Einheit "Sensor (bzw. Zählpunkt) und Auswerteeinheit" umfassen als auch nur auf die Auswerteeinheit (der eigentliche Achszähler) bezogen werden. Soll speziell auf den Sensor Bezug genommen werden, so kann der Begriff "Achszähler Sensor" verwendet werden, und soll speziell nur auf die Auswerteinheit Bezug genommen werden, so kann der Begriff "Achszähler Auswerteeinheit" verwendet werden.
  • Insbesondere im Bereich der Schienenfahrzeuge werden aber besonders hohe Anforderungen an Sicherheit und Zuverlässigkeit gestellt. Entsprechend können in zahlreichen Anwendungsfällen ausgewertete Datensätze eines Achszählers, insbesondere zur Automatisierung des Schienenverkehrs, nur dann eingesetzt werden, wenn eine besonders hohe Zuverlässigkeit nachgewiesen ist.
  • Bisher kann ein Achszähler in der Anwendung keine 100%ige Zählgenauigkeit erreichen. Dies liegt zum einen an komplizierten/komplexen Signalen, die von den Achszählersensoren erfasst werden, und zum anderen an den Verarbeitungsmethoden von Signalen, die nicht genau genug sind, um komplizierte Fälle zu behandeln. Dies ist weniger ein sicherungstechnisches Problem, da die Zählungen immer zur sicheren Seite gehen, sondern ein Verfügbarkeitsproblem.
  • Derzeit wird die Zählung der Räder (bzw. Auswerten des Datensatzes) sehr konservativ durchgeführt, um die Sicherheit der Schienenfahrzeuge zu gewährleisten. So wird ein Abschnitt einer Strecke als "besetzt" und nicht als "frei" betrachtet, wenn die Zählgenauigkeit nicht zu 100 % sicher ist.
  • Eine weitere Einschränkung der konventionellen Achszähler besteht darin, dass sie zwar mit hoher Sicherheit das Auftreten von Rädern erkennen können, jedoch selbst hochmoderne Produkte solche Ergebnisse nur auf Kosten von falsch-positiv-Erkennungen liefern können (was bedeutet, dass, obwohl kein Rad den Sensor passiert, ein Signal erkannt wird (z.B. durch Metallmassen, die den Sensor beeinflussen) und wie ein vorbeifahrendes Rad vom Sensor gezählt wird).
  • Ferner kann ein konventioneller Achszähler Merkmale eines passierenden Schienenfahrzeugs (z.B. Magnetschienenbremsen, Räder, Drehgestelle, oder auch ob es sich um einen Güterzug, Personenzug usw. handelt) nicht weiter klassifizieren.
  • Figur 6 zeigt ein Beispiel eines analogen Datensatzes 200 (Datensatz 210 stellt das digitalisierte Signal dar), welcher von einem Achszählsensor (ein Achszählsensor oder auch Zählpunkt besteht aus zwei Sensorteilsystemen) aufgenommen wurde. In diesem Beispiel haben vier Drehgestelle eines Schienenfahrzeugs den Sensor passiert. Da jedes Drehgestell in diesem Beispiel zwei Achsen (mit jeweils zwei Rädern, von denen immer dasjenige auf Seite des Sensors erfasst wird) aufweist, sind immer zwei Signale 201 (bzw. Peaks, Pulse) dicht beieinander lokalisiert (Peak Cluster). Anders ausgedrückt entsprechen die hohen Signale den realen Rädern. Ferner können im zweiten und dritten Drehgestell 202 geringere Signale zwischen den hohen Signalen beobachtet werden. Diese werden gewöhnlich von Magnetschienenbremsen verursacht.
  • Figur 7 zeigt eine Detailansicht eines Signal Clusters eines zweiachsigen Drehgestells 202, wobei ein niedriges Signal einer Magnetschienenbremse 204 zwischen zwei hohen Signalen der Räder 203 lokalisiert ist.
  • Konventionell wird zur Verarbeitung von Achszählersignalen die "single-thresholding" (einfacher Schwellenwert) Methode verwendet. Diese Methode ist in Figur 8 anschaulich dargestellt. Für jeden Achszählersensor wird ein vordefinierter Schwellenwert konfiguriert. Nach dem Aufnehmen des Datensatzes 200 werden die erfassten Signale bei einem bestimmten Schwellenwert eines Achszählers betrachtet: Werte oberhalb des Schwellwertes werden als Rad/Achse gewertet, Werte darunter nicht, bzw. erst Werte oberhalb der Schwelle erzeugen ein digitales Signal (Bezugszeichen 210): Werte oberhalb dieses festen Schwellenwerts werden auf "1" und Werte unterhalb des Schwellenwerts auf "0" abgebildet. Der Wert "1" gibt einen Zeitpunkt an, an dem ein Rad einen Achszähler passiert. Datenreihe 210 zeigt somit nach dem "Abschneiden" (truncation) im Idealfall nur noch Radsignale. Der Vorteil dieser Methode besteht darin, dass sie schnell genug ist, um eine Echtzeiterkennung für das Vorhandensein von Rädern bereitzustellen.
  • Jedoch kann die konventionelle Methode einen entscheidenden Nachteil haben: der Kontext wird nicht berücksichtigt. Wenn ein Radsignal den Schwellenwert nicht erreicht, so kann es nicht erfasst werden (falsch negativ). Wenn der Datensatz ein Rauschen bzw. nicht-Rad-Signal aufweist, z.B. verursacht durch eine Magnetschienenbremse, kann dieses Signal den Schwellenwert überschreiten und ein zusätzliches, nicht vorhandenes Rad wird gezählt (falsch positiv).
  • Wenn sich die Signale nahe am Schwellenwert befinden, kann es somit äußerst schwierig sein zu bestimmen, ob es sich um ein Rad handelt oder nicht. Dies sind auch die Hauptgründe für "falsch positiv" und "falsch negativ" Detektion. Solche Fehlerfälle können recht häufig auftreten und zu ungenauen Auswertungen der Achszähler Datensätze führen. Dies führt dann z.B. dazu, dass ein Gleisabschnitt als belegt gilt und den Zugverkehr behindert, bis er dann manuell wieder aufgelöst wird.
  • Figur 9 zeigt ein Beispiel für einen "eins zu viel gezählt" Fehler (falsch positiv) gemäß der konventionellen "single threshold" Methode. Innerhalb der eingezeichneten Box zeigt die erste Zeile das vom ersten Sensorteilsystem erfasste Signal und die zweite Zeile das vom zweiten Sensorteilsystem erfasste Signal. Dies sind die beiden Sensoren in einem Achszähler. Die dritte und vierte Zeile sind die Ergebnisse eines konventionellen single threshold-Algorithmus, der die digitalisierten Schwellenwertsignale der ersten bzw. zweiten Sensorteilsystems (entsprechend der Bewertung der analogen Signale aus der ersten bzw. zweiten Zeile) anzeigt. Die horizontale Linie in der ersten Zeile zeigt den festgelegten Schwellenwert (Triggerschwelle) an. Im Beispiel der Box betrachtet der Algorithmus für einen einzelnen Schwellenwert aufgrund des Peaks in der Mitte (verursacht durch eine Magnetschienenbremse zwischen den beiden Rädern) fälschlicherweise das Ergebnis als drei Räder auf einem zweiachsigen Drehgestell.
  • Figur 10 zeigt ein Beispiel für einen "eins zu wenig gezählt" Fehler (falsch negativ) gemäß der konventionellen "single threshold" Methode. Wie in Figur 9 sind in den Reihen eins bis vier die Signale von dem ersten Sensorteilsystem und dem zweiten Sensorsensorteilsystem sowie deren Schwellenwerte angegeben. Im Beispiel der eingezeichneten Box, in der zweiten Reihe, gibt es zwei hohe Signale von Rädern und ein niedrigeres Signal, welches durch eine Magnetschienenbremse verursacht wird. Die horizontale Linie ist der festgelegte Schwellenwert. In der entsprechenden vierten Reihe, die das Schwellwertsignal von dem zweiten Sensorteilsystem zeigt, wird jedoch kein Rad erkannt. Dies liegt daran, dass die Werte der Signale in der zweiten Zeile zu niedrig sind und den Schwellenwert nicht überschreiten.
  • Die oben ausgeführten Nachteile stehen nicht in Einklang mit einem sicheren und effizienten Schienenverkehr. Ferner können diese Nachteile einer gewünschten voranschreitenden Automatisierung im Schienenverkehr (bei zugleich hohen Sicherheitsstandards) entgegenstehen.
    • Zusammenfassung der Erfindung
  • Es könnte ein Bedarf bestehen, einen Datensatz eines Achszählers in effizienter und zuverlässiger Weise auszuwerten bzw. die Auswertung zu validieren.
  • Ein Verfahren zum Auswerten eines Datensatzes eines Achszählers, eine Vorrichtung zur Datenverarbeitung, ein Achszähler, und ein Computerprogrammprodukt werden im Folgenden beschrieben.
  • Gemäß einem ersten Aspekt der Erfindung wird ein, insbesondere Computer-implementiertes, Verfahren zum Auswerten (bzw. Validieren der Auswertung) von einem Datensatz eines Achszählers (bzw. Sensor eines Achszählers) beschrieben, das Verfahren aufweisend:
    1. i) Bestimmen einer Mehrzahl von Peaks (insbesondere lokale Maxima) in dem Datensatz zum Bereitstellen einer Peak-Auswertung (z.B. ein Datensatz mit extrahierten und klassifizierten Peaks);
    2. ii) Bestimmen einer Mehrzahl von Formen (insbesondere extrahierte Signalformen, weiter insbesondere verglichen mit Referenzformen) in dem Datensatz zum Bereitstellen einer Formen-Auswertung (z.B. ein Datensatz mit bestimmten und klassifizierten Signalformen); und
    3. iii) Vergleichen der Peak-Auswertung und der Formen-Auswertung (z.B. Abgleichen der entsprechenden Datensätze) zum Bereitstellen einer (validierten) (Gesamt-) Auswertung des Datensatzes.
  • Gemäß einem zweiten Aspekt der Erfindung wird eine Vorrichtung zur Datenverarbeitung beschrieben, welche zumindest einen Prozessor aufweist, und welche eingerichtet ist zumindest eines der oben beschriebenen Verfahren auszuführen.
  • Gemäß einem dritten Aspekt der Erfindung wird ein Achszähler beschrieben, welcher aufweist:
    1. i) zumindest einen Sensor bzw. eine Sensorvorrichtung (z.B. ein Doppelsensor-System) zum Aufnehmen eines Datensatzes (bzw. Erfassen von (Rad-)Signalen über die Zeit; und
    2. ii) eine Vorrichtung zur Datenverarbeitung (bzw. eine Auswertevorrichtung, der eigentliche Achszähler) wie oben beschrieben.
  • Insbesondere sind Sensorvorrichtung und Vorrichtung zur Datenverarbeitung miteinander gekoppelt (z.B. drahtgebunden oder drahtlos).
  • Gemäß einem vierten Aspekt der Erfindung wird ein Computerprogrammprodukt beschrieben, welches Befehle aufweist, die bei der Ausführung des Programms durch einen Computer diesen veranlassen das oben beschriebene Verfahren auszuführen.
  • Gemäß einem exemplarischen Ausführungsbeispiel kann die Erfindung auf der Idee basieren, dass ein Datensatz eines Achszählers in effizienter und zuverlässiger Weise ausgewertet werden kann, wenn zwei spezifische Auswerteverfahren miteinander verglichen werden, so dass eine validierte Auswertung des Datensatzes erhalten wird. Bei den spezifischen Auswerteverfahren handelt es sich zum einen um einen Peak-basierten Ansatz und zum anderen um einen Formbasierten Ansatz. Der Peak-basierte Ansatz kann sich auf das Extrahieren von Peaks (z.B. lokale Maxima basierend auf bestimmten Peak-Kriterien) aus dem Datensatz beziehen. Der Form-basierte Ansatz hingegen kann sich auf das Extrahieren von bestimmten Signalformen (z.B. basierend auf Vergleichen mit Referenzformen) beziehen. Beide Ansätze werden unten noch weiter im Detail beschrieben.
  • Es zeigte sich bei Experimenten mit realen Datensätzen, dass beide Verfahren ihre eigenen Stärken und Schwächen im Umgang mit bestimmten Daten haben. Der Peak-basierte Ansatz kann in einem Beispiel effizient und akkurat lokalisieren, wo sich das Signal befindet. Im Gegensatz dazu kann in einem Beispiel der Form-basierte Ansatz fehleranfälliger bei dem Bestimmen von Signalgrenzen sein, insbesondere bei ungewöhnlichen Signal Clustern. Wenn z.B. eine Kurvenform außergewöhnlich lang ist, kann es sein, dass bei der Segmentierung der Kurvenform nicht die gesamte Kurve erkannt wird. In einem solchen Fall kann der Peak-basierte Ansatz dazu beitragen, dass das Bestimmen der Kurvenform die fehlenden Teile mit einbezieht. In anderen Worten kann der Peak-basierte Ansatz besonders zuverlässig erkennen, wo sich die Positionen von Radsignalen befinden und damit gewisse Unschärfen des Formbasierten Ansatzes kompensieren.
  • Zugleich kann der Peak-basierte Ansatz den Nachteil haben, dass die Höhe eines Peaks zwischen (zwei) vordefinierten Schwellenwerten mehrdeutig sein kann; z.B. kann ein Signal, das durch ein vorbeifahrendes Rad verursacht wird, aber nur eine geringe Signalhöhe aufweist, fälschlicherweise als Magnetschienenbremse klassifiziert werden. Der Form-basierte Ansatz betrachtet hingegen die Gesamtform der Signal Cluster und nicht nur ein einzelnes Signalmerkmal wie z.B. die Peak Höhe. Dadurch kann der Form-basierte Ansatz tendenziell robuster sein, um die Radsignale korrekt zu klassifizieren, selbst wenn z.B. eine mehrdeutige Peak Höhe vorhanden ist, wodurch eine Unschärfe des Peak-basierten Ansatzes kompensiert werden kann.
  • Die Erfinder haben somit erkannt, dass eine Kombination der beiden beschrieben Ansätze überraschend effizient und zuverlässig sein kann, denn die Stärken der Ansätze können kombiniert und die Schwächen kompensiert werden.
  • Beispielsweise können die Peak-Auswertung und die Form-Auswertung verglichen (gematcht) werden, um herauszufinden, wo sie übereinstimmen und wo nicht. "Vergleichen" kann hier z.B. bedeuten, dass eine Kurvenform (bzw. ein Peak Cluster) mit den Peaks in der Reihenfolge "Rad Peak - Rad Peak" oder "Rad Peak-Magnetschienenbremse Peak - Rad Peak" übereinstimmen muss. Übereinstimmende Signale können als zuverlässig angesehen werden (validiert). Nicht übereinstimmende Signale können entsprechend korrigiert werden, beispielsweise Kurvenformen anhand von Peak Positionen. Bei der Korrektur von Kurvenform-Segmenten kann es z.B. darum gehen, eine neue Kurve zu erstellen, zwei Kurven zusammenzuführen, eine Kurve zu verlängern, eine Kurve zu kürzen oder sogar eine Kurve zu löschen.
  • Basierend auf den korrigierten Formen kann eine besonders zuverlässige Auswertung in kurzer Zeit erhalten werden, welche auch eine Klassifizierung der erfassten Signale ermöglichen kann. Das beschriebene Verfahren kann rechentechnisch besonders schnell und kostengünstig durchführbar sein und direkt in existierende System implementiert werden.
    • Exemplarische Ausführungsbeispiele
  • Gemäß einem Ausführungsbeispiel weist das Bestimmen der Mehrzahl von Peaks auf: Extrahieren von lokalen Maxima aus dem Datensatz. Dieser Ansatz kann besonders effizient sein, um Peak Signale und Peak Cluster zu identifizieren und in die Auswertung einzubeziehen.
  • Gemäß einem weiteren Ausführungsbeispiel weist das Bestimmen der Mehrzahl von Peaks ferner auf: Bestimmen von zumindest einem Peak Kriterium. Ein oder mehr Kriterien können in Betracht gezogen werden, um Peaks (lokale Maxima) aus dem Datensatz zu extrahieren. Die Kriterien können so gewählt werden, dass in zuverlässiger Weise z.B. nur Rad Signale und keine Magnetschienenbremsen Signale extrahiert werden.
  • Gemäß einem weiteren Ausführungsbeispiel weist ein Peak Kriterium zumindest eines auf von Peak Höhe, Peak Breite, Peak Prominenz, Peak Zeitpunkt (im Datensatz), Peak Steigung. Der Begriff "Peak Prominenz" kann sich in diesem Zusammenhang darauf beziehen wie sehr der Peak hervorsteht, wobei die intrinsische Höhe betrachtet wird und/oder wie sehr der Peak im Vergleich zu anderen Peaks hervorsteht. Ein oder mehr dieser Peak Kriterien können ein effizientes und zuverlässiges Extrahieren (und Klassifizieren) der Peaks für die Peak Auswertung ermöglichen. Beispielsweise können für ein oder mehr der Peak Kriterien Schwellenwerte gesetzt werden.
  • Gemäß einem weiteren Ausführungsbeispiel werden zum Bestimmen des zumindest einen Peak-Kriteriums zwei oder mehr Schwellenwerte verwendet. Mittels zwei oder mehr Schwellenwerten pro Peak Kriterium kann eine besonders zuverlässige Peak Extraktion (und Klassifizierung) ermöglicht sein.
  • Gemäß einem weiteren Ausführungsbeispiel weist das Bestimmen der Mehrzahl von Formen, insbesondere Kurvenformen, auf: Bestimmen von zumindest einer Referenzform, und Vergleichen von zumindest einem Signal, insbesondere einer Signalform, des Datensatzes mit der zumindest einen Referenzform. Das Abgleichen mit einer Referenzform (insbesondere einer Referenzform Bibliothek) kann eine schnelle und akkurate Extraktion und Klassifizierung der (Signal-) Formen ermöglichen.
  • Gemäß einem weiteren Ausführungsbeispiel weist die Referenzform z.B. eines der folgenden auf: ein Rad, zwei Räder, zwei Räder und eine Magnetschienenbremse dazwischen, ein einachsiges Drehgestell, ein zweiachsiges Drehgestell, einen Wagen, einen Zug. Dies ist nur eine Auswahl häufiger Formen im Achsenzähler Datensatz, weitere können bei Bedarf hinzugefügt werden.
  • Gemäß einem weiteren Ausführungsbeispiel weist das Vergleichen einen Dynamic Time Warping (DTW) Algorithmus, auf. Eine solche Implementierung durch ein etabliertes Verfahren kann schnell und direkt umgesetzt werden und zu überraschend genauen Ergebnissen führen. Insbesondere kann der DTW Algorithmus verwendet werden, um ein Maß an Unterschied zwischen einer gemessenen Form im Datensatz und einer Referenzform zu bestimmen. Für dieses Unterscheidungsmaß können ein oder mehr Schwellenwerte eingeführt werden.
  • "DTW" kann im Kontext dieses Dokument insbesondere einen Algorithmus bezeichnen, welcher eine optimale Angleichung zweier Formen (z.B. in Zeitreihen) ermöglicht, sodass die übereinstimmenden Bereiche der beiden Formen gefunden und aufeinander transformiert werden können. Auf Basis dieser Angleichung kann die Ähnlichkeit dieser Formen auf folgende Art und Weise quantifiziert werden (ebenfalls oft als Kosten bezeichnet): In der Standardversion von DTW ergibt sich die Kostenfunktion (der Aufwand) allein durch die Differenz der Funktionswerte von aufeinander projizierten Wertepaaren zwischen der gemessen Form und der Referenzform.
  • Gemäß einem weiteren Ausführungsbeispiel weist das Verfahren ferner auf: Extrahieren einer Signalform aus dem Datensatz. Beispielsweise kann der Datensatz automatisch in Segmente aufgeteilt werden, wobei jedes Segment eine Form (Signal, Signalcluster, Kurve) aufweisen kann. Dadurch kann effizient eine gemessene Form zum Vergleichen mit einer Referenzform ausgewählt werden.
  • Gemäß einem weiteren Ausführungsbeispiel weist das Extrahieren einer Signalform ferner auf:
    Normalisieren/Normieren der Signalform vor dem Vergleichen mit der Referenzform. Dadurch kann ein besonders flexibler Vergleich ermöglicht werden.
  • Gemäß einem weiteren Ausführungsbeispiel weist das Extrahieren einer Signalform ferner auf: Segmentieren des Datensatzes mittels Grenzbestimmung, um dadurch die Formgrenzen der Signalform zu bestimmen. Dieser Ansatz kann ein effizientes und akkurates Mittel sein, um die gemessenen Formen für den Vergleich zu extrahieren.
  • Wenn eine (Kurven-) Form außergewöhnlich lang ist und ihre Werte stark schwanken, kann es sein, dass nur ein Teil einer Form extrahiert wird, was zu einer unvollständigen Form führen würde. Solche langen Kurvenformen können z.B. aufgrund von Zugstopps oder der Reduzierung der Zuggeschwindigkeit auftreten. In solch einem Fall kann das erfasste Signal eine Kurvenform zeigen, die außergewöhnlich lang ist (siehe z.B. Figur 5). In diesem Fall kann die Kombination mit der Peak-Auswertung ein akkurates Definieren der Formengrenze ermöglichen.
  • Gemäß einem weiteren Ausführungsbeispiel weist das Verfahren ferner auf: Vorprozessieren des Datensatzes zum Entfernen von Rauschen, insbesondere mittels Glätten (smoothing) und/oder down-sampling.
  • Insbesondere im Fall der Peak-Auswertung kann das Originalsignal mit vielen kleinen Fluktuationen (bzw. Rauschen) zu vielen unerwünschten kleinen Peaks führen. Daher kann ein Vorprozessieren zum Entfernen ein wichtiger Vorteil zum zuverlässigen Extrahieren von Peaks sein. Um Rauschen herauszufiltern und dennoch die wichtigen Rad Peaks beizubehalten, kann z.B. Glättung (durchschnittliche Glättung) oder down-sampling auf das Originalsignal angewendet werden. Dies führt bestenfalls zu einem geglätteten Signal, bei dem die meisten kleinen Schwankungen verschwunden sind.
  • Gemäß einem weiteren Ausführungsbeispiel weist das Auswerten, insbesondere das Bestimmen der Mehrzahl von Peaks und/oder das Bestimmen der Mehrzahl von Formen, ferner auf:
    Klassifizieren von zumindest einem Signal des Datensatzes.
  • Mögliche Klassen können z.B. umfassen: Rad, Achse, Magnetschienenbremse, einachsiges Drehgestell, zweiachsiges Drehgestell, unbekanntes Signal. Ein deutlich effizienteres Auswerten kann gelingen, wenn auch die Bedeutung der jeweiligen Peaks/Formen "verstanden" und mit einbezogen wird. Ferner kann das Klassifizieren auch für weitere Anwendungen in der Schienenverkehr Automatisierung mit Vorteil eingesetzt werden.
  • Eine weitere Klassifizierung der passierenden Komponenten (Räder, (aktive) Magnetschienenbremsen, Drehgestelle, etc.) könnten eine wichtige Voraussetzung für den erhöhten Sicherheitsbedarf der nächsten Generation von Zugbeeinflussungssystemen darstellen.
  • Beispielsweise können Peaks, deren Peak Kriterium/Kriteria ein oder mehr Schwellenwerte überschreitet/überschreiten, als Räder klassifiziert werden. Manchmal sind Peaks sehr hoch aber haben eine geringe Prominenz (normalerweise kurze, aber hohe Signale). Für die Klassifizierung können daher mit Vorteil mehrere Peak Kriterien berücksichtigt werden, insbesondere auch unter Berücksichtigung der jeweiligen Kurvenform.
  • Gemäß einem weiteren Ausführungsbeispiel weist das Verfahren ferner auf: Rückübertragen (Mappen) der Signal-Klassifizierung auf den Datensatz, insbesondere zum weiteren Validieren des Datensatzes. Nach der Peak-Auswertung, der Form-Auswertung, und der Validierung der Gesamtauswertung kann diese auf den Datensatz rückübertragen werden, z.B. als Plausibilitätscheck. Hierdurch kann die Zuverlässigkeit und die Sicherheit weiter erhöht werden. Falls es bei der Rückübertragung (immer noch) nicht übereinstimmende Ergebnisse geben sollte, so können diese final als "unbekannte Signale" klassifiziert werden.
  • Gemäß einem weiteren Ausführungsbeispiel weist das Klassifizieren eines Signals ferner auf: Betrachten von zumindest einem weiteren Signal in der Umgebung des zu klassifizierenden Signals, insbesondere einer Mehrzahl von weiteren Signalen in der Nachbarschaft ("Heuristik"). Durch das Einbeziehen von ein oder mehr weiteren Signalen bzw. Signalclustern aus der Umgebung kann sich die Klassifizierung eines unbekannten Signals erschließen. Dies ist z.B. in Figur 4 dargestellt, wobei ein unbekanntes Signal mit vier Peaks im Gesamtkontext als zwei kurz aufeinanderfolgende zweiachsige Drehgestelle identifiziert werden kann. In einem weiteren Beispiel (siehe Figur 5) kann ein längerer Abstand zwischen zwei Peaks als Stop/Verlangsamung des Zuges identifiziert werden.
  • Gemäß einem weiteren Ausführungsbeispiel wird das Verfahren im Zusammenhang mit Schienen-gebundenen Fahrzeugen und/oder Schieneninfrastruktur eingesetzt.
  • Oben wurde bereits detailliert die Achszähler Anwendung im Schienenverkehr diskutiert. Ferner hat der Bereich der Schienenfahrzeuge besonders hohe Anforderungen an Sicherheit und Zuverlässigkeit und entsprechende Normen. Daher kann der Einsatz des Verfahren zum Validieren von Auswertungen in diesem Zusammenhang besonders wichtig und vorteilhaft sein.
  • Gemäß einem weiteren Ausführungsbeispiel weist das Verfahren ferner auf: Bereitstellen von Referenzformen als Trainingsdaten an einen künstliche Intelligenz, KI, Algorithmus. Mittels einer Mehrzahl von Referenzformen (z.B. simulierte und/oder gemessene Datensätze) kann ein KI Algorithmus trainiert werden und immer besser im Vergleichen von Referenzformen und gemessenen Formen werden. Dies kann mit menschlicher Interaktion (Maschinenlernen) oder mittels des Algorithmus selbst (Deep Learning) geschehen.
  • Im Kontext dieses Dokuments kann der Begriff "KI" sich insbesondere auf Computer-basierte Ansätze zur Nachahmung kognitiver Funktionen eines menschlichen Geistes beziehen, insbesondere Lernen und Problemlösung. Es wurde eine Vielzahl verschiedener mathematischer Algorithmen und Berechnungsmodelle entwickelt, um KI-Funktionalitäten zu implementieren, beispielsweise "maschinelles Lernen", neuronale Netzwerke, insbesondere "Deep Learning", genetische Algorithmen, Kernel Regression, etc. Der Hauptzweck dieser Ansätze kann darin gesehen werden, einen vorhandenen Algorithmus zu verbessern, indem er mit Trainingsdaten trainiert wird, so dass ein Lerneffekt auftritt und sich die Problemlösungsfähigkeit des Algorithmus im Laufe der Zeit verbessert. Dies kann mit oder ohne menschliches Eingreifen (z.B. Verbessern) geschehen.
  • Gemäß einem weiteren Ausführungsbeispiel kann das beschriebene Verfahren effizient mit kurzen Rechenzeiten in etablierter Software (z.B. C, C++, Python) umgesetzt werden.
  • In einem exemplarischen Ausführungsbeispiel können Aspekte der vorliegenden Erfindung auch wie folgt beschrieben werden:
    Aus Experimenten mit Beispieldatensätzen geht hervor, dass die Verwendung des reinen Peak-Erkennungsalgorithmus bereits die konventionelle Methode "single thresholding" übertrifft.
  • Nach der Kombination von Peak- und Form-Erkennung, aufgrund der internen Übereinstimmung von Peaks und Formen und der automatischen Korrektur von nicht übereinstimmenden Formen (Validierung), kann das beschriebene Verfahren als robuster und leistungsfähiger als konventionelle Ansätze angesehen werden.
  • Es ist zu beachten, dass Ausführungsformen der Erfindung unter Bezugnahme auf verschiedene Gegenstände beschrieben wurden. Insbesondere wurden einige Ausführungsformen unter Bezugnahme auf Verfahrensansprüche beschrieben, während andere Ausführungsformen unter Bezugnahme auf Vorrichtungsansprüche beschrieben wurden. Ein Fachmann wird jedoch aus dem Vorstehenden und der folgenden Beschreibung entnehmen, dass, sofern nicht anders angegeben, neben jeder Kombination von Merkmalen, die zu einer Art von Gegenstand gehören, auch jede Kombination von Merkmalen, die sich auf verschiedene Gegenstände beziehen, als von diesem Dokument offenbart gilt. Dies insbesondere auch zwischen Merkmalen der Verfahrensansprüche und Merkmalen der Vorrichtungsansprüche.
  • Die oben definierten Aspekte und weitere Aspekte der vorliegenden Erfindung ergeben sich aus den nachstehend zu beschreibenden Beispielen der Ausführungsformen und werden unter Bezugnahme auf die Beispiele der Ausführungsformen erläutert. Die Erfindung wird im Folgenden unter Bezugnahme auf Ausführungsformen, auf die die Erfindung jedoch nicht beschränkt ist, näher beschrieben.
    • Kurze Beschreibung der Zeichnungen
    • Figur 1 zeigt ein Bestimmen einer Mehrzahl von Peaks, um eine Peak-Auswertung zu erhalten, gemäß einem exemplarischen Ausführungsbeispiel der Erfindung.
    • Figur 2 zeigt ein Bestimmen einer Mehrzahl von Formen, um eine Formen-Auswertung zu erhalten, gemäß einem exemplarischen Ausführungsbeispiel der Erfindung.
    • Figur 3 zeigt ein erstes Vergleichen der Peak-Auswertung und der Formen-Auswertung, um die Auswertungen zu validieren, gemäß einem exemplarischen Ausführungsbeispiel der Erfindung.
    • Figur 4 zeigt ein zweites Vergleichen der Peak-Auswertung und der Formen-Auswertung, um die Auswertungen zu validieren, gemäß einem exemplarischen Ausführungsbeispiel der Erfindung.
    • Figur 5 zeigt ein drittes Vergleichen der Peak-Auswertung und der Formen-Auswertung, um die Auswertungen zu validieren, gemäß einem exemplarischen Ausführungsbeispiel der Erfindung.
    • Die Figuren 6 und 7 zeigen jeweils einen Datensatz eines Achszählers.
    • Die Figuren 8 bis 10 illustrieren eine konventionelle Schwellenwert-basierte Methode und deren Nachteile.
    • Figur 11 zeigt einen Achszähler gemäß einem exemplarischen Ausführungsbeispiel der Erfindung.
    Detaillierte Beschreibung der Zeichnungen
  • Die Darstellung in den Zeichnungen sind schematisch. Es wird darauf hingewiesen, dass in unterschiedlichen Abbildungen ähnliche oder identische Elemente oder Merkmale mit den gleichen Bezugszeichen oder mit Bezugszeichen versehen sind, die sich von den entsprechenden Bezugszeichen nur innerhalb der ersten Ziffer unterscheiden. Um unnötige Wiederholungen zu vermeiden, werden Elemente oder Merkmale, die bereits in Bezug auf eine zuvor beschriebene Ausführungsform erläutert wurden, an einer späteren Stelle der Beschreibung nicht noch einmal erläutert.
  • Darüber hinaus werden räumlich relative Begriffe wie "vorne" und "hinten", "oben" und "unten", "links" und "rechts" usw. verwendet, um die Beziehung eines Elements zu einem anderen Element zu beschreiben, wie in den Abbildungen dargestellt. So können die räumlich relativen Begriffe auf verwendete Orientierungen zutreffen, die von der in den Abbildungen dargestellten Orientierung abweichen. Offensichtlich beziehen sich diese räumlich relativen Begriffe lediglich auf eine Vereinfachung der Beschreibung und die in den Abbildungen gezeigte Orientierung und sind nicht notwendigerweise einschränkend, da eine Vorrichtung gemäß einer Ausführungsform der Erfindung andere Orientierungen als die in den Abbildungen dargestellten annehmen kann, insbesondere wenn sie verwendet wird.
  • Figur 1 zeigt ein Bestimmen einer Mehrzahl von Peaks, um eine Peak-Auswertung 110 zu erhalten gemäß einem exemplarischen Ausführungsbeispiel der Erfindung. In diesem Beispiel wurden Peaks aus dem Datensatz extrahiert und korrekt klassifiziert als Räder 111 und Magnetschienenbremsen 112. Basierend auf der Beobachtung, dass Räder und Magnetschienenbremsen zu lokalen Peaks (Maxima) im Datensatz des Achsenzählers führen, wurden zunächst alle Spitzen (Peaks) extrahiert und danach klassifiziert als "Rad", "Magnetschienenbremse" oder "unbekanntes Signal".
  • In einem exemplarischen Ausführungsbeispiel wird ein vierstufiger Ansatz zum Erhalten der Peak-Auswertung 110 verwendet:
    1. 1. Extrahieren von allen relevanten lokalen Maxima aus dem Datensatz (diese korrespondieren gewöhnlich zu Rädern oder Magnetschienenbremsen).
    2. 2. Berechnen von Peak Kriterien für diese lokalen Maxima, z.B. Höhe, Breite, Prominenz usw..
    3. 3. Klassifizieren der Peaks in "Räder", "Magnetschienenbremsen", "unbekannt".
    4. 4. Rückabbilden der Klassifizierung auf den Datensatz.
  • Figur 2 zeigt ein Bestimmen einer Mehrzahl von Formen, um eine Formen-Auswertung 120 zu erhalten, gemäß einem exemplarischen Ausführungsbeispiel der Erfindung. Im gezeigten Beispiel wurden korrekt zwei unterschiedliche (Signal-) Formen bestimmt: i) zweiachsiges Drehgestell ohne Magnetschienenbremse 121 und ii) zweiachsiges Drehgestell mit Magnetschienenbremse 122.
  • Bei dem Bestimmen von Formen geht es nun nicht um das Extrahieren von lokalen Maxima (wie bei der Peak-Bestimmung), sondern um das Auffinden bestimmter Signalformen (Mustererkennung), z.B. mittels Kurvenerkennungsalgorithmus. Eine wichtige Beobachtung ist hierbei, bestimmte Signale in der Regel bestimmten Formen folgen. Die Kurven zweier Räder werden z.B. durch Formen von zwei hohen Signal-Peaks dargestellt, während zwei Räder mit einer Magnetschienenbremse dazwischen durch Formen von zwei hohen Signal-Peaks mit einem niedrigen Signal dazwischen dargestellt werden.
  • Basierend auf dieser Beobachtung kann dem Formen-Ansatz die Idee zugrunde liegen, solche Formen bzw. Kurven nach ihrer Form zu klassifizieren. Hierbei kommt es nicht darauf an, dass die Formen gleich (z.B. zu einer Referenzform) sind, sondern ähnlich; manchmal etwas länger oder etwas kürzer, manchmal etwas höher oder etwas niedriger. In besonders effizienter Weise kann ein solcher Vergleich zwischen Signalform und Referenzform, wobei die Variationen überbrückt werden, z.B. mit DTW durchgeführt werden.
  • In einem exemplarischen Ausführungsbeispiel wird ein vierstufiger Ansatz zum Erhalten der Formen-Auswertung verwendet:
    1. 1. Definieren von typischen Formen (Referenzformen), z.B. zwei Räder oder zwei Räder mit Magnetschienenbremse. Diese typischen Formen können als Referenzformen für DTW verwendet werden, welche die Referenzformen mit den gemessenen Formen aus dem Datensatz vergleicht.
    2. 2. Beim Extrahieren der Formen aus dem Datensatz (Segmentieren) werden lokale Formgrenzen bestimmt; dies kann ferner durch heuristische Ansätze unterstützt werden.
    3. 3. Jedes extrahierte Formensegment kann zunächst (bezüglich Länge) normiert werden, so dass es (mittels DTW) mit den Referenzformen vergleichbar ist.
    4. 4. Basierend auf dem Vergleich mittels DTW (warping distance kann erhalten werden) können die extrahierten Formen klassifiziert werden. Im Falle, dass die Unterschiede zu den Referenzformen zu groß sein sollten (Distanz zu groß), kann die Klassifizierung "unbekanntes Signal" verwendet werden.
  • Figur 3 zeigt ein erstes Vergleichen der Peak-Auswertung 110 und der Formen-Auswertung 120, um die Auswertungen zu validieren, gemäß einem exemplarischen Ausführungsbeispiel der Erfindung. Mittels des Vergleichs kann eine validierte (und kombinierte) Auswertung 130 erhalten werden. Hierdurch kann die Auswertung stabiler und akkurater werden, wobei auch herausfordernde Fälle zuverlässig erfasst werden können. In einem exemplarischen Beispiel kann die Auswertung und Validierung eines Datensatzes von etwa 60 Sekunden Länge in 0,02-0,15 Sekunden bearbeitet werden.
  • Wie oben beschrieben, ist der Peak-basierte Ansatz darauf gerichtet festzustellen, wo Peaks lokalisiert sind und diese dann zu klassifizieren. Eine Unschärfe kann hierbei bezüglich falsch positiv/negativ bestehen. Der Form-basierte Ansatz ist darauf gerichtet, Formen (insbesondere Kurven) zu lokalisieren und mittels Referenzformen zu klassifizieren. Eine Unschärfe kann in komplexen Fällen insbesondere an Formgrenzen vorliegen. Im gezeigten Beispiel konnten alle Peak Cluster 132 korrekt bestimmt werden. Lediglich Peak Cluster 131 weist eine ungewöhnliche Form auf und wird daher als "unbekanntes Signal" klassifizier. Unter Verwenden des Peak-basierten Ansatzes kann aber darauf geschlossen werden, dass eine Rad-Magnetschienenbremse-Rad Signalform vorliegt.
  • Figur 4 zeigt ein zweites Vergleichen der Peak-Auswertung 110 und der Formen-Auswertung 120, um die Auswertungen zu validieren, gemäß einem exemplarischen Ausführungsbeispiel der Erfindung. In diesem Fall liegt ein herausforderndes Peak Cluster 133 vor: zwei zweiachsige Drehgestelle sind in kurzem Abstand erfasst worden (vermutlich sehr kurze Wagen oder besonders hohe Geschiwndigkeit). Der Form-basierte Ansatz wird die Form mit vier Peaks nicht erkennen. Mittels des Peak-basierten Ansatzes kann aber festgestellt werden, dass vier Radsignale vorliegen, so dass die Form-Auswertung 120 korrigiert werden kann (Re-Segmentierung).
  • Figur 5 zeigt ein drittes Vergleichen der Peak-Auswertung 110 und der Formen-Auswertung 120, um die Auswertungen zu validieren 130, gemäß einem exemplarischen Ausführungsbeispiel der Erfindung. Zwischen den Radsignalen 141 und 142 liegt ein besonders großer Abstand 140 (z.B. kurzzeitiger Stillstand, besonders niedrige Geschwindigkeit), den der Form-basierte Ansatz nicht erkennen kann. Mittels des Peak-basierten Ansatzes kann aber festgestellt werden, dass zwei Radsignale desselben Drehgestells vorliegen, so dass die Form-Auswertung 120 korrigiert werden kann. Ferner kann in diesem Fall auch mittels Heuristik korrigiert werden, wobei benachbarte Signale in Betracht gezogen werden, um die Peaks und Formen korrekt auf den Datensatz zu mappen.
  • Figur 11 zeigt einen Achszähler 100 gemäß einem exemplarischen Ausführungsbeispiel der Erfindung. Dieser weist zumindest eine Sensorvorrichtung 102 (dies kann auch ein Doppelsensor-System sein) auf, der an einer Schiene 101 befestigt ist und die oben beschriebenen Datensätzen detektieren kann. Die Sensorvorrichtung ist in diesem Beispiel über Kabel (alternativ kabellos) mit einer Auswertevorrichtung 103 verbunden. Diese Auswertevorrichtung 103 ist eingerichtet den gemessenen Datensatz zu erhalten und nach dem oben beschriebenen Verfahren auszuwerten und zu validieren.
  • Es sei darauf hingewiesen, dass der Begriff "aufweisend" andere Elemente oder Schritte nicht ausschließt und die Verwendung des Artikels "ein" eine Vielzahl nicht ausschließt. Auch Elemente, die in Verbindung mit verschiedenen Ausführungsformen beschrieben werden, können kombiniert werden. Es ist auch darauf hinzuweisen, dass Bezugszeichen in den Ansprüchen nicht so ausgelegt werden sollten, dass sie den Umfang der Ansprüche einschränken. Unabhängig vom grammatikalischen Geschlecht eines bestimmten Begriffes sind Personen mit männlicher, weiblicher oder anderer Geschlechtsidentität mit umfasst.

Claims (15)

  1. Ein computer-implementiertes Verfahren zum Auswerten von einem Datensatz eines Achszählers (100), das Verfahren aufweisend:
    Bestimmen einer Mehrzahl von Peaks in dem Datensatz zum Bereitstellen einer Peak-Auswertung (110);
    Bestimmen einer Mehrzahl von Formen in dem Datensatz zum Bereitstellen einer Formen-Auswertung (120); und
    Vergleichen (130) der Peak-Auswertung (110) und der Formen-Auswertung (120) zum Bereitstellen einer validierten Auswertung des Datensatzes.
  2. Das Verfahren gemäß Anspruch 1, wobei das Bestimmen der Mehrzahl von Peaks (110) aufweist:
    Extrahieren von lokalen Maxima (111) aus dem Datensatz.
  3. Das Verfahren gemäß Anspruch 2, wobei das Bestimmen der Mehrzahl von Peaks (110) ferner aufweist:
    Bestimmen von zumindest einem Peak-Kriterium, insbesondere zumindest einem von Peak Höhe, Peak Breite, Peak Prominenz, Peak Zeitpunkt, Peak Steigung,
    weiter insbesondere wobei zum Bestimmen des zumindest einen Peak-Kriterium zwei oder mehr Schwellenwerte verwendet werden.
  4. Das Verfahren gemäß einem der vorhergehenden Ansprüche, wobei das Bestimmen der Mehrzahl von Formen (120), insbesondere Kurvenformen, aufweist:
    Bestimmen von zumindest einer Referenzform, insbesondere einer von Drehgestell-zwei-Räder (121), Drehgestell-zwei-Räder-eine-Magnetschienenbremse (122), einachsiges Drehgestell, zweiachsiges Drehgestell; und
    Vergleichen von zumindest einem Signal, insbesondere einer Signalform, des Datensatzes mit der zumindest einen Referenzform.
  5. Das Verfahren gemäß Anspruch 4, wobei das Vergleichen einen Dynamic Time Warping, DTW, Algorithmus, aufweist.
  6. Das Verfahren gemäß Anspruch 4 oder 5, ferner aufweisend:
    Extrahieren einer Signalform aus dem Datensatz, insbesondere ferner aufweisend:
    Normieren der Signalform vor dem Vergleichen mit der Referenzform; und/oder
    Segmentieren des Datensatzes mittels Grenzbestimmung, um dadurch die Formgrenzen zumindest einer Signalform zu bestimmen.
  7. Das Verfahren gemäß einem der vorhergehenden Ansprüche, ferner aufweisend:
    Vorprozessieren des Datensatzes zum Entfernen von Rauschen,
    insbesondere mittels Glätten und/oder down-sampling.
  8. Das Verfahren gemäß einem der vorhergehenden Ansprüche, wobei das Auswerten, insbesondere das Bestimmen der Mehrzahl von Peaks (110) und/oder das Bestimmen der Mehrzahl von Formen (120), ferner aufweist:
    Klassifizieren von zumindest einem Signal des Datensatzes, insbesondere als zumindest eines von Rad (111), Magnetschienenbremse (112), einachsiges Drehgestell, zweiachsiges Drehgestell (121, 122), unbekanntes Signal (131) .
  9. Das Verfahren gemäß Anspruch 8, ferner aufweisend:
    Rückübertragen der Signal-Klassifizierung auf den Datensatz,
    insbesondere zum weiteren Validieren des Datensatzes.
  10. Das Verfahren gemäß einem der vorhergehenden Ansprüche, wobei das Klassifizieren eines Signals ferner aufweist:
    Betrachten von zumindest einem weiteren Signal in der Umgebung des zu klassifizierenden Signals,
    insbesondere einer Mehrzahl von weiteren Signalen in der Nachbarschaft.
  11. Das Verfahren gemäß einem der vorhergehenden Ansprüche, wobei das Verfahren im Zusammenhang mit Schienen-gebundenen Fahrzeugen und/oder Schieneninfrastruktur eingesetzt wird.
  12. Das Verfahren gemäß einem der vorhergehenden Ansprüche, ferner aufweisend:
    Bereitstellen von Referenzformen als Trainingsdaten an einen künstliche Intelligenz, KI, Algorithmus.
  13. Eine Vorrichtung zur Datenverarbeitung (103), welche zumindest einen Prozessor aufweist, und welche eingerichtet ist das Verfahren gemäß einem beliebigen der Ansprüche 1 bis 12 auszuführen.
  14. Einen Achszähler (100), welcher aufweist:
    eine Sensorvorrichtung (102) zum Aufnehmen eines Datensatzes; und
    eine Vorrichtung zur Datenverarbeitung (103) gemäß Anspruch 13, welche mit der Sensorvorrichtung (102) gekoppelt ist.
  15. Ein Computerprogrammprodukt, welches Befehle aufweist, die bei der Ausführung des Programms durch einen Computer diesen veranlassen, das Verfahren gemäß einem beliebigen der Ansprüche 1 bis 13 auszuführen.
EP23194130.3A 2023-08-30 2023-08-30 Kombinierter ansatz zum auswerten eines datensatzes eines achszählers Pending EP4516622A1 (de)

Priority Applications (1)

Application Number Priority Date Filing Date Title
EP23194130.3A EP4516622A1 (de) 2023-08-30 2023-08-30 Kombinierter ansatz zum auswerten eines datensatzes eines achszählers

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
EP23194130.3A EP4516622A1 (de) 2023-08-30 2023-08-30 Kombinierter ansatz zum auswerten eines datensatzes eines achszählers

Publications (1)

Publication Number Publication Date
EP4516622A1 true EP4516622A1 (de) 2025-03-05

Family

ID=87863224

Family Applications (1)

Application Number Title Priority Date Filing Date
EP23194130.3A Pending EP4516622A1 (de) 2023-08-30 2023-08-30 Kombinierter ansatz zum auswerten eines datensatzes eines achszählers

Country Status (1)

Country Link
EP (1) EP4516622A1 (de)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2685575A1 (en) * 2009-12-08 2011-06-08 Brian N. Southon Vital wayside train detection system
EP1899209B1 (de) * 2005-07-01 2012-08-22 Portec, Rail Products Ltd. Eisenbahnradsensor mit hall-effekt-einrichtungen und entsprechendes verfahren
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
EP1899209B1 (de) * 2005-07-01 2012-08-22 Portec, Rail Products Ltd. Eisenbahnradsensor mit hall-effekt-einrichtungen und entsprechendes verfahren
CA2685575A1 (en) * 2009-12-08 2011-06-08 Brian N. Southon Vital wayside train detection system
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
DE60224852T2 (de) Verfahren und Vorrichtung zur Verarbeitung von Fahrzeugbildern
EP4124539B1 (de) Verfahren zum zählen von achsen mit rechnergestützter auswertung
DE19858298C2 (de) Verwendung einer Einrichtung in einem Fahrzeug, mit der die Umgebung des Fahrzeuges mittels Radarstrahlen erkannt werden kann
WO2022122196A1 (de) Optische schienenwegerkennung
DE102020212799A1 (de) Durchführen von objekt- und aktivitätserkennung auf der grundlage von daten von einer kamera und einem radarsensor
DE112018000448T5 (de) System und Verfahren zur automatischen Anhängererfassung
WO2014108561A1 (de) Verfahren und vorrichtung zum überwachen eines umfelds eines fahrzeugs und verfahren zum durchführen einer notbremsung
DE102020212782A1 (de) Vorrichtung und verfahren zum steuern einer fahrspurverfolgung
DE102021203484B3 (de) Verfahren zum Erstellen einer Führungstrajektorie für ein erstes Kraftfahrzeug, Verfahren zum Steuern eines Kraftfahrzeugs sowie Verfahren zum Betreiben eines Kraftfahrzeugs
DE102011001037A1 (de) Fahrzeuginterne Vorrichtung zur Weiß-Linien-Erkennung
EP4405229B1 (de) Verfahren zum erkennen einer beschädigung an einem transportsystem und steuereinrichtung dafür
EP3374246B1 (de) Verfahren und vorrichtung zur vergleichsgesteuerten entgleisungserfassung
EP1486918A2 (de) Verfahren zur adaptiven Fehlererkennung auf einer inhomogenen Oberfläche
EP2107336A1 (de) Verfahren und Vorrichtung zur Bilderkennung von bewegten Objekten, wie etwa in Förderanlagen
EP4186775A1 (de) Verfahren und vorrichtung zum erkennen von eigenschaften eines fahrzeugs
DE102021206475A1 (de) Hindernisdetektion im Gleisbereich auf Basis von Tiefendaten
WO2023143800A1 (de) Verfahren zur detektion von geisterobjekten in sensormessungen
EP4516623A1 (de) Deep learning basierter ansatz zum auswerten eines datensatzes eines achszählers
EP4516622A1 (de) Kombinierter ansatz zum auswerten eines datensatzes eines achszählers
EP4383097A1 (de) Validierung einer simulierten binärzeitreihe
EP3823876B1 (de) Verfahren und anordnung zum wiedererkennen eines schienenfahrzeugrades
DE102020203082A1 (de) Die Erfindung betrifft ein Verfahren zur Blockage-Erkennung von Umfelderfassungssensoren eines Fahrzeugs.
DE102024204664A1 (de) Einstufiges Auswerten eines Achszähler-Zeitverlaufs
EP3996967B1 (de) Schienenerkennung mit lidar
EP4458643A1 (de) Verfahren zum zählen von achsen mit rechnergestützter auswertung und fehlererkennung

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: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20250902

RAP3 Party data changed (applicant data changed or rights of an application transferred)

Owner name: SIEMENS MOBILITY GMBH