EP4653287A1 - Einstufiges auswerten eines achszähler-zeitverlaufs - Google Patents

Einstufiges auswerten eines achszähler-zeitverlaufs

Info

Publication number
EP4653287A1
EP4653287A1 EP25167722.5A EP25167722A EP4653287A1 EP 4653287 A1 EP4653287 A1 EP 4653287A1 EP 25167722 A EP25167722 A EP 25167722A EP 4653287 A1 EP4653287 A1 EP 4653287A1
Authority
EP
European Patent Office
Prior art keywords
signal
dimensional time
algorithm
signals
axle counter
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
EP25167722.5A
Other languages
English (en)
French (fr)
Inventor
Surinder Ram
Claus Bahlmann
Jens Braband
Thorsten Föge
Hardy Hambsch
Nanzhu Jiang
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
Publication of EP4653287A1 publication Critical patent/EP4653287A1/de
Pending legal-status Critical Current

Links

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
    • B61L1/161—Devices for counting axles; Devices for counting vehicles characterised by the counting methods

Definitions

  • the invention relates to a method for evaluating axle counter data, wherein a one-dimensional time history is recorded by the axle counter and evaluated by identifying/detecting signals in the one-dimensional time history and classifying the signals in the one-dimensional time history in a single step (single-stage) using a single-stage deep learning-based algorithm.
  • the invention further relates to a data processing device and an axle counter system.
  • the invention can therefore relate to the technical field of evaluating data sets from an axle counter, particularly with regard to rail vehicles.
  • Axle counters are a common feature in rail vehicles and rail infrastructure, forming an essential part of the monitoring system. They track whether a wheel or axle (of a train) has passed a track and how many wheels have passed. This is crucial for many applications, such as track occupancy detection and, in particular, for safety within a rail infrastructure.
  • track sections are equipped with two axle counter sensors (called counting points), one at the beginning and the other at the end of the section. Whether a track section is determined to be clear or occupied depends primarily on the number of wheels detected by the two axle counter sensors.
  • a higher-level evaluation unit (which can, for example, form an axle counter system with the axle counter sensors) analyzes the signals received by the sensors and derives the status of the track section from them. Only if a section is actually recognized as clear is a train permitted to pass through it.
  • the term “axle counter” can encompass both the unit “sensor (or counting point) and evaluation unit” and refer only to the evaluation unit (the actual axle counter). If reference is specifically to the sensor, If the term “axle counter sensor” is used to refer to both the axle counter sensor and the axle counter evaluation unit, the term “evaluation unit” can be used. If the axle counter sensor and axle counter evaluation unit are to be referred to together, the term “axle counter system” can be used.
  • axle counters cannot achieve 100% counting accuracy in practical applications. This is due, firstly, to the complex signals captured by the axle counter sensors, and secondly, to signal processing methods that are not precise enough to handle complex signals. This is partly because the signals may be affected by interference (noise) and because varying speeds can result in numerous waveforms. In extreme cases, trains may stop at the sensor and/or reverse direction. This would not pose a safety issue, as the counts are always conservative (in the sense that the safety margin is increased), but rather an availability problem.
  • axle counters Another limitation of conventional axle counters is that, although they can detect the occurrence of wheels with a high degree of certainty, even state-of-the-art products can only deliver such results at the cost of false positives (meaning that although no wheel passes the sensor, a signal is detected (e.g., by masses of metal affecting the sensor) and is counted by the sensor as if a passing wheel were passing).
  • a conventional axle counter cannot further classify characteristics of a passing rail vehicle (e.g., magnetic track brakes, wheels, bogies, or whether it is a freight train, passenger train, etc.).
  • Figure 8 shows an example of a data set recorded by an axle counter sensor (or counting point, here consisting of two sensor subsystems).
  • the data set exhibits a one-dimensional time history (only one parameter, voltage, is measured over time).
  • 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 sensor side is always recorded), two signals (or peaks, pulses) are always located close together (peak cluster). In other words, the high signals correspond to the actual wheels. Furthermore, lower signals can be observed between the high signals in the second and third bogies. These are usually caused by magnetic track brakes.
  • Figure 9 shows a detailed view of a signal cluster (signal pattern) of a two-axle bogie, with a low signal of a magnetic track brake 204 located between two high signals of the wheels 203.
  • the "single-thresholding” method is used to process axle counter signals.
  • This method is used in Figure 10 This is clearly illustrated.
  • a predefined threshold is configured for each axle counter.
  • the captured signals are truncated at a specific axle counter threshold (reference 210): Values above this fixed threshold are mapped to "1" and values below the threshold to "0".
  • the value "1" indicates the point in time at which a wheel passes an axle counter.
  • data set 210 thus shows only 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 crucial disadvantage: it doesn't take the context into account. If a wheel signal doesn't 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 track brake, this signal can interfere with the detection. If the threshold is exceeded, an additional, non-existent wheel is counted (false positive).
  • Figure 11 This shows an example of a false positive error according to the conventional single-threshold method.
  • the first line shows the signal captured by the first sensor subsystem
  • the second line shows the signal captured by the second sensor subsystem.
  • the third and fourth lines are the results of a conventional single-threshold algorithm that evaluates 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).
  • the horizontal line in the first line indicates the set threshold (trigger threshold).
  • the algorithm incorrectly interprets the result as three wheels on a two-axle bogie.
  • Figure 12 This shows an example of a "false negative" error according to the conventional "single threshold” method.
  • Rows one through four show the signals from the first and second sensor subsystems, along with their threshold values.
  • the second row contains two high signals from wheels and one lower signal caused by a magnetic track brake.
  • the horizontal line represents the defined threshold.
  • the corresponding fourth row which shows the threshold signal from the second sensor subsystem, no wheel is detected. This is because the signal values in the second row are too low and do not exceed the threshold.
  • a method for evaluating a data set from an axle counter, a device for data processing, an axle counter system, and a computer program product are described below.
  • a computer program product which has instructions which, when the program is executed by a computer, cause it to perform the method described above.
  • AI artificial intelligence
  • machine learning especially through neural networks.
  • the main purpose of these approaches can be seen as developing and improving a model by training the algorithm with training data, thus resulting in a learning effect and an improvement in the algorithm's problem-solving ability over time. This can occur with or without human intervention (e.g., refinement).
  • Deep learning can refer specifically to a particular form of machine learning (as a special form of AI), especially neural networks.
  • Deep learning algorithms employ artificial neural networks with numerous hidden layers between the input and output layers, allowing for the development of a complex internal structure. Deep learning can be particularly well-suited, for example, for an algorithm to improve itself through training (self-adaptive).
  • CNN Convolutional Neural Network
  • the structure of a Convolutional Neural Network might, for example, include one or more convolutional layers followed by one or more pooling layers. According to some Finally, a fully connected layer can be provided for repeating units. Due to the reduction of the data volume in the convolutional and pooling layers, CNNs are particularly well-suited for processing large amounts of data, e.g., images with very high resolution.
  • the term "single-stage algorithm” refers specifically to an algorithm based on AI (particularly deep learning, and further specifically CNNs) that is designed to identify and classify signals in a single step.
  • a single-stage algorithm can be implemented using an established algorithm like YOLO or SSD (examples of single-stage algorithms).
  • Conventional approaches to evaluating two-dimensional data such as images (like CNNs) use a two-stage approach: first, the objects are identified, and only in a subsequent step are these objects classified.
  • the single-stage algorithm performs identification and classification in one step, thus saving processing time (and therefore computing resources).
  • the single-stage algorithm can divide an image into sections using a grid and analyze each section individually. Each section can then be viewed ("shot") and analyzed in a single step.
  • one-dimensional time series refers specifically to a representation or analysis of data that has only one dimension: time. This representation allows the development/change of a specific measurement over time to be observed (without including spatial or other variables).
  • an electrical parameter such as voltage can be viewed over time to analyze the presence of axles (especially wheels, bogies, etc.) over time.
  • determining signals can refer specifically to the identification or detection of signals within the dataset, particularly based on (unique) "signal features.” For example, detecting a peak (e.g., a wheel axle) can be understood as determining the signal feature "local maximum.” In one embodiment, a signal feature can be located using a signal point (e.g., the peak tip). In another embodiment, a "signal pattern" can be identified based on one or more signal features. For example, detecting two or three signal features (in a signal cluster, e.g., of a bogie) can be defined as determining the signal features "two/three consecutive local maxima”.
  • determining can refer to detecting whether and where a unique/unmistakable feature is located in a signal (signal waveform) (locating and extracting; where is it?) (see, e.g., also Figures 2, 3 , and 4 ).
  • the "determination” can be performed in a more precise variant, which can be described as “segmentation.” This allows for the precise localization of multiple signal features, e.g., several peaks in a bogie signal cluster (extracting finer structures).
  • classifying (assigning) signals can refer specifically to the assignment of one or more signals (or signal characteristics and/or signal patterns) to a specific signal class (signal type). To classify signals, they are detected/identified based on their signal characteristics (conventionally, the steps of "identifying” and “classifying” are performed in two passes/stages). For example, assigning a single signal characteristic “peak” to the signal class “wheel” can be considered classification. Furthermore, assigning a signal pattern "high peak-low peak-high peak” to the signal class "bogie with magnetic track brake” can also be considered classification.
  • the invention can be based on the idea that a data set from an axle counter (the one-dimensional time history) can be evaluated quickly and reliably if the determination and classification of the signals is carried out in one step using a single-stage AI algorithm.
  • Algorithms for analyzing images are well-known, such as convolutional neural networks. These networks are conventionally used for demanding 2D and 3D representations because they can be particularly advantageous for processing large amounts of data, such as complex, high-resolution images. These algorithms typically use the concept of "bounding boxes" to identify specific objects within the images. to be able to recognize. Furthermore, algorithms are known (see YOLO, SSD) that can perform such 2D/3D image analysis in a single step.
  • the simultaneous classification and detection of the one-dimensional signal can be used by means of the single-stage (“single shot”) technique.
  • the described method can, in an example, detect and classify (and segment) various types of train features, such as magnetic track brakes, wheels, bogies and entire wagons, in contrast to conventional evaluation approaches that, for example, can only detect wheels and cannot distinguish between other features (such as magnetic track brakes).
  • the described method can, in one example, significantly increase robustness against signal noise, as larger intervals of the signal are used for detection and classification. Furthermore, the method can calculate a "quality measure" of the underlying signal, which can be used in higher-level control systems to calculate reliability values.
  • the described method can, in one example, achieve significantly improved accuracy compared to current state-of-the-art methods. This allows for particularly reliable evaluation in a short time, enabling not only the determination but also the simultaneous classification of the acquired signals.
  • the described method can be implemented computationally quickly and cost-effectively and can be directly integrated into existing systems.
  • the single-stage algorithm incorporates a Convolutional Neural Network (CNN).
  • CNN Convolutional Neural Network
  • This can have the advantage of enabling implementation using an efficient and established algorithm.
  • CNNs are currently known primarily from the analysis of images (two-dimensional data); their advantageous application to one-dimensional measurement data, particularly with regard to the specific application of axle counters, has not yet been explored.
  • the single-stage algorithm comprises a YOLO algorithm (or a derivative thereof) or an SSD algorithm (or a derivative thereof). This can have the advantage that a fast and reliable implementation using proven and reliable methods is possible.
  • YOLO You Only Look Once
  • YOLO is an object detection algorithm that processes an entire image in a single pass and directly predicts bounding-box coordinates and class probabilities. The algorithm can achieve real-time performance by dividing the image into a grid and performing object detection for each grid cell.
  • SSD Single-Shot Detector
  • SSD uses multiple feature maps with different resolutions to efficiently detect objects of varying sizes in real time.
  • SSD is known for its accuracy, especially in detecting small objects, making the algorithm useful for a wide range of computer vision applications.
  • the single-stage algorithm is executed section by section along the one-dimensional time course.
  • the sections have a specific section width (in other words, at least two sections with the same dimensions are used).
  • the section width is partially variable (in other words, at least two sections with different dimensions are used).
  • Single-stage algorithms such as YOLO or SSD divide a two-dimensional image into a grid and analyze the grid cells.
  • sections can be used according to the invention. These can be strung together. The sections are defined (with or without a gap between them) so that the algorithm can analyze the dataset section by section. In a preferred example, only one pass (single-stage) of the algorithm through the sections is required.
  • the section width can be (partially) varied, e.g. wider for a slow train and narrower for a faster train.
  • the determination involves: recognizing signal features in the one-dimensional time course. In another embodiment, the determination involves: recognizing signal patterns (based on signal features) in the one-dimensional time course.
  • Object recognition algorithms usually use the concept of bounding boxes to locate objects (e.g., a car) in an image. However, in this case, one-dimensional data is used, so this concept is not applicable.
  • signal features especially in the form of individual points, and/or signal patterns can be used efficiently and reliably, analogous to bounding boxes.
  • a local maximum can be recognized as a signal feature and determined by locating this point (see, e.g., [reference]).
  • Figures 2 and 3 ).
  • determining signal patterns involves: recognizing a (bogie-associated) signal pattern based on five signal points.
  • the signal pattern "Bogie" can be determined. This can simultaneously result in the classification into the signal class "Bogie”.
  • determining signal characteristics involves: recognizing a (wheel-associated) signal pattern based on at least one signal point (and its height/position).
  • each signal characteristic can correspond to a signal pattern, e.g., "wheel” or “brake” (here, the height of the signal point can be crucial). Recognizing the signal measure “wheel” also results, in one example, in the classification into the signal class "wheel”.
  • the method comprises: determining whether a section contains (relevant) information, and i) utilizing information-containing sections and/or ii) discarding information-free sections.
  • information can, in particular, include at least one signal feature. Efficiency can be increased if only information-containing sections are analyzed (considered).
  • the single-stage algorithm is executed in anchor regions along the one-dimensional time history in addition to the segments.
  • anchor regions at specific positions can also be defined and considered.
  • the sections are used homogeneously according to a fixed pattern (analogous to a grid), while the anchor regions are used inhomogeneously at specific positions.
  • the anchor regions allow for more specific analysis of areas of interest (high density of signal features). See also the illustration in Figure 7 .
  • Single-stage algorithms e.g., YOLO
  • the grid cells can be derived by simply dividing the image into several smaller fields.
  • this single-stage object recognition algorithm additionally incorporates the concept of anchor boxes. In this case, different sizes of the image (e.g., for training and inference) are extracted at grid positions.
  • the time sequence is divided into fields with a predetermined fixed length/width (sections).
  • the concept of using anchor regions can also be applied according to the invention.
  • the anchor areas have at least two different dimensions.
  • the anchor areas can be provided in the form of frames/boxes. The sizes of these frames/boxes can differ, for example.
  • At least one anchor area is smaller/larger than a corresponding section in at least one dimension. This can provide a particular degree of flexibility.
  • the method comprises: providing an output which specifies the signal class (classification or classification probability; what is it?) and at least one signal characteristic (determining/ detect) (or the position of at least one signal feature; where is it?), especially in vector form.
  • the output of the single-stage algorithm includes both the detection and the classification. Conventionally, this is performed in two stages.
  • the detection and classification information can be concatenated, e.g., as linked layers (see also Figure 1 ).
  • classification involves assigning signals to a class (particularly based on at least one signal feature and/or a signal pattern).
  • classes can be defined according to the specific application, and the underlying AI algorithm can be trained accordingly.
  • a signal class can have one or more distinguishing features that are indicative of that class.
  • a signal class can refer to individual signals and/or signal clusters (two or more signals that are associated with each other).
  • the signal classes have at least one of the following: one wheel, one magnetic track brake, two wheels, two wheels with one magnetic track brake, two wheels with no magnetic machine brake, single-axle bogie, two-axle Bogie.
  • the method further comprises: training the single-stage algorithm with a plurality of one-dimensional time profiles of an axle counter (determined experimentally and/or theoretically).
  • the training further comprises: learning signal patterns and/or signal characteristics that are indicative for certain signal classes.
  • the training data can include measured (real) and/or simulated datasets. Depending on the application, certain training approaches may be particularly suitable.
  • the method also includes: determining at least one of the following based on the evaluation: a speed, a length, a vehicle type, an anomaly, in particular a defect, a required maintenance.
  • the method also includes: preprocessing the data set to remove noise, in particular by smoothing and/or downsampling. This can have the advantage that even low-resolution signals can be used.
  • the method is used in connection/context 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 demands regarding safety and reliability, as well as corresponding standards. Therefore, the use of this method for validating evaluations can be especially important and advantageous in this context.
  • the single-stage algorithm/classifier is very fast (faster than other deep-learning-based methods, e.g., Unet).
  • the algorithm is based on single-shot classifiers (such as the YOLO model, which is used in computer vision for object recognition).
  • a true end-to-end neural network is described that makes predictions of bounding boxes (signal features) and class probabilities simultaneously.
  • it is not necessary to post-process the data i.e., calculate classes or coordinates based on the neural network's prediction), which can make the entire algorithmic system more robust.
  • the Figures 8 and 9 Each shows a data record from an axle counter.
  • the Figures 10 to 12 illustrate a conventional threshold-based method and its disadvantages.
  • Figure 13 shows an axle counter system according to an exemplary embodiment of the invention.
  • 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, as illustrated in the figures. Thus, these spatially relative terms may apply to orientations used that differ from the orientation shown in the figures. Obviously, these spatially relative terms merely serve to simplify the description and the orientation shown in the figures and are not necessarily restrictive, since a device according to an embodiment of the invention may assume orientations other than those shown in the figures, particularly when in use.
  • Figure 1 schematically shows a method according to an exemplary embodiment of the invention.
  • a data set 110 (input) is provided, which is read by an axle counter (see e.g. Figure 13 ) was recorded/measured.
  • the dataset exhibits a one-dimensional time course (see e.g. Figures 8 and 9 ).
  • the evaluation of this data set 110 is carried out using a single-stage AI algorithm (single stage/shot algorithm/detector) 150.
  • the Kl algorithm 150 can, for example, be structured as a CNN with up to twenty layers 151. At the end of the CNN, there are, for example, two fully connected layers 152 that provide the following output: the class probability and the position of the signal features.
  • Signal features can be used in this context to locate a specific signal position. While a bounding box is used to define the position and size of an object in a two-dimensional domain, according to the invention, this can be done point by point in a one-dimensional domain, or signal features can be set in the form of signal points. One or more signal points can be indicative of a specific signal pattern. The signal pattern can be used analogously to the bounding box. In one embodiment, determining signals can mean "where is it?", while classifying signals can mean "what is it?".
  • a local maximum was identified as a peak, and a signal feature 112 was set using a signal point (signal identification). Based on this signal feature, the signal pattern 111 "Rad” (here as a bounding-box analogue) was identified, leading to its assignment to the signal class "Rad” (signal classification).
  • the data set is thus evaluated by identifying signals within the... one-dimensional time course and classification of the signals in the one-dimensional time course in one step using a one-step deep learning-based algorithm.
  • Figure 1 shows a method for determining signal characteristics based on five signal points, according to an exemplary embodiment of the invention. Using these five signal characteristics, a specific signal pattern can be recognized, in this case, a bogie-associated signal pattern. For ease of representation, the signal cluster shown is contained within a single section 160.
  • All five signal points can be set and the signal pattern "Bogie with magnetic track brake” 131 can be recognized, which also results in the associated classification in the signal class "Bogie with magnetic track brake".
  • Figure 3 shows a determination of signal characteristics based on five signal points, according to a further exemplary embodiment of the invention. This example is that of the Figure 2 Similarly. The difference is that there is no peak for the magnetic track brake at position iii). Therefore, the five signal points result in the signal pattern "Bogie without magnetic track brake" 132, which also results in the associated classification (signal class "Bogie without magnetic track brake").
  • Figure 4 shows a method for determining signal characteristics based on a signal point and its height/position, according to an exemplary embodiment of the invention.
  • a specific signal pattern 111 can be recognized by means of each signal characteristic 112.
  • each signal pattern 111 is shown in its own section 160-162.
  • the signal feature "high peak” 130 can be set. This leads to the signal pattern "Rad”.
  • a local maximum is detected, and the signal characteristic "low peak” 135 can be set. This results in the signal pattern "magnetic track brake”.
  • a local maximum is detected, and the signal characteristic "high peak” 130 can be set. This results in the signal pattern "wheel”.
  • the signal pattern sequence "wheel-magnetic track brake-wheel” leads to its assignment to the signal class "bogie with magnetic track brake”.
  • Figure 5 shows the execution of the one-stage algorithm along the one-dimensional time course through three sections 160-162 with the application of the five signal-point detection, according to an exemplary embodiment of the invention.
  • the five signal points can be used as for the Figures 2 and 3 described and set.
  • Figure 6 Figure 1 shows the execution of the single-stage algorithm along the one-dimensional time course through three sections 160-162 (these would be the "shots") using single-signal-point detection, according to an exemplary embodiment of the invention.
  • the fourth section, 163 contains no feature (signal characteristic) and is therefore considered an information-free section and, in particular, discarded.
  • Figure 7 shows the execution of the single-stage algorithm along the one-dimensional time course in sections 160 and anchor regions 170, according to an exemplary embodiment of the invention.
  • a very fine sampling grid small section width
  • Anchor regions/boxes 170 with larger Dimensioning is used additionally. This can lead to multiple detections, which can be processed with a non-maxima suppression algorithm to use only those detections with the highest confidence interval.
  • Anchor areas of different dimensions can be used (see 170-172) to cover different signal levels. In this example, anchor areas that are not ideally placed (175) cannot detect a signal feature.
  • Figure 13 shows an axle counter system 100 according to an exemplary embodiment of the invention.
  • This system comprises an axle counter sensor device 102 (e.g., one, two, or more sensors, e.g., a dual-sensor system) which is attached to a rail 101 and can record/measure the data sets (one-dimensional time series) described above.
  • the sensor device 102 is connected via cable (alternatively wirelessly) to an axle counter evaluation unit 103.
  • This evaluation unit 103 is configured to receive the measured data set and to evaluate or validate it according to the method described above. The evaluation can alternatively also be performed remotely.

Landscapes

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

Abstract

Es wird ein Verfahren zum Auswerten eines Datensatzes (110) beschrieben, das Verfahren aufweisend:
i) Aufnehmen eines eindimensionalen Zeitverlaufs als Datensatz (110) mittels eines Achszählers (100); und
ii) Auswerten des Datensatzes (110) mittels Bestimmen von Signalen in dem eindimensionalen Zeitverlauf und Klassifizieren der Signale in dem eindimensionalen Zeitverlauf in einem Schritt mittels eines auf Deep Learning basierenden einstufigen Algorithmus (150).

Description

    Technisches Gebiet
  • Die Erfindung bezieht sich auf ein Verfahren zur Datenauswertung von Achszähler-Daten, wobei ein eindimensionaler Zeitverlauf mittels des Achszählers aufgenommen wird und ausgewertet wird mittels Bestimmen/Detektieren von Signalen in dem eindimensionalen Zeitverlauf und Klassifizieren der Signale in dem eindimensionalen Zeitverlauf in einem Schritt (einstufig) mittels eines auf Deep Learning basierenden einstufigen Algorithmus. Ferner bezieht sich die Erfindung auf eine Vorrichtung zur Datenverarbeitung und auf ein Achszähler-System.
  • Die Erfindung kann sich somit auf das technische Gebiet der Auswertung von Datensätzen eines Achszählers 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 bzw. eine Radachse (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 Achszähler-Sensoren erfasst werden. Eine übergeordnete Auswerteeinheit (diese kann z.B. mit den Achszähler-Sensoren ein Achszähler-System bilden) 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 "Auswerteeinheit" verwendet werden. Sollen Achszähler-Sensor und Achszähler-Auswerteeinheit gemeinsam bezeichnet werden, so kann man von Achszähler-System sprechen.
  • 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 komplexe zu behandeln; unter andrem, auch weil die Signale eventuell gestört (Rauschen) sein können und weil sie ggf. durch die unterschiedlichen Geschwindigkeiten vielzählige Kurvenformen entstehen. In Extremfällen können Züge am Sensor stehen und/oder umdrehen. Dies wäre dann kein sicherheitstechnisches Problem, da die Zählungen immer zur sicheren Seite gehen (im Sinne, dass der Sicherheitspuffer erhöht wird), 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 8 zeigt ein Beispiel eines Datensatzes 200 welcher von einem Achszähler-Sensor (oder auch Zählpunkt, hier bestehend aus zwei Sensorteilsystemen) aufgenommen wurde. Der Datensatz weist insbesondere einen eindimensionalen Zeitverlauf auf (es wird nur ein Parameter, die Spannung, über die Zeit gemessen). 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 (bzw. Peaks, Pulse) dicht beieinander lokalisiert (Peak Cluster). Anders ausgedrückt entsprechen die hohen Signale den realen Rädern. Ferner können im zweiten und dritten Drehgestell geringere Signale zwischen den hohen Signalen beobachtet werden. Diese werden gewöhnlich von Magnetschienenbremsen verursacht.
  • Figur 9 zeigt eine Detailansicht eines Signal Clusters (Signal-Musters) eines zweiachsigen Drehgestells, 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 10 anschaulich dargestellt. Für jeden Achszähler wird ein vordefinierter Schwellenwert konfiguriert. Nach dem Aufnehmen des Datensatzes 200 werden die erfassten Signal bei einem bestimmten Schwellenwert eines Achszählers abgeschnitten (truncation) (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 11 zeigt ein Beispiel für einen "false positiv" 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 des ersten bzw. zweiten Sensorteilsystems auswertet (entsprechend der Bewertung der analogen Signale aus der ersten bzw. zweiten Zeile). 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 12 zeigt ein Beispiel für einen "false negative" Fehler (falsch negativ) gemäß der konventionellen "single threshold" Methode. Wie in Figur 11 sind in den Reihen eins bis vier die Signale von dem ersten Sensorteilsystem und dem zweiten Sensorteilsystem 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 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 schnell und zuverlässig auszuwerten.
  • Ein Verfahren zum Auswerten eines Datensatzes eines Achszählers, eine Vorrichtung zur Datenverarbeitung, ein Achszähler-System, und ein Computerprogrammprodukt werden im Folgenden beschrieben.
  • Gemäß einem ersten Aspekt der Erfindung wird ein (insbesondere Computer-implementiertes) Verfahren zum Auswerten eines Datensatzes (eines Achszählers) beschrieben, das Verfahren aufweisend:
    1. i) Aufnehmen (bzw. Messen/Bestimmen) eines eindimensionalen Zeitverlaufs (es wird nur eine Messgröße über die Zeit gemessen/bestimmt, z.B. die Spannung) als Datensatz mittels eines Achszählers (bzw. Achszähler-Sensors), und
    2. ii) (Computer-implementiertes) Auswerten des Datensatzes mittels
      1. a) Bestimmen/Detektieren von Signalen (insbesondere Bestimmen von Signal-Merkmalen, weiter insbesondere Signal-Punkten, z.B. Position von Peak-Spitzen) in dem eindimensionalen Zeitverlauf und
      2. b) Klassifizieren der Signale (insbesondere Zuordnen von Signal-Merkmalen und/oder Signal-Mustern zu Signal-Klassen) in dem eindimensionalen Zeitverlauf (z.B. als Rad, Drehgestell, etc.)
      3. c) in einem Schritt (einstufig) mittels eines auf künstlicher Intelligenz (z.B. Deep Learning) basierenden einstufigen Algorithmus (bzw. Single-Stage-Detector) (z.B. YOLO oder SSD).
  • Gemäß einem zweiten Aspekt der Erfindung wird eine Vorrichtung zur Datenverarbeitung (z.B. ein Computer, ein Steuerungssystem, eine Achszähler-Auswerteeinheit, etc.) beschrieben, welche zumindest einen Prozessor aufweist, und welche eingerichtet ist zum:
    1. i) Erhalten eines von einem Achszähler aufgenommenen eindimensionalen Zeitverlaufs (insbesondere wobei der Datensatz von analog zu digital konvertiert wird/wurde), und
    2. ii) Auswerten des Datensatzes mittels
      1. a) Bestimmen von Signalen in dem eindimensionalen Zeitverlauf und
      2. b) Klassifizieren der Signale in dem eindimensionalen Zeitverlauf,
      3. c) in einem Schritt mittels eines auf Deep Learning basierenden einstufigen Algorithmus.
  • Gemäß einem dritten Aspekt der Erfindung wird ein Achszähler-System (bzw. Anordnung) beschrieben, die aufweist:
    1. i) zumindest einen Achszähler (insbesondere aufweisend zumindest ein Achszähler-Sensor) zum Aufnehmen eines eindimensionalen Zeitverlaufs, und
    2. ii) eine Vorrichtung zur Datenverarbeitung wie oben beschrieben (insbesondere konfiguriert als Achszähler-Auswerteeinheit), welche mit dem zumindest einen Achszähler (kommunikativ) gekoppelt ist (z.B. miteinander verbaut, Fernbetrieb, drahtgebunden oder drahtlos gekoppelt, etc.).
  • 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.
  • Im Kontext dieses Dokuments kann sich der Begriff "künstliche Intelligenz (KI)" insbesondere auf Computer-basierte Ansätze zur Nachahmung kognitiver Funktionen eines menschlichen Geistes beziehen, insbesondere Lernen und Problemlösung. Es wurden eine Vielzahl verschiedener mathematischer Algorithmen und Berechnungsmodelle entwickelt, um Kl-Funktionalitäten zu implementieren, beispielsweise "maschinelles Lernen", insbesondere mittels neuronaler Netzwerke. Der Hauptzweck dieser Ansätze kann darin gesehen werden, ein Modell zu entwickeln und zu verbessern, indem der Algorithmus 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.
  • Im Kontext dieses Dokuments kann sich der Begriff "Deep Learning" (mehrschichtiges/tiefes Lernen) insbesondere auf eine spezielle Form von maschinellem Lernen (als spezielle Form von Kl), insbesondere neuronalen Netzwerken, beziehen. Insbesondere werden bei Deep Learning Algorithmen künstliche neuronale Netze mit zahlreichen Zwischenschichten (hidden layers) zwischen Eingabeschicht und Ausgabeschicht einsetzt, wodurch eine umfangreiche innere Struktur herausbildet werden kann. Deep Learning kann sich in einem Beispiel besonders gut dafür eignen, dass ein Algorithmus sich selbst durch Training verbessert (selbstadaptiv).
  • Im Kontext dieses Dokuments kann sich der Begriff "Convolutional Neural Network (CNN)" (faltendes neuronales Netzwerk) insbesondere auf einen speziellen Deep Learning Ansatz beziehen. Die Struktur eines Convolutional Neural Networks kann in einem Beispiel ein oder mehr Convolutional Layer aufweisen, gefolgt von ein oder mehr Pooling Layer. Nach einigen sich wiederholenden Einheiten kann zuletzt eine Fully-Connected Layer vorgesehen werden. Aufgrund der Reduktion der Datenmenge in den Convolutional und Pooling Schichten können sich CNNs besonders gut dafür eignen hohe Datenmengen zu verarbeiten, z.B. Bilder mit besonders hoher Auflösung.
  • Im Kontext dieses Dokuments kann sich der Begriff "einstufiger Algorithmus" bzw. "single stage algorithm" insbesondere auf einen Algorithmus beziehen, der auf KI (insbesondere auf Deep Learning, weiter insbesondere auf CNN) basiert und eingerichtet ist, ein Bestimmen und Klassifizieren von Signalen in einem Schritt (bzw. einstufig) durchzuführen. In einem exemplarischen Beispiel kann ein solcher einstufiger Algorithmus mittels eines etablierten Algorithmus wie YOLO oder SSD (Ausprägungen für single-stage Algorithmen) implementiert werden. Konventionelle Ansätze zum Auswerten von zweidimensionalen Daten wie Bildern (wie CNN) verwenden einen zweistufigen Ansatz: zunächst wird ein Bestimmen der Objekte durchgeführt und erst in einem nachfolgenden Schritt werden diese Objekte klassifiziert. Der einstufige Algorithmus führt im Gegensatz hierzu das Bestimmen und Klassifizieren in einem Schritt durch, wodurch Bearbeitungszeit (und damit auch Computerressourcen) eingespart werden können. Beispielsweise kann der einstufige Algorithmus ein Bild mittels eines Gitters in Abschnitte zerteilen und abschnittsweise analysieren. Jeder Abschnitt kann dann einmal betrachten ("shot") und in einem Schritt analysiert werden.
  • Im Kontext dieses Dokuments kann sich der Begriff "eindimensionaler Zeitverlauf" (bzw. Zeitreihe) insbesondere auf eine Darstellung oder Analyse von Daten beziehen, die nur eine Dimension hat, nämlich die Zeit. Mittels dieser Darstellung kann die Entwicklung/Änderung einer bestimmten Messgröße über die Zeit hinweg betrachtet werden (ohne dass räumliche oder andere Variablen einbezogen werden). Im Falle eines Achszählers kann z.B. ein elektrischer Parameter wie die Spannung über die Zeit betrachtet werden, um die Anwesenheit von Achsen (insbesondere Räder, Drehgestelle, etc.) im Zeitverlauf zu analysieren.
  • Im Kontext dieses Dokuments kann sich der Begriff "Bestimmen von Signalen" insbesondere darauf beziehen, dass Signale innerhalb des Datensatzes erkannt bzw. detektiert werden, insbesondere anhand (eindeutiger) "Signal-Merkmale" (signal features). In einem Beispiel kann das Detektieren eines Peaks (z.B. einer Radachse) als ein Bestimmen des Signal-Merkmals "lokales Maximum" verstanden werden. In einem Ausführungsbeispiel kann ein Signal-Merkmal mittels eines Signal-Punkts lokalisiert werden (hier z.B. die Peak-Spitze). In einem Ausführungsbeispiel kann anhand von ein oder mehr Signal-Merkmalen ein "Signal-Muster" erkannt werden, z.B. das Detektieren von zwei oder drei Signal-Merkmalen (in einem Signal Cluster, z.B. eines Drehgestells) als Bestimmen der Signal-Merkmale "zwei/drei lokale Maxima in Folge". In anderen Worten kann das Bestimmen sich darauf beziehen zu detektieren, ob und wo sich in einem Signal(-verlauf) ein eindeutiges/ unverwechselbares Merkmal befindet (Lokalisieren und Extrahieren; wo ist es?) (siehe z.B. auch Figuren 2, 3, und 4).
  • In einem Ausführungsbeispiel kann das "Bestimmen" in einer präziseren Variante ausgeführt werden, die als "Segmentieren" bezeichnet werden kann. Hierbei kann eine präzise Lokalisierung von mehreren Signal-Merkmalen stattfinden, z.B. mehrere Peaks in einem Drehgestell Signal Cluster (Herausarbeiten von feineren Strukturen).
  • Im Kontext dieses Dokuments kann sich der Begriff "Klassifizieren (Zuordnen) von Signalen" insbesondere darauf beziehen, dass ein oder mehr Signale (bzw. Signal-Merkmale und/oder Signal-Muster) einer bestimmen Signal-Klasse (Signal Typ) zugeordnet werden. Um Signale zu klassifizieren, werden diese anhand von Signal-Merkmalen detektiert/bestimmt (konventionell erfolgen die Schritte "Bestimmen" und "Klassifizieren" in zwei Durchläufen/Stufen). In einem Beispiel kann das Zuordnen eines einzelnen Signal-Merkmals "Peak" in die Signal-Klasse "Rad" ein Klassifizieren sein. Ferner kann z.B. das Zuordnen eines Signal-Musters "hoher Peak-niedriger Peak-hoher Peak" in die Signal-Klasse "Drehgestell mit Magnetschienenbremse" ein Klassifizieren sein.
  • Gemäß einem exemplarischen Ausführungsbeispiel kann die Erfindung auf der Idee basieren, dass ein Datensatz eines Achszählers (der eindimensionale Zeitverlauf) schnell und zuverlässig ausgewertet werden kann, wenn das Bestimmen und Klassifizieren der Signale in einem Schritt mittels eines einstufigen Kl-Algorithmus erfolgt.
  • Im Gegensatz hierzu basieren konventionelle Ansätze zur Auswertung von Achszähler-Datensätzen (auch mittels KI) darauf, dass zunächst ein Detektieren und danach (in einem zweiten Durchlauf) ein Klassifizieren der Signale stattfindet.
  • Algorithmen zur Analyse von Bildern (also zweidimensionalen Datensätzen) sind bekannt, wie z.B. Convolutional Neural Networks. Diese Netzwerke werden konventionell für anspruchsvolle 2D und 3D Darstellungen verwendet, denn sie können besonders vorteilhaft sein zum Verarbeiten von großen Datenmengen wie komplexen Bilder mit hoher Auflösung. Gewöhnlich verwenden diese Algorithmen das Konzept der "bounding boxes", um bestimmte Objekte in den Bildern erkennen zu können. Es sind ferner Algorithmen bekannt (siehe YOLO, SSD) die eine solche 2D/3D Bildanalyse einstufig durchführen können.
  • Es wurde von den Erfindern nun erkannt, dass sich solche einstufigen Algorithmen zur Analyse von zweidimensionalen Bildern auf überraschend schnelle, effektive, und zuverlässige Weise auf eindimensionale Datensätze wie den Zeitverlauf eines Achszählers übertragen lassen können. Ein solcher Ansatz ist bisher unbekannt, weil Algorithmen wie YOLO oder SSD eben für zweidimensionale Bilder optimiert sind und eine vorteilhafte Implementierung bezüglich eindimensionaler (Mess-) Daten daher nicht umgesetzt wird.
  • Erfindungsgemäß kann die gleichzeitige Klassifizierung und Detektion des eindimensionalen Signals (Räder, Bremsen usw.) mittels der einstufigen ("Einzelschuss") Technik verwendet werden.
  • Das beschriebene Verfahren kann in einem Beispiel verschiedene Arten von Zugmerkmalen, wie Magnetschienenbremsen, Räder, Drehgestelle und ganze Waggons, erkennen und klassifizieren (und segmentieren), im Gegensatz zu konventionellen Auswerte-Ansätzen, die z.B. nur Räder erkennen und nicht zwischen anderen Merkmalen (wie Magnetschienenbremsen) unterscheiden können.
  • Das beschriebene Verfahren kann in einem Beispiel dazu beitragen die Robustheit gegenüber Signalrauschen deutlich zu erhöhen, da größere Intervalle des Signals zur Detektion und Klassifizierung verwendet werden. Darüber hinaus kann das Verfahren ein "Qualitätsmaß" des zugrunde liegenden Signals berechnen, das in übergeordneten Steuerungssystemen zur Berechnung von Zuverlässigkeitswerten verwendet werden kann.
  • Das beschriebene Verfahren kann in einem Beispiel deutlich verbesserte Genauigkeitswerte im Vergleich zu aktuellen Methoden nach dem Stand der Technik ermöglichen. Eine besonders zuverlässige Auswertung in kurzer Zeit kann somit erhalten werden, welche neben der Bestimmung auch eine gleichzeitige Klassifizierung der erfassten Signale ermöglicht. Das beschriebene Verfahren kann rechentechnisch besonders schnell und kostengünstig durchführbar sein und direkt in existierende Systeme implementiert werden.
    • Exemplarische Ausführungsbeispiele
  • Gemäß einem Ausführungsbeispiel weist der einstufige Algorithmus ein Convolutional Neural Network (CNN) auf. Dies kann den Vorteil haben, dass eine Implementierung mittels eines effizienten und etablierten Algorithmus gelingen kann. CNN sind jedoch bislang aus der Analyse von Bildern (zweidimensionale Daten) bekannt, eine vorteilhafte Anwendung auf eindimensionale Messdaten, insbesondere hinsichtlich der speziellen Anwendung Achszähler, wird bislang nicht verwendet.
  • Gemäß einem Ausführungsbeispiel weist der einstufige Algorithmus einen YOLO Algorithmus (oder ein Derivat davon) oder einen SSD Algorithmus (oder ein Derivat davon) auf. Dies kann den Verteil haben, dass eine schnelle und zuverlässige Implementierung mittels erprobter und zuverlässiger Mittel gelingen kann.
  • YOLO (You Only Look Once) ist eine beliebte Variante, die häufig in Computer-Vision-Anwendungen verwendet wird. YOLO ist ein Objekterkennungsalgorithmus, der ein ganzes Bild in einem einzigen Durchgang verarbeitet und bounding-box-Koordinaten und Klassenwahrscheinlichkeiten direkt vorhersagt. Der Algorithmus kann Echtzeitleistung erreichen, indem das Bild in ein Raster (Grid) unterteilt wird und für jede Rasterzelle die Erkennung von Objekten durchführt.
  • SSD (Single-Shot Detector) verwendet mehrere feature-maps mit unterschiedlichen Auflösungen, um Objekte unterschiedlicher Größe effizient in Echtzeit zu erkennen. SSD ist bekannt für seine Genauigkeit, insbesondere bei der Erkennung kleiner Objekte, was den Algorithmus für eine Vielzahl von Computer-Vision-Anwendungen nützlich macht.
  • Gemäß einem Ausführungsbeispiel wird der einstufige Algorithmus abschnittsweise (in Abschnitten) entlang des eindimensionalen Zeitverlaufs durchgeführt. Gemäß einem Ausführungsbeispiel weisen die Abschnitte eine bestimmte Abschnittsbreite auf (in anderen Worten werden zumindest zwei Abschnitte mit derselben Dimensionierung verwendet). Gemäß einem Ausführungsbeispiel ist die Abschnittsbreite teilweise variabel (in anderen Worten werden zumindest zwei Abschnitte mit unterschiedlicher Dimensionierung verwendet).
  • Einstufige Algorithmen wie YOLO oder SSD teilen ein zweidimensionales Bild in ein Raster ein und analysieren die Rasterzellen. Um diesen Ansatz auf eindimensionale Daten zu übertragen können erfindungsgemäß Abschnitte eingesetzt werden. Diese können aneinandergereiht werden (mit oder ohne Abstand zwischen den Abschnitten), so dass der Algorithmus den Datensatz Abschnitt per Abschnitt analysieren kann. In einem bevorzugten Beispiel wird nur ein Durchlauf (einstufig) des Algorithmus durch die Abschnitte benötigt. Ein anschauliches Beispiel der Abschnitte ist z.B. in den Figuren 5 und 6 gezeigt. Die Abschnittsbreite kann (teilweise) variiert werden, z.B. breiter bei einem langsamen Zug und enger bei einem schnelleren Zug.
  • Gemäß einem Ausführungsbeispiel weist das Bestimmen auf: Erkennen von Signal-Merkmalen in dem eindimensionalen Zeitverlauf. In einem Ausführungsbeispiel weist das Bestimmen auf: Erkennen von Signal-Mustern (basierend auf Signal-Merkmalen) in dem eindimensionalen Zeitverlauf. Objekterkennungs-Algorithmen verwenden gewöhnlich das Konzept der bounding-boxes, um Objekte (z.B. ein Auto) in einem Bild zu lokalisieren. Im vorliegenden Fall wird jedoch mit eindimensionalen Daten gearbeitet, so dass dieses Konzept nicht anwendbar ist.
  • Es wurde jedoch von den Erfindern erkannt, dass in effizienter und zuverlässiger Weise Signal-Merkmale, insbesondere in Form einzelner Punkte, und/oder Signal-Muster analog zu bounding-boxes verwendet werden können. In einem Beispiel kann ein lokales Maximum (Peak-Spitze) als Signal-Merkmal erkannt werden und mittels Lokalisieren dieses Punktes bestimmt werden (siehe z.B. Figuren 2 und 3).
  • Gemäß einem Ausführungsbeispiel weist das Bestimmen von Signal-Mustern auf: Erkennen eines (Drehgestell-assoziierten) Signal-Musters basierend auf fünf Signal-Punkten.
  • Diese Variante kann speziell für das Erkennen von Drehgestellen effizient sein. Beispielsweise können die fünf Signal-Punkte wie folgt gesetzt werden:
    1. i) Start des Drehgestells,
    2. ii) Position erstes Rad (z.B. Peak-Spitze),
    3. iii) Position Magnetschienenbremse (vorhanden oder nicht),
    4. iv) Position zweites Rad (z.B. Peak-Spitze), und
    5. v) Ende des Drehgestells.
  • Können diese fünf Signal-Merkmale gesetzt werden, so kann das Signal-Muster "Drehgestell" bestimmt werden. Hierdurch kann sich zugleich die Klassifizierung in die Signal-Klasse "Drehgestell" ergeben.
  • Gemäß einem Ausführungsbeispiel weist das Bestimmen von Signal-Merkmalen auf: Erkennen eines (Rad-assoziierten) Signal-Musters basierend auf zumindest einem Signal-Punkt (und dessen Höhe/Position).
  • In dieser Variante kann jedes Signal-Merkmal einem Signal-Muster entsprechen, z.B. "Rad" oder "Bremse" (hier kann die Höhe des Signal-Punktes entscheidend sein). Durch das Erkennen des Signal-Mesters "Rad" ergibt sich in einem Beispiel auch die Klassifizierung in die Signal-Klasse "Rad".
  • Gemäß einem Ausführungsbeispiel weist das Verfahren auf: Feststellen, ob ein Abschnitt (relevante) Information enthält, und i) Nutzen von Information-haltigen Abschnitten und/oder ii) Aussortieren von Information-freien Abschnitten. Der Begriff "Information" kann in diesem Zusammenhang insbesondere zumindest ein Signal-Merkmal umfassen. Die Effizienz kann erhöht werden, wenn nur Information-haltige Abschnitte analysiert (in Betracht gezogen) werden.
  • Gemäß einem Ausführungsbeispiel wird der einstufige Algorithmus in Anker-Bereichen entlang des eindimensionalen Zeitverlaufs zusätzlich zu den Abschnitten durchgeführt. In anderen Worten werden nicht nur Abschnitte definiert und berücksichtigt, sondern es können zusätzlich Anker-Bereiche an bestimmten Positionen definiert und berücksichtigt werden.
  • In einem Beispiel werden die Abschnitte nach einem festen Muster homogen eingesetzt (analog einem Raster), während die Anker-Bereiche inhomogen an bestimmten Positionen verwendet werden. Mittels der Anker-Bereiche können Bereiche von Interesse (hoher Dichte an Signal-Merkmalen) spezifischer analysiert werden. Siehe ferner die Veranschaulichung in Figur 7.
  • Einstufige Algorithmen (z.B. Yolo) verwenden "Gitterzellen" zur Erkennung charakteristischer Muster (z.B. ein Auto). Die Gitterzellen können abgeleitet werden, indem das Bild einfach in mehrere kleinere Felder unterteilt wird. Manchmal fügt dieser einstufige Objekterkennungsalgorithmus zusätzlich das Konzept der Ankerboxen hinzu. In diesem Fall werden an Gitterpositionen unterschiedliche Größen des Bildes (z.B. für Training und Inferenz) extrahiert. In einem Ausführungsbeispiel wird der Zeitverlauf in Felder mit vorgegebener fester Länge/Breite unterteilt (Abschnitte). Wie bei vielen einstufigen Ansätzen kann auch erfindungsgemäß das Konzept der Verwendung von Anker-Bereichen angewendet werden.
  • Gemäß einem Ausführungsbeispiel weisen die Anker-Bereiche zumindest zwei unterschiedliche Dimensionierungen auf. In einem Beispiel können die Anker-Bereiche in Form von Rahmen/Boxen vorgesehen werden. Hierbei können sich z.B. die Größen unterscheiden.
  • Gemäß einem Ausführungsbeispiel ist zumindest ein Anker-Bereich in zumindest einer Dimension kleiner/größer als ein korrespondierender Abschnitt. Hierdurch kann eine besondere Flexibilität gegeben sein.
  • Bei einem feinen Raster (im Vergleich zu den zu detektierenden Signalen) (bzw. enger Abschnittsbreite) und großen Anker-Bereichen kann es zu redundanten Detektionen kommen. In solchen Fällen kann es erforderlich sein, Erkennungen mit geringerer Zuverlässigkeit zu unterdrücken (non-maxima suppression).
  • Gemäß einem Ausführungsbeispiel weist das Verfahren auf: Bereitstellen einer Ausgabe (output), welche die Signal-Klasse (Klassifizierung bzw. Klassifizierungswahrscheinlichkeit; was ist es?) und zumindest ein Signal-Merkmal (Bestimmen/
    Detektieren) (bzw. die Position von zumindest einem Signal-Merkmal; wo ist es?) aufweist, insbesondere in Vektor-Form(at). In anderen Worten weist die Ausgabe des einstufigen Algorithmus sowohl die Bestimmung als auch die Klassifizierung auf. Konventionell wird dies in zwei Stufen ausgeführt. Im einstufigen Algorithmus können die Informationen des Bestimmens und des Klassifizierens jedoch miteinander verkettet sein, z.B. als verbundene Schichten (siehe auch Figur 1).
  • Gemäß einem Ausführungsbeispiel weist das Klassifizieren ein Einordnen/Zuordnen in eine Signal-Klasse auf (insbesondere basierend auf zumindest einem Signal-Merkmal und/oder einem Signal-Muster). Diese Klassen können entsprechend der jeweiligen Anwendung definiert werden und der zugrunde liegende Kl-Algorithmus kann entsprechend trainiert werden. Eine Signal-Klasse kann ein oder mehr Unterscheidungsmerkmale (features) aufweisen, die für diese Klasse indikativ sind. Eine Signal-Klasse kann sich auf einzelne Signale und/oder Signal Cluster (zwei oder mehr Signale, welche miteinander assoziiert sind) beziehen.
  • Gemäß einem Ausführungsbeispiel weisen die Signal-Klassen zumindest eine der folgenden auf: ein Rad, eine Magnetschienenbremse, zwei-Räder, zwei-Räder-eine-Magnetschienenbremse, zwei-Räder-keine Magnetmaschinenbremse, einachsiges Drehgestell, zweiachsiges Drehgestell. Dies ist nur eine beispielhafter Auswahl von Signal-Klassen, die im Bereich des Schienenverkehrs besonders häufig bzw. (Sicherheits-) relevant sein können.
  • Gemäß einem weiteren Ausführungsbeispiel weist das Verfahren ferner auf: Trainieren des einstufigen Algorithmus mit einer Mehrzahl von eindimensionalen Zeitverläufen eines Achszählers (experimentell und/oder theoretisch bestimmt). Gemäß einem weiteren Ausführungsbeispiel weist das Trainieren ferner aufweist: Erlernen von Signal-Mustern und/oder Signal-Merkmalen, welche für bestimmte Signal-Klassen indikativ sind.
  • Die Trainingsdaten können hierbei gemessene (reale) und/oder simulierte Datensätze umfassen. Je nach Anwendung können bestimmte Trainingsansätze besonders geeignet sein.
  • Gemäß einem weiteren Ausführungsbeispiel weist das Verfahren ferner auf: Bestimmen von zumindest einem der folgenden basierend auf der Auswertung: einer Geschwindigkeit, einer Länge, eines Fahrzeug-Typs, einer Anomalie, insbesondere einem Defekt, einer benötigten Wartung.
  • Dadurch kann das beschriebene Verfahren neue Möglichkeiten für das gesamte Steuerungssystem von Schienenfahrzeugen ermöglichen, im Folgenden einige Ausführungsbeispiele:
    1. i) Die Erkennung und Klassifizierung von Drehgestellen könnte zur Berechnung der Zuggeschwindigkeit verwendet werden (bzw. der Zugtyp und die Abmessungen sind bekannt, so dass die Geschwindigkeit berechnet werden kann);
    2. ii) Die Länge und die Art des Zuges (z.B. Güterzug, Passagier) könnte geschätzt werden. Die Anzahl der Waggons könnte gezählt werden;
    3. iii) Anomalien (z.B. Defekte an den Rädern und/oder Magnetschienenbremsen) könnten erkannt und gemeldet werden;
    4. iv) Auch eine vorausschauende Wartung könnte auf dem vom Achszähler aufgezeichneten Signal basieren.
  • Gemäß einem weiteren Ausführungsbeispiel weist das Verfahren ferner auf: Vorprozessieren des Datensatzes zum Entfernen von Rauschen, insbesondere mittels Glätten (smoothing) und/oder down-sampling. Dies kann den Vorteil haben, dass auch niedrig aufgelöste Signale verwendet werden können.
  • Gemäß einem weiteren Ausführungsbeispiel wird das Verfahren im Zusammenhang/Kontext mit Schienen-gebundenen Fahrzeugen und/oder Schienen-Infrastruktur 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 ist der einstufige Algorithmus/Klassifikator sehr schnell (schneller als andere Deep-Learning basierten Methoden, z.B. Unet). In einem Beispiel basiert der Algorithmus auf Single-Shot-Klassifikatoren (wie das YOLO-Modell, das in der Computer Vision zur Objekterkennung verwendet wird).
  • Gemäß einem weiteren Ausführungsbeispiel wird ein echtes neuronales End-to-End Netzwerk beschrieben, das Vorhersagen von bounding-boxes (Signal-Merkmalen) und Klassenwahrscheinlichkeiten auf einmal trifft. Es ist in einem Beispiel nicht erforderlich, die Daten nachzubearbeiten (d.h. Klassen oder Koordinaten basierend auf der Vorhersage des neuronalen Netzes zu berechnen), was das gesamte algorithmische System robuster machen kann.
  • 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 schematisch ein Verfahren gemäß einem exemplarischen Ausführungsbeispiel der Erfindung.
    • Figur 2 zeigt ein Bestimmen von Signal-Mustern basierend auf fünf Signal-Punkten, gemäß einem exemplarischen Ausführungsbeispiel der Erfindung.
    • Figur 3 zeigt ein Bestimmen von Signal-Mustern basierend auf fünf Signal-Punkten, gemäß einem weiteren exemplarischen Ausführungsbeispiel der Erfindung.
    • Figur 4 zeigt ein Bestimmen von Signal-Mustern basierend auf einzelnen Signal-Punkten, gemäß einem exemplarischen Ausführungsbeispiel der Erfindung.
    • Figur 5 zeigt ein abschnittsweises Durchführen des einstufigen Algorithmus entlang des eindimensionalen Zeitverlaufs mit fünf Signal-Punkten, gemäß einem exemplarischen Ausführungsbeispiel der Erfindung.
    • Figur 6 zeigt ein abschnittsweises Durchführen des einstufigen Algorithmus entlang des eindimensionalen Zeitverlaufs mit einzelnen Signal-Punkt, gemäß einem exemplarischen Ausführungsbeispiel der Erfindung.
    • Figur 7 zeigt ein Durchführen des einstufigen Algorithmus entlang des eindimensionalen Zeitverlaufs in Abschnitten und Anker-Bereichen, gemäß einem exemplarischen Ausführungsbeispiel der Erfindung.
  • Die Figuren 8 und 9 zeigen jeweils einen Datensatz eines Achszählers.
  • Die Figuren 10 bis 12 illustrieren eine konventionelle Schwellenwert-basierte Methode und deren Nachteile.
  • Figur 13 zeigt ein Achszähler-System 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 schematisch ein Verfahren gemäß einem exemplarischen Ausführungsbeispiel der Erfindung. Zunächst wird ein Datensatz 110 (input) bereitgestellt, der von einem Achszähler (siehe z.B. Figur 13) aufgenommen/gemessen wurde. Der Datensatz weist einen eindimensionalen Zeitverlauf auf (siehe z.B. Figuren 8 und 9). Das Auswerten dieses Datensatzes 110 wird mittels eines einstufigen Kl-Algorithmus (single stage/shot algorithm/detector) 150 durchgeführt.
  • Der Kl-Algorithmus 150 kann z.B. als CNN mit bis zu zwanzig Schichten 151 aufgebaut sein. Am Ende des CNN stehen z.B. zwei vollständig verbundene Schichten 152, die folgende Ausgabe (output) bereitstellen: die Klassenwahrscheinlichkeit und die Position der Signal-Merkmale.
  • Signal-Merkmale (signal features) können im vorliegenden Kontext verwendet werden, um eine bestimmte Signal-Position zu lokalisieren. Während im zweidimensionalen Bereich eine bounding-box verwendet wird, um Position und Größe eines Objekts zu definieren, kann dies erfindungsgemäß im eindimensionalen Bereich punktweise erfolgen bzw. Signal-Merkmale können in Form von Signal-Punkten gesetzt werden. Ein oder mehr Signal-Punke können für ein bestimmtes Signal-Muster indikativ sein. Das Signal-Muster kann analog zu der bounding-box verwendet werden. In einem Ausführungsbeispiel kann das Bestimmen von Signalen bezeichnen: "wo ist es?"; während das Klassifizieren von Signalen bezeichnen kann: "was ist es?".
  • Im gezeigten Beispiel wurde ein lokales Maximum als eine Peak-Spitze erkannt und mittels eines Signal-Punktes ein Signal-Merkmal 112 gesetzt (Bestimmen von Signalen). Basierend auf dem Signal-Merkmal wurde das Signal-Muster 111 "Rad" erkannt (hier als bounding-box Analogon), woraus die Zuordnung in die Signal-Klasse "Rad" gelingt (Klassifizieren von Signalen). Das Auswerten des Datensatzes gelingt somit mittels Bestimmen von Signalen in dem eindimensionalen Zeitverlauf und Klassifizieren der Signale in dem eindimensionalen Zeitverlauf in einem Schritt mittels eines auf Deep Learning basierenden einstufigen Algorithmus.
  • Figur 2 zeigt ein Bestimmen von Signal-Merkmalen basierend auf fünf-Signal-Punkten, gemäß einem exemplarischen Ausführungsbeispiel der Erfindung. Mittels der fünf Signal-Merkmale kann ein bestimmtes Signal-Muster erkannt werden, hier ein Drehgestell-assoziiertes Signal-Muster. Das gezeigte Signal Cluster befindet sich zur einfacheren Darstellung innerhalb eines einzigen Abschnitts 160.
  • Folgende Signal-Punkte 112 können gesetzt werden:
    1. i) Start des Drehgestells,
    2. ii) Position erstes Rad (Signal-Merkmal hoher Peak 130),
    3. iii) Position Magnetschienenbremse 135 (Signal-Merkmal niedriger Peak 135),
    4. iv) Position zweites Rad (Signal-Merkmal hoher Peak), und
    5. v) Ende des Drehgestells.
  • Alle fünf Signal-Punkte können gesetzt werden und das Signal-Muster "Drehgestell-mit-Magnetschienenbremse" 131 kann erkannt werden, wodurch sich zugleich die zugehörige Klassifizierung in die Signal-Klasse "Drehgestell-mit-Magnetschienenbremse" ergibt.
  • Figur 3 zeigt ein Bestimmen von Signal-Merkmalen basierend auf fünf-Signal-Punkten, gemäß einem weiteren exemplarischen Ausführungsbeispiel der Erfindung. Dieses Beispiel ist jenem der Figur 2 ähnlich. Der Unterschied besteht darin, dass an der Position iii) kein Peak für die Magnetschienenbremse vorhanden ist. Daher ergeben die fünf Signal-Punkte das Signal-Muster "Drehgestell-ohne-Magnetschienenbremse" 132, wodurch sich zugleich die zugehörige Klassifizierung (Signal-Klasse "Drehgestell-ohne-Magnetschienenbremse") ergibt.
  • Figur 4 zeigt ein Bestimmen von Signal-Merkmalen basierend auf jeweils einem Signal-Punkt und dessen Höhe/Position, gemäß einem exemplarischen Ausführungsbeispiel der Erfindung. Mittels jeweils einem Signal-Merkmal 112 kann ein bestimmtes Signal-Muster 111 erkannt werden. Zur einfacheren Darstellung befindet sich jedes Signal-Muster 111 in einem eigenen Abschnitt 160-162.
  • Im ersten Abschnitt 160 wird ein lokales Maximum erkannt und das Signal-Merkmal "hoher Peak" 130 kann gesetzt werden. Dies führt zu dem Signal-Muster "Rad". Im zweiten Abschnitt 161 wird ein lokales Maximum erkannt und das Signal-Merkmal "niedriger Peak" 135 kann gesetzt werden. Dies führt zu dem Signal-Muster "Magnetschienenbremse". Im dritten Abschnitt 162 wird ein lokales Maximum erkannt und das Signal-Merkmal "hoher Peak" 130 kann gesetzt werden. Dies führt zu dem Signal-Muster "Rad". Die Signal-Muster Abfolge "Rad-Magnetschienenbremse-Rad" führt hierbei zum Zuordnen in die Signal-Klasse "Drehgestell mit Magnetschienenbremse".
  • Während bei den Beispielen der Figuren 2 und 3 fünf Signal-Merkmalen 112 ein gemeinsames Signal-Muster 111 zugeordnet ist, ist bei Figur 4 jedem Signal-Merkmal 112 ein einzelnes Signal-Muster 111 zugeordnet. In beiden Fällen ist aber nur eine Signal-Klasse vorhanden.
  • Figur 5 zeigt ein Durchführen des einstufigen Algorithmus entlang des eindimensionalen Zeitverlaufs durch drei Abschnitte 160-162 mit Anwenden der fünf Signal-Punkte Erkennung, gemäß einem exemplarischen Ausführungsbeispiel der Erfindung. Die fünf Signal-Punkte können wie für die Figuren 2 und 3 beschrieben gesetzt werden.
  • Im Falle des zweiten Abschnitts 161 war eine korrekte Klassifizierung der Signalkurve und das Setzen der fünf Signal-Punkte ("Regressionsbox") möglich, obwohl nur ein Teil der Signalkurve im zweiten Abschnitt 161 vorhanden ist. Im ersten Abschnitt 160 und im zweiten Abschnitt 162 ist jedoch eine korrekte Klassifizierung nicht möglich: aus den gegebenen Daten wäre die Wahl mehrdeutig.
  • Figur 6 zeigt ein Durchführen des einstufigen Algorithmus entlang des eindimensionalen Zeitverlaufs durch drei Abschnitte 160-162(dies wären die "shots") mit Anwenden der ein Signal-Punkt Erkennung, gemäß einem exemplarischen Ausführungsbeispiel der Erfindung.
  • In den ersten drei Abschnitten 160-162 ist eine Klassifizierung (mit den "regression-windows" die vom neuronalen Netz errechnet wurden) des Signal-Merkmals bzw. Signal-Musters 111 möglich (Rad oder Bremse). Der vierte Abschnitt 163 enthält jedoch kein Feature (Signal-Merkmal) und wird daher als Information-freier Abschnitt betrachtet, insbesondere verworfen.
  • Figur 7 zeigt ein Durchführen des einstufigen Algorithmus entlang des eindimensionalen Zeitverlaufs in Abschnitten 160 und Anker-Bereichen 170, gemäß einem exemplarischen Ausführungsbeispiel der Erfindung. Im Gegensatz zu den anderen Beispielen wird ein sehr feines Abtastraster (geringe Abschnittsbreite) verwendet. Anker-Bereiche/Boxen 170 mit größerer Dimensionierung werden zusätzlich verwendet. Dies kann zu mehrfachen Erkennungen führen, welche mit einem non-maxima suppression Algorithmus bearbeitet werden können, um nur jene Erkennungen mit höchstem Konfidenzintervall zu verwenden. Es können Anker-Bereiche verschiedener Dimensionierung verwendet werden (siehe 170-172), um verschiedene Signalhöhen abzudecken. Nicht ideal platzierte Anker-Bereiche 175 können in diesem Beispiel kein Signal-Merkmal erkennen.
  • Figur 13 zeigt ein Achszähler-System 100 gemäß einem exemplarischen Ausführungsbeispiel der Erfindung. Dieses weist eine Achszähler-Sensorvorrichtung 102 (z.B. ein, zwei, oder mehr Sensoren, z.B. Doppelsensor-System) auf, die an einer Schiene 101 befestigt ist und die oben beschriebenen Datensätzen (eindimensionale Zeitreihen) aufnehmen/messen kann. Die Sensorvorrichtung 102 ist in diesem Beispiel über Kabel (alternativ kabellos) mit einer Achszähler-Auswerteeinheit 103 verbunden. Diese Auswertevorrichtung 103 ist eingerichtet den gemessenen Datensatz zu erhalten und nach dem oben beschriebenen Verfahren auszuwerten bzw. zu validieren. Das Auswerten kann alternativ auch im Fernbetrieb durchgeführt werden.
  • 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.
    • Bezugszeichen
    • 100
    Achszähler-System
    101
    Schiene
    102
    Achszähler-Sensor
    103
    Achszähler-Auswerteeinheit
    110
    Datensatz, Zeitreihe
    111
    Signal-Muster, Signal-Klasse
    112
    Signal-Merkmal, Signal-Punkt
    130
    Signal-Merkmal hoher Peak
    131
    Signal-Muster Drehgestell-mit-Magnetschienenbremse
    132
    Signal-Muster Drehgestell-ohne-Magnetschienenbremse
    135
    Signal-Merkmal niedriger Peak
    150
    Einstufiger Algorithmus
    151
    Schichten
    152
    Verbundene Schichten
    160-163
    Abschnitt
    170-172
    Anker-Bereich
    175
    Weiterer Ankerbereich
    200
    Datensatz
    201
    Signal Cluster Drehgestell-ohne-Magnetschienenbremse
    202
    Signal Cluster Drehgestell-mit-Magnetschienenbremse
    203
    Signal Radachse
    204
    Signal Magnetschienenbremse

Claims (15)

  1. Ein Verfahren zum Auswerten eines Datensatzes (110), das Verfahren aufweisend:
    Aufnehmen eines eindimensionalen Zeitverlaufs als Datensatz (110) mittels eines Achszählers (100); und
    Auswerten des Datensatzes (110) mittels
    Bestimmen von Signalen in dem eindimensionalen Zeitverlauf und
    Klassifizieren der Signale in dem eindimensionalen Zeitverlauf
    in einem Schritt mittels eines auf Deep Learning basierenden einstufigen Algorithmus (150).
  2. Das Verfahren gemäß Anspruch 1,
    wobei der einstufige Algorithmus (150) ein Convolutional Neural Network, CNN, aufweist.
  3. Das Verfahren gemäß Anspruch 1 oder 2,
    wobei der einstufige Algorithmus (150) einen YOLO Algorithmus oder ein Derivat davon aufweist; und/oder
    wobei der einstufige Algorithmus (150) einen SSD Algorithmus oder ein Derivat davon aufweist.
  4. Das Verfahren gemäß einem der vorherigen Ansprüche,
    wobei der einstufige Algorithmus (150) abschnittsweise (160) entlang des eindimensionalen Zeitverlaufs (110) durchgeführt wird,
    insbesondere in Abschnitten (160) mit einer bestimmten Abschnittsbreite,
    weiter insbesondere wobei die Abschnittsbreite (160) teilweise variabel ist.
  5. Das Verfahren gemäß einem der vorherigen Ansprüche,
    wobei das Bestimmen aufweist:
    Bestimmen von Signal-Merkmalen (112) in dem eindimensionalen Zeitverlauf, insbesondere
    Erkennen eines Signal-Musters (111) basierend auf zumindest einem Signal-Merkmal (112).
  6. Das Verfahren gemäß Anspruch 5, ferner aufweisend:
    Erkennen eines Drehgestell-assoziierten Signal-Musters (131, 132) basierend auf fünf Signal-Punkten; und/oder
    Erkennen eines Rad-assoziierten Signal-Musters basierend auf zumindest einem Signal-Punkt.
  7. Das Verfahren gemäß einem der vorherigen Ansprüche,
    wobei der einstufige Algorithmus (150) in zumindest einem Anker-Bereich (170) entlang des eindimensionalen Zeitverlaufs (110) zusätzlich zu den Abschnitten (160) durchgeführt wird, insbesondere
    wobei die Anker-Bereiche (170) zumindest zwei unterschiedliche Dimensionierungen aufweisen; und/oder
    wobei zumindest ein Anker-Bereich (170) in zumindest einer Dimension größer ist als ein korrespondierender Abschnitt (160).
  8. Das Verfahren gemäß einem der vorherigen Ansprüche,
    wobei das Klassifizieren ein Einordnen in eine Signal-Klasse aufweist, insbesondere basierend auf einem erkannten Signal-Muster (111).
  9. Das Verfahren gemäß Anspruch 8,
    wobei die Signal-Klassen zumindest eine der folgenden aufweisen: ein Rad, eine Magnetschienenbremse, zwei-Räder (201), zwei-Räder-eine-Magnetschienenbremse (202), zwei-Räder-keine Magnetmaschinenbremse, einachsiges Drehgestell, zweiachsiges Drehgestell.
  10. Das Verfahren gemäß einem der vorherigen Ansprüche, aufweisend:
    Bereitstellen einer Ausgabe (120), welche zumindest ein Signal-Merkmal (112) und eine assoziierte Signal-Klasse (111) aufweist, insbesondere in Vektor-Form.
  11. Das Verfahren gemäß einem der vorhergehenden Ansprüche,
    ferner aufweisend:
    Trainieren des einstufigen Algorithmus (150) mit einer Mehrzahl von eindimensionalen Zeitverläufen eines Achszählers,
    insbesondere wobei das Trainieren ferner aufweist: Erlernen von Signal-Merkmalen (112) und/oder Signal-Mustern (111), welche für bestimmte Signal-Klassen indikativ sind.
  12. Das Verfahren gemäß einem der vorhergehenden Ansprüche,
    ferner aufweisend:
    Bestimmen von zumindest einem der folgenden basierend auf der Auswertung: einer Geschwindigkeit, einer Länge, eines Fahrzeug-Typs, einer Anomalie, insbesondere einem Defekt, einer benötigten Wartung.
  13. Das Verfahren gemäß einem der vorhergehenden Ansprüche,
    wobei das Verfahren in Schienen-gebundenen Fahrzeugen und/oder Schienen-Infrastruktur eingesetzt wird.
  14. Eine Vorrichtung zur Datenverarbeitung, welche zumindest einen Prozessor aufweist, und welche eingerichtet ist zum:
    Erhalten eines von einem Achszähler (100) aufgenommenen eindimensionalen Zeitverlaufs als Datensatz (110); und
    Auswerten des Datensatzes (110) mittels
    Bestimmen von Signalen in dem eindimensionalen Zeitverlauf und
    Klassifizieren der Signale in dem eindimensionalen Zeitverlauf
    in einem Schritt mittels eines auf Deep Learning basierenden einstufigen Algorithmus (150).
  15. Ein Achszähler-System (100), aufweisend:
    zumindest einen Achszähler (102) zum Aufnehmen eines eindimensionalen Zeitverlaufs (110); und
    eine Vorrichtung zur Datenverarbeitung (103) gemäß Anspruch 14, welche mit dem zumindest einen Achszähler (102) gekoppelt ist.
EP25167722.5A 2024-05-21 2025-04-01 Einstufiges auswerten eines achszähler-zeitverlaufs Pending EP4653287A1 (de)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE102024204664.7A DE102024204664A1 (de) 2024-05-21 2024-05-21 Einstufiges Auswerten eines Achszähler-Zeitverlaufs

Publications (1)

Publication Number Publication Date
EP4653287A1 true EP4653287A1 (de) 2025-11-26

Family

ID=95153787

Family Applications (1)

Application Number Title Priority Date Filing Date
EP25167722.5A Pending EP4653287A1 (de) 2024-05-21 2025-04-01 Einstufiges auswerten eines achszähler-zeitverlaufs

Country Status (3)

Country Link
EP (1) EP4653287A1 (de)
AU (1) AU2025202907A1 (de)
DE (1) DE102024204664A1 (de)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4516623A1 (de) * 2023-08-30 2025-03-05 Siemens Mobility GmbH Deep learning basierter ansatz zum auswerten eines datensatzes eines achszählers

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3984856B1 (de) * 2020-10-19 2026-01-14 Siemens Mobility GmbH Verfahren zum erkennen der fahrzeuggattung eines schienenfahrzeugs und zur anwendung des verfahrens geeignete vorrichtung
EP4155162A1 (de) * 2021-09-22 2023-03-29 Siemens Mobility GmbH Verfahren und vorrichtung mit achszähler zum betreiben eines bahnübergangs
EP4186775B1 (de) * 2021-11-26 2024-03-13 Siemens Mobility GmbH Verfahren und vorrichtung zum erkennen von eigenschaften eines fahrzeugs
EP4383097A1 (de) * 2022-12-08 2024-06-12 Siemens Mobility GmbH Validierung einer simulierten binärzeitreihe

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4516623A1 (de) * 2023-08-30 2025-03-05 Siemens Mobility GmbH Deep learning basierter ansatz zum auswerten eines datensatzes eines achszählers

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
MA RUJIN ET AL: "Deep Learning Based Vehicle Detection and Classification Methodology Using Strain Sensors under Bridge Deck", SENSORS, vol. 20, no. 18, 5 September 2020 (2020-09-05), CH, pages 5051, XP093128772, ISSN: 1424-8220, DOI: 10.3390/s20185051 *

Also Published As

Publication number Publication date
AU2025202907A1 (en) 2025-12-11
DE102024204664A1 (de) 2025-11-27

Similar Documents

Publication Publication Date Title
DE69322306T2 (de) Gegenstandserkennungssystem mittels Bildverarbeitung
DE60224852T2 (de) Verfahren und Vorrichtung zur Verarbeitung von Fahrzeugbildern
WO2022122196A1 (de) Optische schienenwegerkennung
EP3847578A1 (de) Verfahren und vorrichtung zur klassifizierung von objekten
EP4479768A1 (de) Verfahren und system zum erkennen eines sitzbelegungszustands einer sitzanordnung auf basis von radarpunktwolken
EP4124539B1 (de) Verfahren zum zählen von achsen mit rechnergestützter auswertung
EP4405229B1 (de) Verfahren zum erkennen einer beschädigung an einem transportsystem und steuereinrichtung dafür
EP4186775B1 (de) Verfahren und vorrichtung zum erkennen von eigenschaften eines fahrzeugs
EP3791314A1 (de) Verfahren zur fahrspur- und fahrbahndetektion
DE102021204040A1 (de) Verfahren, Vorrichtung und Computerprogramm zur Erstellung von Trainingsdaten im Fahrzeug
EP3715779A1 (de) Verfahren und vorrichtung zur bestimmung von verformungen an einem objekt
EP4516623A1 (de) Deep learning basierter ansatz zum auswerten eines datensatzes eines achszählers
EP4653287A1 (de) Einstufiges auswerten eines achszähler-zeitverlaufs
DE102022208187A1 (de) Hinderniserkennung im Gleisbereich durch Anomaliedetektion
DE102023135293A1 (de) Verfahren und vorrichtung zum diagnostizieren eines fehlers
EP1525554A1 (de) Verfahren zur signalauswertung eines elektronischen bildsensors bei der mustererkennung von bildinhalten eines pr fk rpe rs
DE102020109364A1 (de) Verfahren und Vorrichtung zum Ermitteln und Klassifizieren wenigstens eines Objekts in einem Erfassungsbereich eines Sensors
EP3734557A1 (de) Verfahren zur bereitstellung von trainingsdaten für adaptierbare situationserkennungsalgorithmen sowie verfahren zur automatisierten situationserkennung von betriebssituationen eines fahrzeugs zur öffentlichen personenbeförderung
EP4383097A1 (de) Validierung einer simulierten binärzeitreihe
EP3823876B1 (de) Verfahren und anordnung zum wiedererkennen eines schienenfahrzeugrades
DE102022213244A1 (de) Fahrzeugsystem zur Erhöhung der Sicherheit eines Fahrzeugs, Verfahren und Verwendung
EP4261803A1 (de) Verfahren und system zur messung der geschwindigkeit von fahrzeugen im strassenverkehr
EP4516622A1 (de) Kombinierter ansatz zum auswerten eines datensatzes eines achszählers
EP3772017A1 (de) Bahnsignalerkennung für autonome schienenfahrzeuge
DE102023207319B3 (de) Computer-implementiertes Verfahren und System zum Bestimmen eines Objekts in einer Aufnahme

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