WO2022161695A1 - Evaluation device for a technical device, and method for manufacturing an evaluation device - Google Patents

Evaluation device for a technical device, and method for manufacturing an evaluation device Download PDF

Info

Publication number
WO2022161695A1
WO2022161695A1 PCT/EP2021/085891 EP2021085891W WO2022161695A1 WO 2022161695 A1 WO2022161695 A1 WO 2022161695A1 EP 2021085891 W EP2021085891 W EP 2021085891W WO 2022161695 A1 WO2022161695 A1 WO 2022161695A1
Authority
WO
WIPO (PCT)
Prior art keywords
measurement data
evaluation device
basis
real
training
Prior art date
Application number
PCT/EP2021/085891
Other languages
German (de)
French (fr)
Inventor
Jens Braband
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 EP21839900.4A priority Critical patent/EP4267447A1/en
Publication of WO2022161695A1 publication Critical patent/WO2022161695A1/en

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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
    • B61L27/50—Trackside diagnosis or maintenance, e.g. software upgrades
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
    • B61L27/50—Trackside diagnosis or maintenance, e.g. software upgrades
    • B61L27/57—Trackside diagnosis or maintenance, e.g. software upgrades for vehicles or trains, e.g. trackside supervision of train conditions
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
    • B61L27/60—Testing or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L25/00—Recording or indicating positions or identities of vehicles or trains or setting of track apparatus
    • B61L25/02—Indicating or recording positions or identities of vehicles or trains
    • B61L25/026—Relative localisation, e.g. using odometer

Definitions

  • Evaluation device for a technical device and method for producing an evaluation device
  • the invention relates to a method for producing an evaluation device that works on the basis or at least also on the basis of artificial intelligence and is suitable for use in a technical device in which one or more measurement data sources transmit real measurement data for evaluation to the evaluation device, the evaluation device being trained in a training phase in the method.
  • Evaluation devices working on the basis of artificial intelligence and methods for their production are known, for example, in the field of autonomously driving vehicles.
  • the invention is based on the object of specifying a method that can be carried out in a particularly simple and cost-effective manner.
  • the training phase includes:
  • a validation step that checks the quality of the training phase.
  • a major advantage of the method can be seen in the fact that the validation step provided according to the invention, the learning phase or whose quality can be checked.
  • the validation step thus makes it possible to minimize the effort involved in training with little risk; because the validation step shows whether the previously carried out training was sufficient or not in view of the specified criteria. If this is not the case, this is revealed and it can be corrected later.
  • an advantageous embodiment of the method provides for the training step to be carried out on the basis of the simulated measurement data and for the validation step to check the simulation model and thus the quality of the simulated measurement data used during training.
  • the training step to be carried out on the basis of the simulated measurement data and for the validation step to check the simulation model and thus the quality of the simulated measurement data used during training.
  • a large number of measurement data or measurement data sequences can be generated in a simple and cost-effective manner, which can be used for training.
  • the simulation model takes into account measurement errors with a predetermined measurement error rate and, on the basis of the simulation model, measurement error-prone, simulated measurement data are generated and the real measurement data are fed into the trained evaluation device as part of the validation step after the training step and the real measurement data are classified by the trained evaluation device, the error rate of the evaluation device’s classification is compared with the error rate on which the simulation model is based, and the validation step is considered to have been successfully completed, the simulation model to be validated and the evaluation device to be sufficiently trained if the Deviation between the error rate of the simulation model and the error rate of the classification the evaluation falls below a predetermined limit.
  • the simulated measurement data and the real measurement data are compared as part of the validation step and the validation step is completed successfully, the simulation model is validated and the evaluation device is considered to be sufficiently trained if the deviation between the simulated Measurement data and the real measurement data, in particular the deviation between the error rate of the simulation model and the error rate of the real measurement data, falls below a predetermined limit.
  • the training step is carried out on the basis of the real measurement data and simulated measurement data is generated with the simulation model for the purpose of validation, with the simulated measurement data being fed into the trained evaluation device after the training step and a comparison error rate is determined on the basis of a classification carried out by the evaluation device and the validation step is considered to have been successfully completed, the simulation model to be validated and the evaluation device to be sufficiently trained if the deviation between the comparison error rate and the error rate of the real measurement data is a predetermined one falls below the limit.
  • the real measurement data are used for training or Training and the simulated measurement data for validation or Check whether the teaching was qualitatively sufficient.
  • the evaluation device is produced for use in a railway system by the evaluation device being trained on the basis of real railway measurement data and/or simulated railway measurement data.
  • the measurement data sources whose measurement data are evaluated by the evaluation device or are to be evaluated are preferably axis sensors or. Axle counter or odometer.
  • the evaluation device is trained to evaluate measurement data from one or more axle sensors on the basis of real axle sensor measurement data and/or simulated axle sensor measurement data.
  • the evaluation device is preferably trained to determine, on the basis of measurement data from one or more axle sensors, whether the axle sensor or sensors are being run over by a passenger train or a freight train, in that the evaluation device is based on real axle sensor-related passenger train data and/or simulated axle sensor-related passenger train data and on the basis real axle sensor-related freight train data and/or simulated axle sensor-related freight train data is learned.
  • the evaluation device is trained to evaluate measurement data from an odometer of a railway system, in particular a rail vehicle.
  • the invention also relates to a training device for training an evaluation device that works on the basis or at least also on the basis of artificial intelligence and is suitable for use in a technical device in which one or more measurement data sources transmit real measurement data for evaluation to the evaluation device .
  • the training device is designed to carry out a training step on the basis of simulated measurement data generated by simulation based on a simulation model of the technical device and/or real measurement data obtained from one or more real measurement data sources technical equipment have been generated, and additional borrowed to carry out a validation step that checks the quality of the training phase.
  • the invention also relates to an evaluation device that works on the basis or at least also on the basis of artificial intelligence and is suitable for use in a technical device in which one or more measurement data sources transmit real measurement data for evaluation to the evaluation device.
  • the evaluation device has been trained in a training phase, the training phase comprising: a training step based on simulated measurement data that has been generated by simulation on the basis of a simulation model of the technical device, and/or real measurement data that have been generated by one or more real measurement data sources of the technical facility, and a validation step that checks the quality of the training phase.
  • the evaluation device it is advantageous if the evaluation device has been trained on the basis of real axle sensor-related passenger train data and/or simulated axle sensor-related passenger train data and on the basis of real axle sensor-related freight train data and/or simulated axle sensor-related freight train data and is suitable, on the basis of measurement data from one or more determine axle sensors, whether the axle sensor(s) will be run over by a passenger train or a freight train.
  • the invention also relates to a railway installation. According to the invention, it is provided that this is equipped with an evaluation device as described above and/or with an evaluation device that has been produced as described above.
  • FIG. 1 shows an exemplary embodiment of a railway system which is equipped with an exemplary embodiment of a railway system according to the invention
  • FIG. 2 shows an exemplary embodiment of an arrangement for teaching an evaluation device of the railway system according to FIG. 1 during a teaching phase on the basis of simulated measurement data
  • FIG. 3 shows the arrangement according to FIG. 2 during a first embodiment of a validation step
  • FIG. 4 shows the arrangement according to FIG. 2 during a second embodiment of a validation step
  • FIG. 5 shows an exemplary embodiment of an arrangement for teaching the evaluation device of the railway system according to FIG. 1 during a teaching phase on the basis of real measurement data
  • FIG. 6 shows the arrangement according to FIG. 5 during a validation step.
  • FIG. 1 shows an exemplary embodiment of a railway system 10 which is equipped with a railway system 20 .
  • the technical railway device 20 comprises two detection devices 21 in the form of axle sensors for detecting rail vehicle axles that pass the respective detection device 21 as measurement data sources.
  • the detection devices 21 generate analog or digital detection signals S, which can be used to identify when the respective detection device 21 is being passed by an axle. Due to aging and/or disturbing external influences, however, the detection signals S can be faulty and, under certain circumstances, can be evaluated poorly or not at all, so that measurement errors or Errors can occur when evaluating the detection signals S.
  • An evaluation device 22 is arranged downstream of the detection devices 21, which evaluates the detection signals S, if they are already transmitted digitally, as measurement data or forms measurement data that can initially be evaluated with the detection signals and subsequently evaluates them.
  • the evaluation device 22 is equipped with a computing device 220 and a memory 221 .
  • an evaluation module AWM is stored which, when executed by the computing device 220 , takes over the function of evaluating the measurement data.
  • the AWM evaluation module is based on artificial intelligence and was trained in a previously implemented training phase.
  • a training module TM is stored in the memory 221 which, when executed by the computing device 220 , takes over the function of training the evaluation module AWM.
  • the training module TM can carry out the training on the basis of real measurement data or simulated measurement data, as is explained in more detail below in connection with FIGS. 2 to 6 by way of example.
  • the evaluation module AWM has been trained in the exemplary embodiment according to FIG based on sequences of overrun events can also recognize whether the detection devices 21 are run over by a passenger train PZ or a freight train GZ.
  • the evaluation module AWM and thus the evaluation device 22 are thus suitable for generating and outputting an identification signal ID that describes the passing of the two detection devices 21 by a passenger train PZ or a freight train GZ.
  • FIG. 2 shows an exemplary embodiment for an arrangement which includes the evaluation device 22 according to FIG. 1 and a first exemplary embodiment for an external training device 30 .
  • the training device 30 includes a computing device 31 and a memory 32 .
  • a simulation model S IM is stored in the memory 32 of the training device 30 , on the basis of which the computing device 31 of the training device 30 can generate simulated measurement data.
  • the simulation model S IM describes or simulates the mode of operation of the detection devices 21 according to FIG. refer to individual overrun events, but to overrun events on a large number of axes in the case of passing passenger trains PZ or freight trains GZ, i.e. to sequences of overrun events.
  • sequences of overrun events are generated for passenger trains PZ and freight trains GZ, which are characteristic of freight trains GZ and passenger trains PZ and allow a distinction to be made between the sequence type “passenger train PZ” and the sequence type “freight train GZ”.
  • a training module ALM is also stored in the memory 32 of the training device 30 .
  • the training module ALM transmits the simulated faulty measurement data MDsim to the training module TM of the evaluation device 22 .
  • a pre-classification that indicates the assignment to the sequence type “passenger train PZ” and the sequence type “freight train GZ” is preferably also transmitted to the training module TM.
  • the training module TM receives the simulated erroneous measurement data MDsim with the pre-classification, it will train the evaluation module AWM on this basis to recognize overrun events as such and to distinguish between passenger trains and freight trains.
  • the training can be based, for example, on the principle of the so-called support vector machine (SVM, or support vector machine or support vector method), but other known types of machine learning can also be used.
  • SVM support vector machine
  • a validation module VAL is also stored in the memory 32 of the training device 30 , on the basis of which the computing device 31 of the training device 30 can carry out a validation of the simulated erroneous measurement data MDsim. In concrete terms, it can use the validation module VAL to check whether the simulated erroneous measurement data MDsim of the simulation model S IM sufficiently correctly describe or describe the detection devices 21 according to FIG. simulate sufficiently correctly .
  • FIG. 3 shows an example of a first exemplary embodiment of a preferred mode of operation of the validation module VAL of the training device 30 according to FIG.
  • the validation module VAL carries out a validation step in which, after the training step has been completed, it feeds real measurement data MDreal , i.e. data that has actually been generated by the two detection devices 21 and then stored, into the trained evaluation device 22 and this real measurement data MDreal can be classified by the trained evaluation device 22 .
  • real measurement data MDreal i.e. data that has actually been generated by the two detection devices 21 and then stored
  • the classification results K generated by the evaluation device 22 are compared with a pre-classification of the real measured values MDreal while forming an error rate R2 of the classification of the evaluation device 22 .
  • the error rate R2 of the classification of the evaluation device 22 is then compared with the error rate RI on which the simulation model S IM is based.
  • the validation step is completed successfully, the simulation model S IM is validated and the evaluation device 22 is considered sufficiently trained if the deviation between the error rate RI of the simulation model S IM and the error rate R2 of the classification of the evaluation device 22 falls below a predetermined limit Gl.
  • FIG. 4 shows an example of a second exemplary embodiment of a preferred mode of operation of the validation module VAL of the training device 30 according to FIG.
  • the validation module VAL compares the simulated measurement data MDsim and the real measurement data MDreal as part of the validation step.
  • the validation step is preferably completed as successfully, the simulation model S IM as validated and the evaluation device 22 as sufficiently trained if the deviation between the error rate RI of the simulation onsmodells S IM and an error rate R3 of the real measurement data MDreal determined by means of another control evaluation method falls below a predetermined limit G2.
  • FIG. 5 shows an exemplary embodiment of an arrangement that includes the evaluation device 22 according to FIG. 1 and a second exemplary embodiment of an external training device 30 .
  • the training device 30 according to FIG. 5 also includes a computing device 31 and a memory 32 .
  • a simulation model S IM is stored in the memory 32 of the training device 30, on the basis of which the computing device 31 of the training device 30 can generate simulated error-prone measurement data MDsim and which, for example, can be identical to the simulation model S IM described above in connection with Figures 2 to 3 .
  • the simulation model SIM With regard to the simulation model SIM, the above statements in connection with FIGS. 2 to 3 apply accordingly.
  • a training module ALM is also stored in the memory 32 of the training device 30, which when executed by the computing device 31 - unlike the training device 30 according to Figures 2 to 4 - feeds real measurement data MDreal into the evaluation device 22, so that the training module TM of the evaluation device 22 carries out the training on the basis of the real measurement data MDreal.
  • FIG. 6 shows an exemplary embodiment of a preferred mode of operation of the validation module VAL of the training device 30 according to FIG.
  • the validation module VAL feeds simulated, ie erroneous, measurement data MDsim into the trained evaluation device 22 by means of the simulation model S IM for the purpose of validation.
  • the evaluation device 22 carries out a classification of the measurement data, preferably with regard to an assignment to freight or passenger trains and transmits the classification results K to the validation module VAL.
  • the validation module VAL determines a comparison error rate R4 on the basis of the classification carried out by the evaluation device 22 and regards the validation step as successfully completed, the simulation model S IM as validated and the evaluation device 22 as sufficiently trained if the deviation between the comparison error rate R4 the classification of the evaluation device 22 and the error rate R3 of the real measurement data MDreal determined by means of another control evaluation method falls below a predetermined limit G3.

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Automation & Control Theory (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

The invention relates, inter alia, to a method for manufacturing an evaluation device (22) which operates on the basis of, or at least also on the basis of, artificial intelligence and which is suitable for use in a technical device (20) in which one or more measurement data sources transmit real measurement data (MDreal) to the evaluation device (22) for the purpose of evaluation, in which method the evaluation device (22) is taught in a teaching phase. According to the invention, the teaching phase comprises: a training step on the basis of simulated measurement data (MDsim) generated by means of simulation on the basis of a simulation model (SIM) of the technical device (20), and/or real measurement data (MDreal) generated by one or more real measurement data sources of the technical device (20); and a validation step in which the quality of the teaching phase is checked.

Description

Beschreibung description
Auswerteinrichtung für eine technische Einrichtung und Verfahren zum Herstellen einer Auswerteinrichtung Evaluation device for a technical device and method for producing an evaluation device
Die Erfindung bezieht sich auf ein Verfahren zum Herstellen einer Auswerteinrichtung, die auf der Basis oder zumindest auch auf der Basis künstlicher Intelligenz arbeitet und zum Einsatz in einer technischen Einrichtung geeignet ist , bei der eine oder mehrere Messdatenquellen reale Messdaten zwecks Auswertung zu der Auswerteinrichtung übermitteln, wobei bei dem Verfahren die Auswerteinrichtung in einer Anlernphase angelernt wird . The invention relates to a method for producing an evaluation device that works on the basis or at least also on the basis of artificial intelligence and is suitable for use in a technical device in which one or more measurement data sources transmit real measurement data for evaluation to the evaluation device, the evaluation device being trained in a training phase in the method.
Auf der Basis künstlicher Intelligenz arbeitende Auswerteinrichtungen und Verfahren zu deren Herstellung sind beispielsweise im Bereich autonom fahrender Fahrzeuge bekannt . Evaluation devices working on the basis of artificial intelligence and methods for their production are known, for example, in the field of autonomously driving vehicles.
Der Erfindung liegt die Aufgabe zugrunde , ein Verfahren anzugeben, das sich besonders einfach und kostengünstig durchführen lässt . The invention is based on the object of specifying a method that can be carried out in a particularly simple and cost-effective manner.
Diese Aufgabe wird erfindungsgemäß durch ein Verfahren mit den Merkmalen gemäß Patentanspruch 1 gelöst . Vorteilhafte Ausgestaltungen des erfindungsgemäßen Verfahrens sind in Unteransprüchen angegeben . According to the invention, this object is achieved by a method having the features according to patent claim 1 . Advantageous refinements of the method according to the invention are specified in the dependent claims.
Danach ist erfindungsgemäß vorgesehen, dass die Anlernphase umfasst : According to the invention, it is provided that the training phase includes:
- einen Trainingsschritt auf der Basis von simulierten Messdaten, die durch Simulation auf der Basis eines Simulationsmodells der technischen Einrichtung erzeugt worden sind, und/oder realen Messdaten, die von einer oder mehreren realen Messdatenquellen der technischen Einrichtung erzeugt worden sind, und - a training step based on simulated measurement data generated by simulation based on a simulation model of the technical facility and/or real measurement data generated by one or more real measurement data sources of the technical facility, and
- einen Validierungsschritt , der die Qualität der Anlernphase überprüft . Ein wesentlicher Vorteil des erfindungsgemäßen Verfahrens ist darin zu sehen, dass durch den erfindungsgemäß vorgesehenen Validierungsschritt die Anlernphase bzw . deren Qualität überprüft werden kann . Der Validierungsschritt ermöglicht es somit , den Aufwand beim Anlernen risikoarm zu minimieren; denn der Validierungsschritt zeigt , ob das zuvor durchgeführte Anlernen mit Blick auf vorgegebene Kriterien ausreichend war oder nicht , ist dies nicht der Fall , so wird dies of fenbart und es kann nachträglich nachgebessert werden . - a validation step that checks the quality of the training phase. A major advantage of the method can be seen in the fact that the validation step provided according to the invention, the learning phase or whose quality can be checked. The validation step thus makes it possible to minimize the effort involved in training with little risk; because the validation step shows whether the previously carried out training was sufficient or not in view of the specified criteria. If this is not the case, this is revealed and it can be corrected later.
Bei vielen technischen Anlagen stehen für ein Anlernen häufig nicht ausreichend viele reale Messdaten zur Verfügung oder das Erzeugen ausreichend vieler realer Messdaten wäre unangemessen aufwändig . Aus diesem Grunde ist bei einer vorteilhaften Ausgestaltung des Verfahrens vorgesehen, dass der Trainingsschritt auf der Basis der simulierten Messdaten durchgeführt wird und im Rahmen des Validierungsschritts das Simulationsmodell und damit die Qualität der beim Anlernen herangezogenen simulierten Messdaten überprüft wird . Im Rahmen von Simulationen kann in einfacher und kostengünstiger Weise eine Viel zahl an Messdaten oder Messdatensequenzen erzeugt werden, die zum Anlernen verwendet werden kann . In the case of many technical systems, there is often not a sufficient amount of real measurement data available for training, or the generation of a sufficient number of real measurement data would be unreasonably complex. For this reason, an advantageous embodiment of the method provides for the training step to be carried out on the basis of the simulated measurement data and for the validation step to check the simulation model and thus the quality of the simulated measurement data used during training. Within the framework of simulations, a large number of measurement data or measurement data sequences can be generated in a simple and cost-effective manner, which can be used for training.
Bei der letztgenannten Ausgestaltung ist es besonders vorteilhaft , wenn das Simulationsmodell Mess fehler mit einer vorgegebenen Mess fehlerrate berücksichtigt und auf der Basis des Simulationsmodells mess fehlerbehaftete , simulierte Messdaten erzeugt werden und im Rahmen des Validierungsschritts nach dem Trainingsschritt die realen Messdaten in die angelernte Auswerteinrichtung eingespeist werden und die realen Messdaten von der angelernten Auswerteinrichtung klassi fiziert werden, die Fehlerrate der Klassi fikation der Auswerteinrichtung mit der dem Simulationsmodell zugrunde liegenden Fehlerrate verglichen wird und der Validierungsschritt als erfolgreich abgeschlossen, das Simulationsmodell als validiert und die Auswerteinrichtung als ausreichend angelernt angesehen wird, wenn die Abweichung zwischen der Fehlerrate des Simulationsmodells und der Fehlerrate der Klassi fikation der Auswerteinrichtung eine vorgegebene Grenze unterschreitet . In the last-mentioned configuration, it is particularly advantageous if the simulation model takes into account measurement errors with a predetermined measurement error rate and, on the basis of the simulation model, measurement error-prone, simulated measurement data are generated and the real measurement data are fed into the trained evaluation device as part of the validation step after the training step and the real measurement data are classified by the trained evaluation device, the error rate of the evaluation device’s classification is compared with the error rate on which the simulation model is based, and the validation step is considered to have been successfully completed, the simulation model to be validated and the evaluation device to be sufficiently trained if the Deviation between the error rate of the simulation model and the error rate of the classification the evaluation falls below a predetermined limit.
Alternativ oder zusätzlich kann in vorteilhafter Weise vorgesehen werden, dass im Rahmen des Validierungsschritts die simulierten Messdaten und die realen Messdaten verglichen werden und der Validierungsschritt als erfolgreich abgeschlossen, das Simulationsmodell als validiert und die Auswerteinrichtung als ausreichend angelernt angesehen wird, wenn die Abweichung zwischen den simulierten Messdaten und den realen Messdaten, insbesondere die Abweichung zwischen der Fehlerrate des Simulationsmodells und der Fehlerrate der realen Messdaten, eine vorgegebene Grenze unterschreitet . Alternatively or additionally, it can advantageously be provided that the simulated measurement data and the real measurement data are compared as part of the validation step and the validation step is completed successfully, the simulation model is validated and the evaluation device is considered to be sufficiently trained if the deviation between the simulated Measurement data and the real measurement data, in particular the deviation between the error rate of the simulation model and the error rate of the real measurement data, falls below a predetermined limit.
Bei einer anderen als vorteilhaft angesehenen Aus führungs Variante ist vorgesehen, dass der Trainingsschritt auf der Basis der realen Messdaten durchgeführt wird und mit dem Simulationsmodell simulierte Messdaten zum Zwecke der Validierung erzeugt werden, wobei nach dem Trainingsschritt die simulierten Messdaten in die angelernte Auswerteinrichtung eingespeist werden und auf der Basis einer von der Auswerteinrichtung durchgeführten Klassi fikation eine Vergleichs fehlerrate ermittelt wird und der Validierungsschritt als erfolgreich abgeschlossen, das Simulationsmodell als validiert und die Auswerteinrichtung als ausreichend angelernt angesehen wird, wenn die Abweichung zwischen der Vergleichs fehlerrate und der Fehlerrate der realen Messdaten eine vorgegebene Grenze unterschreitet . Bei der letztgenannten Aus führungs form dienen also die realen Messdaten zum Trainieren bzw . Anlernen und die simulierten Messdaten zum Validieren bzw . Kontrollieren, ob das Anlernen qualitativ ausreichend war . In another embodiment variant that is considered advantageous, it is provided that the training step is carried out on the basis of the real measurement data and simulated measurement data is generated with the simulation model for the purpose of validation, with the simulated measurement data being fed into the trained evaluation device after the training step and a comparison error rate is determined on the basis of a classification carried out by the evaluation device and the validation step is considered to have been successfully completed, the simulation model to be validated and the evaluation device to be sufficiently trained if the deviation between the comparison error rate and the error rate of the real measurement data is a predetermined one falls below the limit. In the latter embodiment, the real measurement data are used for training or Training and the simulated measurement data for validation or Check whether the teaching was qualitatively sufficient.
Als besonders vorteilhaft wird es angesehen, wenn die Auswerteinrichtung für den Einsatz in einer eisenbahntechnischen Einrichtung hergestellt wird, indem die Auswerteinrichtung auf der Basis realer eisenbahntechnischer Messdaten und/oder simulierter eisenbahntechnischer Messdaten angelernt wird . Die Messdatenquellen, deren Messdaten von der Auswerteinrichtung ausgewertet werden bzw . ausgewertet werden sollen, sind vorzugsweise Achssensoren bzw . Achs zähler oder Hodometer . It is considered particularly advantageous if the evaluation device is produced for use in a railway system by the evaluation device being trained on the basis of real railway measurement data and/or simulated railway measurement data. The measurement data sources whose measurement data are evaluated by the evaluation device or are to be evaluated are preferably axis sensors or. Axle counter or odometer.
Von großem Vorteil ist es , wenn die Auswerteinrichtung zur Auswertung von Messdaten eines oder mehrerer Achssensoren auf der Basis realer Achssensormessdaten und/oder simulierter Achssensormessdaten angelernt wird . It is of great advantage if the evaluation device is trained to evaluate measurement data from one or more axle sensors on the basis of real axle sensor measurement data and/or simulated axle sensor measurement data.
Die Auswerteinrichtung wird vorzugsweise angelernt , auf der Basis von Messdaten eines oder mehrerer Achssensoren festzustellen, ob der oder die Achssensoren von einem Personenzug oder einem Güterzug überfahren werden, indem die Auswerteinrichtung auf der Basis realer achssensorbezogener Personenzugdaten und/oder simulierter achssensorbezogener Personenzugdaten sowie auf der Basis realer achssensorbezogener Güterzugdaten und/oder simulierter achssensorbezogener Güterzugdaten angelernt wird . The evaluation device is preferably trained to determine, on the basis of measurement data from one or more axle sensors, whether the axle sensor or sensors are being run over by a passenger train or a freight train, in that the evaluation device is based on real axle sensor-related passenger train data and/or simulated axle sensor-related passenger train data and on the basis real axle sensor-related freight train data and/or simulated axle sensor-related freight train data is learned.
Alternativ kann in vorteilhafter Weise vorgesehen werden, dass die Auswerteinrichtung zur Auswertung von Messdaten eines Hodometers einer eisenbahntechnischen Einrichtung, insbesondere eines Schienenfahrzeugs , angelernt wird . Alternatively, it can advantageously be provided that the evaluation device is trained to evaluate measurement data from an odometer of a railway system, in particular a rail vehicle.
Die Erfindung bezieht sich außerdem auf eine Anlerneinrichtung zum Anlernen einer Auswerteinrichtung, die auf der Basis oder zumindest auch auf der Basis künstlicher Intelligenz arbeitet und zum Einsatz in einer technischen Einrichtung geeignet ist , bei der eine oder mehrere Messdatenquellen reale Messdaten zwecks Auswertung zu der Auswerteinrichtung übermitteln . Erfindungsgemäß ist vorgesehen, dass die Anlerneinrichtung dazu ausgebildet ist , einen Trainingsschritt durchzuführen auf der Basis von simulierten Messdaten, die durch Simulation auf der Basis eines Simulationsmodells der technischen Einrichtung erzeugt worden sind, und/oder realen Messdaten, die von einer oder mehreren realen Messdatenquellen der technischen Einrichtung erzeugt worden sind, und zusätz- lieh einen Validierungsschritt durchzuführen, der die Qualität der Anlernphase überprüft . The invention also relates to a training device for training an evaluation device that works on the basis or at least also on the basis of artificial intelligence and is suitable for use in a technical device in which one or more measurement data sources transmit real measurement data for evaluation to the evaluation device . According to the invention, it is provided that the training device is designed to carry out a training step on the basis of simulated measurement data generated by simulation based on a simulation model of the technical device and/or real measurement data obtained from one or more real measurement data sources technical equipment have been generated, and additional borrowed to carry out a validation step that checks the quality of the training phase.
Bezüglich der Vorteile der erfindungsgemäßen Anlerneinrichtung und vorteilhafter Ausgestaltungen der erfindungsgemäßen Anlerneinrichtung sei auf die obigen Aus führungen im Zusammenhang mit dem erfindungsgemäßen Verfahren und dessen vorteilhafter Ausgestaltungen verwiesen . With regard to the advantages of the training device according to the invention and advantageous configurations of the training device according to the invention, reference is made to the above statements in connection with the method according to the invention and its advantageous configurations.
Die Erfindung bezieht sich außerdem auf eine Auswerteinrichtung, die auf der Basis oder zumindest auch auf der Basis künstlicher Intelligenz arbeitet und zum Einsatz in einer technischen Einrichtung geeignet ist , bei der eine oder mehrere Messdatenquellen reale Messdaten zwecks Auswertung zu der Auswerteinrichtung übermitteln . Erfindungsgemäß ist vorgesehen, dass die Auswerteinrichtung in einer Anlernphase angelernt worden ist , wobei die Anlernphase umfasst : einen Trainingsschritt auf der Basis von simulierten Messdaten, die durch Simulation auf der Basis eines Simulationsmodells der technischen Einrichtung erzeugt worden sind, und/oder realen Messdaten, die von einer oder mehreren realen Messdatenquellen der technischen Einrichtung erzeugt worden sind, und einen Validierungsschritt , der die Qualität der Anlernphase überprüft . The invention also relates to an evaluation device that works on the basis or at least also on the basis of artificial intelligence and is suitable for use in a technical device in which one or more measurement data sources transmit real measurement data for evaluation to the evaluation device. According to the invention, it is provided that the evaluation device has been trained in a training phase, the training phase comprising: a training step based on simulated measurement data that has been generated by simulation on the basis of a simulation model of the technical device, and/or real measurement data that have been generated by one or more real measurement data sources of the technical facility, and a validation step that checks the quality of the training phase.
Bezüglich der Vorteile der erfindungsgemäßen Auswerteinrichtung und vorteilhafter Ausgestaltungen der erfindungsgemäßen Auswerteinrichtung sei auf die obigen Aus führungen im Zusammenhang mit dem erfindungsgemäßen Verfahren und dessen vorteilhafter Ausgestaltungen verwiesen . With regard to the advantages of the evaluation device according to the invention and advantageous configurations of the evaluation device according to the invention, reference is made to the above statements in connection with the method according to the invention and its advantageous configurations.
Bei der Auswerteinrichtung ist es vorteilhaft , wenn die Auswerteinrichtung auf der Basis realer achssensorbezogener Personenzugdaten und/oder simulierter achssensorbezogener Personenzugdaten sowie auf der Basis realer achssensorbezogener Güterzugdaten und/oder simulierter achssensorbezogener Güterzugdaten angelernt worden ist und geeignet ist , auf der Basis von Messdaten eines oder mehrerer Achssensoren fest zustellen, ob der oder die Achssensoren von einem Personenzug oder einem Güterzug überfahren werden . In the evaluation device, it is advantageous if the evaluation device has been trained on the basis of real axle sensor-related passenger train data and/or simulated axle sensor-related passenger train data and on the basis of real axle sensor-related freight train data and/or simulated axle sensor-related freight train data and is suitable, on the basis of measurement data from one or more determine axle sensors, whether the axle sensor(s) will be run over by a passenger train or a freight train.
Die Erfindung bezieht sich außerdem auf eine eisenbahntechnische Einrichtung . Erfindungsgemäß ist vorgesehen, dass diese mit einer Auswerteinrichtung wie oben beschrieben und/oder mit einer Auswerteinrichtung, die wie oben beschrieben hergestellt worden ist , ausgestattet ist . Bezüglich der Vorteile der erfindungsgemäßen eisenbahntechnischen Einrichtung und vorteilhafter Ausgestaltungen der erfindungsgemäßen eisenbahntechnischen Einrichtung sei auf die obigen Aus führungen im Zusammenhang mit dem erfindungsgemäßen Verfahren und dessen vorteilhafter Ausgestaltungen verwiesen . The invention also relates to a railway installation. According to the invention, it is provided that this is equipped with an evaluation device as described above and/or with an evaluation device that has been produced as described above. With regard to the advantages of the railway system according to the invention and advantageous configurations of the railway system according to the invention, reference is made to the above statements in connection with the method according to the invention and its advantageous configurations.
Die Erfindung wird nachfolgend anhand von Aus führungsbeispielen näher erläutert ; dabei zeigen beispielhaft The invention is explained in more detail below on the basis of exemplary embodiments; show examples
Figur 1 ein Aus führungsbeispiel für eine Eisenbahnanlage , die mit einem Aus führungsbeispiel für eine erfindungsgemäße eisenbahntechnische Einrichtung ausgestattet ist , FIG. 1 shows an exemplary embodiment of a railway system which is equipped with an exemplary embodiment of a railway system according to the invention,
Figur 2 ein Aus führungsbeispiel für eine Anordnung zum Anlernen einer Auswerteinrichtung der eisenbahntechnischen Einrichtung gemäß Figur 1 während einer Anlernphase auf der Basis simulierter Messdaten, FIG. 2 shows an exemplary embodiment of an arrangement for teaching an evaluation device of the railway system according to FIG. 1 during a teaching phase on the basis of simulated measurement data,
Figur 3 die Anordnung gemäß Figur 2 während einer ersten Aus führungsvariante eines Validierungsschritts , FIG. 3 shows the arrangement according to FIG. 2 during a first embodiment of a validation step,
Figur 4 die Anordnung gemäß Figur 2 während einer zweiten Aus führungsvariante eines Validierungsschritts , FIG. 4 shows the arrangement according to FIG. 2 during a second embodiment of a validation step,
Figur 5 ein Aus führungsbeispiel für eine Anordnung zum Anlernen der Auswerteinrichtung der eisenbahntechnischen Einrichtung gemäß Figur 1 während einer Anlernphase auf der Basis realer Messdaten, und Figur 6 die Anordnung gemäß Figur 5 während eines Validierungsschritts . 5 shows an exemplary embodiment of an arrangement for teaching the evaluation device of the railway system according to FIG. 1 during a teaching phase on the basis of real measurement data, and FIG. 6 shows the arrangement according to FIG. 5 during a validation step.
In den Figuren werden der Übersicht halber für identische o- der vergleichbare Komponenten stets dieselben Bezugs zeichen verwendet . In the figures, for the sake of clarity, the same reference symbols are always used for identical or comparable components.
Die Figur 1 zeigt ein Aus führungsbeispiel für eine Eisenbahnanlage 10 , die mit einer eisenbahntechnischen Einrichtung 20 ausgestattet ist . Die eisenbahntechnische Einrichtung 20 umfasst als Messdatenquellen zwei Detektionseinrichtungen 21 in Form von Achssensoren zum Erfassen von Schienenfahrzeugachsen, die die j eweilige Detektionseinrichtung 21 passieren . FIG. 1 shows an exemplary embodiment of a railway system 10 which is equipped with a railway system 20 . The technical railway device 20 comprises two detection devices 21 in the form of axle sensors for detecting rail vehicle axles that pass the respective detection device 21 as measurement data sources.
Die Detektionseinrichtungen 21 erzeugen analoge oder digitale Detektionssignale S , anhand derer sich erkennen lässt , wenn die j eweilige Detektionseinrichtung 21 von einer Achse passiert wird . Aufgrund von Alterung und/oder störenden äußeren Einflüssen können die Detektionssignale S j edoch fehlerbehaftet sein und unter Umständen schlecht oder gar nicht auswertbar sein, sodass Mess fehler bzw . Fehler beim Auswerten der Detektionssignale S auftreten können . The detection devices 21 generate analog or digital detection signals S, which can be used to identify when the respective detection device 21 is being passed by an axle. Due to aging and/or disturbing external influences, however, the detection signals S can be faulty and, under certain circumstances, can be evaluated poorly or not at all, so that measurement errors or Errors can occur when evaluating the detection signals S.
Den Detektionseinrichtungen 21 ist eine Auswerteinrichtung 22 nachgeordnet , die die Detektionssignale S , falls diese bereits digital übermittelt werden, als Messdaten auswertet o- der mit den Detektionssignalen zunächst auswertbare Messdaten bildet und diese anschließend auswertet . Die Auswerteinrichtung 22 ist zu diesem Zwecke mit einer Recheneinrichtung 220 und einem Speicher 221 ausgestattet . An evaluation device 22 is arranged downstream of the detection devices 21, which evaluates the detection signals S, if they are already transmitted digitally, as measurement data or forms measurement data that can initially be evaluated with the detection signals and subsequently evaluates them. For this purpose, the evaluation device 22 is equipped with a computing device 220 and a memory 221 .
In dem Speicher 221 der Auswerteinrichtung 22 ist unter anderem ein Auswertmodul AWM abgespeichert , das bei Aus führung durch die Recheneinrichtung 220 die Funktion des Auswertens der Messdaten übernimmt . Das Auswertmodul AWM basiert auf künstlicher Intelligenz und ist in einer vorher durchgeführten Anlernphase angelernt worden . In dem Speicher 221 ist außerdem ein Trainingsmodul TM abgespeichert , das bei Aus führung durch die Recheneinrichtung 220 die Funktion des Trainierens des Auswertmoduls AWM übernimmt . Das Trainieren kann das Trainingsmodul TM auf der Basis von realen Messdaten oder simulierten Messdaten durchführen, wie weiter unten im Zusammenhang mit den Figuren 2 bis 6 beispielhaft noch näher im Detail erläutert wird . In the memory 221 of the evaluation device 22 , among other things, an evaluation module AWM is stored which, when executed by the computing device 220 , takes over the function of evaluating the measurement data. The AWM evaluation module is based on artificial intelligence and was trained in a previously implemented training phase. In addition, a training module TM is stored in the memory 221 which, when executed by the computing device 220 , takes over the function of training the evaluation module AWM. The training module TM can carry out the training on the basis of real measurement data or simulated measurement data, as is explained in more detail below in connection with FIGS. 2 to 6 by way of example.
Das Auswertmodul AWM ist bei dem Aus führungsbeispiel gemäß Figur 1 derart trainiert worden, dass es auf der Basis realer Messdaten der beiden Detektionseinrichtungen 21 nicht nur feststellen kann, ob die Detektionseinrichtungen 21 von Achsen passiert werden oder nicht , also Überf ahrereignisse stattfinden oder nicht , sondern anhand von Abfolgen von Überfahrereignissen auch erkennen kann, ob die Detektionseinrichtungen 21 von einem Personenzug PZ oder einem Güterzug GZ überfahren werden . Das Auswertmodul AWM und damit die Auswerteinrichtung 22 sind somit geeignet , ausgangsseitig ein Identi fikationssignal ID zu erzeugen und aus zugeben, das das Überfahren der beiden Detektionseinrichtungen 21 durch einen Personenzug PZ oder einen Güterzug GZ beschreibt . The evaluation module AWM has been trained in the exemplary embodiment according to FIG based on sequences of overrun events can also recognize whether the detection devices 21 are run over by a passenger train PZ or a freight train GZ. The evaluation module AWM and thus the evaluation device 22 are thus suitable for generating and outputting an identification signal ID that describes the passing of the two detection devices 21 by a passenger train PZ or a freight train GZ.
Die Figur 2 zeigt ein Aus führungsbeispiel für eine Anordnung, die die Auswerteinrichtung 22 gemäß Figur 1 sowie ein erstes Aus führungsbeispiel für eine externe Anlerneinrichtung 30 umfasst . Die Anlerneinrichtung 30 umfasst eine Recheneinrichtung 31 und einen Speicher 32 . FIG. 2 shows an exemplary embodiment for an arrangement which includes the evaluation device 22 according to FIG. 1 and a first exemplary embodiment for an external training device 30 . The training device 30 includes a computing device 31 and a memory 32 .
In dem Speicher 32 der Anlerneinrichtung 30 ist ein Simulationsmodell S IM abgespeichert , auf dessen Basis die Recheneinrichtung 31 der Anlerneinrichtung 30 simulierte Messdaten erzeugen kann . A simulation model S IM is stored in the memory 32 of the training device 30 , on the basis of which the computing device 31 of the training device 30 can generate simulated measurement data.
Das Simulationsmodell S IM beschreibt bzw . simuliert die Arbeitsweise der Detektionseinrichtungen 21 gemäß Figur 1 und stellt simulierte , absichtlich mit einer vorgegebenen Fehlerrate RI versehene , also absichtlich fehlerbehaftete Messdaten MDsim zur Verfügung, die sich vorzugsweise nicht nur auf ein- zelne Überf ahrereignisse beziehen, sondern auf Überf ahrereig- nisse einer Viel zahl an Achsen im Falle vorbei fahrender Personenzüge PZ oder Güterzüge GZ , also auf Sequenzen an Überfahrereignissen . Dabei werden für Personenzüge PZ und Güterzüge GZ j eweils Sequenzen von Überf ahrereignissen erzeugt , die charakteristisch für Güterzüge GZ und Personenzüge PZ sind und eine Unterscheidung zwischen dem Sequenztyp " Personenzug PZ" und dem Sequenztyp "Güterzug GZ" ermöglichen . The simulation model S IM describes or simulates the mode of operation of the detection devices 21 according to FIG. refer to individual overrun events, but to overrun events on a large number of axes in the case of passing passenger trains PZ or freight trains GZ, i.e. to sequences of overrun events. In this case, sequences of overrun events are generated for passenger trains PZ and freight trains GZ, which are characteristic of freight trains GZ and passenger trains PZ and allow a distinction to be made between the sequence type “passenger train PZ” and the sequence type “freight train GZ”.
In dem Speicher 32 der Anlerneinrichtung 30 ist außerdem ein Anlernmodul ALM abgespeichert . Das Anlernmodul ALM übermittelt bei Aus führung durch die Recheneinrichtung 32 die simulierten fehlerbehafteten Messdaten MDsim zu dem Trainingsmodul TM der Auswerteinrichtung 22 . Bei dieser Übermittlung wird vorzugsweise auch eine Vorklassi fikation, die die Zuordnung zum Sequenztyp " Personenzug PZ" und dem Sequenztyp "Güterzug GZ" anzeigt , zu dem Trainingsmodul TM übertragen . A training module ALM is also stored in the memory 32 of the training device 30 . When executed by the computing device 32 , the training module ALM transmits the simulated faulty measurement data MDsim to the training module TM of the evaluation device 22 . During this transmission, a pre-classification that indicates the assignment to the sequence type “passenger train PZ” and the sequence type “freight train GZ” is preferably also transmitted to the training module TM.
Empfängt das Trainingsmodul TM die simulierten fehlerbehafteten Messdaten MDsim mit der Vorklassi fikation, so wird sie das Auswertmodul AWM auf deren Basis zum Erkennen von Überfahrereignissen als solchen sowie zum Unterscheiden zwischen Personenzügen und Güterzügen trainieren . Das Training kann beispielsweise auf dem Prinzip der sogenannten Support Vector Machine ( SVM, bzw . Stützvektormaschine oder Stützvektormethode ) beruhen, aber auch andere bekannte Arten des maschinellen Lernens können eingesetzt werden . If the training module TM receives the simulated erroneous measurement data MDsim with the pre-classification, it will train the evaluation module AWM on this basis to recognize overrun events as such and to distinguish between passenger trains and freight trains. The training can be based, for example, on the principle of the so-called support vector machine (SVM, or support vector machine or support vector method), but other known types of machine learning can also be used.
In dem Speicher 32 der Anlerneinrichtung 30 ist außerdem ein Validierungsmodul VAL abgespeichert , auf dessen Basis die Recheneinrichtung 31 der Anlerneinrichtung 30 eine Validierung der simulierten fehlerbehafteten Messdaten MDsim vornehmen kann . Konkret kann sie mit dem Validierungsmodul VAL prüfen, ob die simulierten fehlerbehafteten Messdaten MDsim des Simulationsmodells S IM die Detektionseinrichtungen 21 gemäß Figur 1 ausreichend korrekt beschreiben bzw . ausreichend korrekt simulieren . Die Figur 3 zeigt beispielhaft ein erstes Aus führungsbeispiel für eine bevorzugte Arbeitsweise des Validierungsmoduls VAL der Anlerneinrichtung 30 gemäß Figur 2 . A validation module VAL is also stored in the memory 32 of the training device 30 , on the basis of which the computing device 31 of the training device 30 can carry out a validation of the simulated erroneous measurement data MDsim. In concrete terms, it can use the validation module VAL to check whether the simulated erroneous measurement data MDsim of the simulation model S IM sufficiently correctly describe or describe the detection devices 21 according to FIG. simulate sufficiently correctly . FIG. 3 shows an example of a first exemplary embodiment of a preferred mode of operation of the validation module VAL of the training device 30 according to FIG.
Bei dem Aus führungsbeispiel gemäß Figur 3 führt das Validierungsmodul VAL einen Validierungsschritt durch, bei dem es nach Abschluss des Trainingsschritts reale Messdaten MDreal , also solche , die tatsächlich von den beiden Detektionseinrichtungen 21 erzeugt und anschließend abgespeichert worden sind, in die angelernte Auswerteinrichtung 22 einspeist und diese realen Messdaten MDreal von der angelernten Auswerteinrichtung 22 klassi fi zieren lässt . In the exemplary embodiment according to Figure 3, the validation module VAL carries out a validation step in which, after the training step has been completed, it feeds real measurement data MDreal , i.e. data that has actually been generated by the two detection devices 21 and then stored, into the trained evaluation device 22 and this real measurement data MDreal can be classified by the trained evaluation device 22 .
Die von der Auswerteinrichtung 22 erzeugten Klassi fikationsergebnisse K werden mit einer Vorklassi fikation der realen Messwerte MDreal unter Bildung einer Fehlerrate R2 der Klassi fikation der Auswerteinrichtung 22 verglichen . Anschließend wird die Fehlerrate R2 der Klassi fikation der Auswerteinrichtung 22 mit der dem Simulationsmodell S IM zugrunde liegenden Fehlerrate RI verglichen . Der Validierungsschritt wird als erfolgreich abgeschlossen, das Simulationsmodell S IM als validiert und die Auswerteinrichtung 22 als ausreichend angelernt angesehen, wenn die Abweichung zwischen der Fehlerrate RI des Simulationsmodells S IM und der Fehlerrate R2 der Klassi fikation der Auswerteinrichtung 22 eine vorgegebene Grenze Gl unterschreitet . The classification results K generated by the evaluation device 22 are compared with a pre-classification of the real measured values MDreal while forming an error rate R2 of the classification of the evaluation device 22 . The error rate R2 of the classification of the evaluation device 22 is then compared with the error rate RI on which the simulation model S IM is based. The validation step is completed successfully, the simulation model S IM is validated and the evaluation device 22 is considered sufficiently trained if the deviation between the error rate RI of the simulation model S IM and the error rate R2 of the classification of the evaluation device 22 falls below a predetermined limit Gl.
Die Figur 4 zeigt beispielhaft ein zweites Aus führungsbeispiel für eine bevorzugte Arbeitsweise des Validierungsmoduls VAL der Anlerneinrichtung 30 gemäß Figur 2 . FIG. 4 shows an example of a second exemplary embodiment of a preferred mode of operation of the validation module VAL of the training device 30 according to FIG.
Bei dem Aus führungsbeispiel gemäß Figur 4 vergleicht das Validierungsmodul VAL im Rahmen des Validierungsschritts die simulierten Messdaten MDsim und die realen Messdaten MDreal . Der Validierungsschritt wird vorzugsweise als erfolgreich abgeschlossen, das Simulationsmodell S IM als validiert und die Auswerteinrichtung 22 als ausreichend angelernt angesehen, wenn die Abweichung zwischen der Fehlerrate RI des Simulati- onsmodells S IM und einer mittels eines anderen Kontrollauswertverfahrens festgestellten Fehlerrate R3 der realen Messdaten MDreal eine vorgegebene Grenze G2 unterschreitet . In the exemplary embodiment according to FIG. 4, the validation module VAL compares the simulated measurement data MDsim and the real measurement data MDreal as part of the validation step. The validation step is preferably completed as successfully, the simulation model S IM as validated and the evaluation device 22 as sufficiently trained if the deviation between the error rate RI of the simulation onsmodells S IM and an error rate R3 of the real measurement data MDreal determined by means of another control evaluation method falls below a predetermined limit G2.
Die Figur 5 zeigt ein Aus führungsbeispiel für eine Anordnung, die die Auswerteinrichtung 22 gemäß Figur 1 sowie ein zweites Aus führungsbeispiel für eine externe Anlerneinrichtung 30 umfasst . Die Anlerneinrichtung 30 gemäß Figur 5 umfasst ebenfalls eine Recheneinrichtung 31 und einen Speicher 32 . FIG. 5 shows an exemplary embodiment of an arrangement that includes the evaluation device 22 according to FIG. 1 and a second exemplary embodiment of an external training device 30 . The training device 30 according to FIG. 5 also includes a computing device 31 and a memory 32 .
In dem Speicher 32 der Anlerneinrichtung 30 ist ein Simulationsmodell S IM abgespeichert , auf dessen Basis die Recheneinrichtung 31 der Anlerneinrichtung 30 simulierte fehlerbehaftete Messdaten MDsim erzeugen kann und das beispielsweise mit dem oben im Zusammenhang mit den Figuren 2 bis 3 beschriebenen Simulationsmodell S IM identisch sein kann . Bezüglich des Simulationsmodells S IM gelten die obigen Aus führungen im Zusammenhang mit den Figuren 2 bis 3 also entsprechend . A simulation model S IM is stored in the memory 32 of the training device 30, on the basis of which the computing device 31 of the training device 30 can generate simulated error-prone measurement data MDsim and which, for example, can be identical to the simulation model S IM described above in connection with Figures 2 to 3 . With regard to the simulation model SIM, the above statements in connection with FIGS. 2 to 3 apply accordingly.
In dem Speicher 32 der Anlerneinrichtung 30 ist außerdem ein Anlernmodul ALM abgespeichert , das bei Aus führung durch die Recheneinrichtung 31 - anders als die Anlerneinrichtung 30 gemäß den Figuren 2 bis 4 - reale Messdaten MDreal in die Auswerteinrichtung 22 einspeist , sodass das Trainingsmodul TM der Auswerteinrichtung 22 das Training auf der Basis der realen Messdaten MDreal durchführt . A training module ALM is also stored in the memory 32 of the training device 30, which when executed by the computing device 31 - unlike the training device 30 according to Figures 2 to 4 - feeds real measurement data MDreal into the evaluation device 22, so that the training module TM of the evaluation device 22 carries out the training on the basis of the real measurement data MDreal.
Die Figur 6 zeigt beispielhaft ein Aus führungsbeispiel für eine bevorzugte Arbeitsweise des Validierungsmoduls VAL der Anlerneinrichtung 30 gemäß Figur 5 . FIG. 6 shows an exemplary embodiment of a preferred mode of operation of the validation module VAL of the training device 30 according to FIG.
Nach dem Training der Auswerteinrichtung 22 auf der Basis der realen Messdaten speist - zum Zwecke der Validierung - das Validierungsmodul VAL mittels des Simulationsmodells S IM simulierte , also fehlerbehaftete Messdaten MDsim in die trainierte Auswerteinrichtung 22 ein . Die Auswerteinrichtung 22 führt eine Klassi fikation der Messdaten, vorzugsweise hinsichtlich einer Zuordnung zu Güter- oder Personenzügen, durch und übermittelt die Klassi fikationsergebnisse K zu dem Validierungsmodul VAL . After the evaluation device 22 has been trained on the basis of the real measurement data, the validation module VAL feeds simulated, ie erroneous, measurement data MDsim into the trained evaluation device 22 by means of the simulation model S IM for the purpose of validation. The evaluation device 22 carries out a classification of the measurement data, preferably with regard to an assignment to freight or passenger trains and transmits the classification results K to the validation module VAL.
Das Validierungsmodul VAL ermittelt auf der Basis der von der Auswerteinrichtung 22 durchgeführten Klassi fikation eine Vergleichs fehlerrate R4 und sieht den Validierungsschritt als erfolgreich abgeschlossen, das Simulationsmodell S IM als validiert und die Auswerteinrichtung 22 als ausreichend angelernt an, wenn die Abweichung zwischen der Vergleichs fehlerrate R4 der Klassi fikation der Auswerteinrichtung 22 und der mittels eines anderen Kontrollauswertverfahrens festgestellten Fehlerrate R3 der realen Messdaten MDreal eine vorgegebene Grenze G3 unterschreitet . The validation module VAL determines a comparison error rate R4 on the basis of the classification carried out by the evaluation device 22 and regards the validation step as successfully completed, the simulation model S IM as validated and the evaluation device 22 as sufficiently trained if the deviation between the comparison error rate R4 the classification of the evaluation device 22 and the error rate R3 of the real measurement data MDreal determined by means of another control evaluation method falls below a predetermined limit G3.
Obwohl die Erfindung im Detail durch bevorzugte Aus führungsbeispiele näher illustriert und beschrieben wurde , so ist die Erfindung nicht durch die of fenbarten Beispiele eingeschränkt und andere Variationen können vom Fachmann hieraus abgeleitet werden, ohne den Schutzumfang der Erfindung zu verlassen . Although the invention has been illustrated and described in more detail by preferred exemplary embodiments, the invention is not restricted by the examples disclosed and other variations can be derived therefrom by a person skilled in the art without departing from the scope of protection of the invention.
Bezugs zeichenliste reference character list
10 Eisenbahnanlage 10 railway system
20 eisenbahntechnische Einrichtung 20 railway equipment
21 Detektionseinrichtung 21 detection device
22 Auswerteinrichtung 22 evaluation device
30 externe Anlerneinrichtung 30 external training device
31 Recheneinrichtung 31 computing device
32 Speicher 32 memories
220 Recheneinrichtung 220 computing device
221 Speicher 221 memory
ALM Anlernmodul ALM training module
AWM Auswertmodul AWM evaluation module
G Güterzug G freight train
Gl vorgegebene Grenze Gl given limit
G2 vorgegebene Grenze G2 predetermined limit
G3 vorgegebene Grenze G3 default limit
ID Identi fikationssignal ID identification signal
K Klassi fikationsergebnis K classification result
MDreal reale Messdaten MDreal real measurement data
MDsim simulierte fehlerbehaftete MessdatenMDsim simulated faulty measurement data
PZ Personenzug PZ passenger train
RI Fehlerrate RI error rate
R2 Fehlerrate R2 error rate
R3 Fehlerrate R3 error rate
R4 Vergleichs fehlerrate R4 comparison error rate
S Detektionssignal S detection signal
S IM Simulationsmodell S IM simulation model
TM Trainingsmodul TM training module
VAL Validierungsmodul VAL validation module

Claims

Patentansprüche patent claims
1. Verfahren zum Herstellen einer Auswerteinrichtung (22) , die 1. A method for producing an evaluation device (22), the
- auf der Basis oder zumindest auch auf der Basis künstlicher Intelligenz arbeitet und - works on the basis or at least also on the basis of artificial intelligence and
- zum Einsatz in einer technischen Einrichtung (20) geeignet ist, bei der eine oder mehrere Messdatenquellen reale Messdaten (MDreal) zwecks Auswertung zu der Auswerteinrichtung (22) übermitteln, wobei bei dem Verfahren die Auswerteinrichtung (22) in einer Anlernphase angelernt wird, d a d u r c h g e k e n n z e i c h n e t, dass die Anlernphase umfasst: - is suitable for use in a technical device (20) in which one or more measurement data sources transmit real measurement data (MDreal) for the purpose of evaluation to the evaluation device (22), the evaluation device (22) being trained in the method in a training phase, d a d a r c h g e n n z e i c h n e t that the learning phase includes:
- einen Trainingsschritt auf der Basis von simulierten Messdaten (MDsim) , die durch Simulation auf der Basis eines Simulationsmodells (SIM) der technischen Einrichtung (20) erzeugt worden sind, und/oder realen Messdaten (MDreal) , die von einer oder mehreren realen Messdatenquellen der technischen Einrichtung (20) erzeugt worden sind, und- A training step based on simulated measurement data (MDsim) generated by simulation based on a simulation model (SIM) of the technical device (20) and/or real measurement data (MDreal) from one or more real measurement data sources the technical device (20) have been generated, and
- einen Validierungsschritt, der die Qualität der Anlernphase überprüft. - a validation step that checks the quality of the training phase.
2. Verfahren nach Anspruch 1, d a d u r c h g e k e n n z e i c h n e t, dass 2. The method according to claim 1, d a d u r c h g e k e n n z e i c h n e t that
- der Trainingsschritt auf der Basis der simulierten Messdaten (MDsim) durchgeführt wird und im Rahmen des Validierungsschritts das Simulationsmodell (SIM) und damit die Qualität der beim Anlernen herangezogenen simulierten Messdaten (MDsim) überprüft werden. - the training step is carried out on the basis of the simulated measurement data (MDsim) and as part of the validation step the simulation model (SIM) and thus the quality of the simulated measurement data (MDsim) used during training are checked.
3. Verfahren nach Anspruch 2, d a d u r c h g e k e n n z e i c h n e t, dass das Simulationsmodell (SIM) Messfehler mit einer vorgegebenen Fehlerrate (RI) berücksichtigt und auf der Basis des Simulationsmodells (SIM) messfehlerbehaftete, simulierte Messdaten (MDsim) erzeugt werden und im Rahmen des Validierungsschritts - nach dem Trainingsschritt die realen Messdaten (MDreal) in die angelernte Auswerteinrichtung (22) eingespeist werden und die realen Messdaten (MDreal) von der angelernten Auswerteinrichtung (22) klassifiziert werden, 3. The method according to claim 2, characterized in that the simulation model (SIM) takes into account measurement errors with a predetermined error rate (RI) and on the basis of the simulation model (SIM) measurement error-prone, simulated measurement data (MDsim) are generated and as part of the validation step - After the training step, the real measurement data (MDreal) are fed into the trained evaluation device (22) and the real measurement data (MDreal) are classified by the trained evaluation device (22),
- die Fehlerrate (R2) der Klassifikation der Auswerteinrichtung (22) mit der dem Simulationsmodell (SIM) zugrunde liegenden Fehlerrate (RI) verglichen wird und - the error rate (R2) of the classification of the evaluation device (22) is compared with the error rate (RI) on which the simulation model (SIM) is based and
- der Validierungsschritt als erfolgreich abgeschlossen, das Simulationsmodell (SIM) als validiert und die Auswerteinrichtung (22) als ausreichend angelernt angesehen wird, wenn die Abweichung zwischen der Fehlerrate (RI) des Simulationsmodells (SIM) und der Fehlerrate (R2) der Klassifikation der Auswerteinrichtung (22) eine vorgegebene Grenze (Gl) unterschreitet. - the validation step is considered to have been successfully completed, the simulation model (SIM) to be validated and the evaluation device (22) to be sufficiently trained if the deviation between the error rate (RI) of the simulation model (SIM) and the error rate (R2) of the classification of the evaluation device (22) falls below a predetermined limit (Gl).
4. Verfahren nach einem der voranstehenden Ansprüche, d a d u r c h g e k e n n z e i c h n e t, dass 4. The method according to any one of the preceding claims, d a d u r c h g e k e n n z e i c h n e t that
- im Rahmen des Validierungsschritts die simulierten Messdaten (MDsim) und die realen Messdaten (MDreal) verglichen werden und - as part of the validation step, the simulated measurement data (MDsim) and the real measurement data (MDreal) are compared and
- der Validierungsschritt als erfolgreich abgeschlossen, das Simulationsmodell (SIM) als validiert und die Auswerteinrichtung (22) als ausreichend angelernt angesehen wird, wenn die Abweichung zwischen den simulierten Messdaten (MDsim) und den realen Messdaten (MDreal) , insbesondere die Abweichung zwischen der Fehlerrate (RI) des Simulationsmodells (SIM) und der Fehlerrate (R3) der realen Messdaten (MDreal) , eine vorgegebene Grenze (G2) unterschreitet . - The validation step is considered to have been successfully completed, the simulation model (SIM) to be validated and the evaluation device (22) to be sufficiently trained if the deviation between the simulated measurement data (MDsim) and the real measurement data (MDreal), in particular the deviation between the error rate (RI) of the simulation model (SIM) and the error rate (R3) of the real measurement data (MDreal), falls below a predetermined limit (G2).
5. Verfahren nach Anspruch 1, d a d u r c h g e k e n n z e i c h n e t, dass 5. The method according to claim 1, d a d u r c h g e k e n n z e i c h n e t that
- der Trainingsschritt auf der Basis der realen Messdaten (MDreal) durchgeführt wird und mit dem Simulationsmodell (SIM) simulierte Messdaten (MDsim) zum Zwecke der Validierung erzeugt werden, wobei - The training step is carried out on the basis of the real measurement data (MDreal) and with the simulation model (SIM) simulated measurement data (MDsim) are generated for the purpose of validation, with
- nach dem Trainingsschritt die simulierten Messdaten (MDsim) in die angelernte Auswerteinrichtung (22) einge- 16 speist werden und auf der Basis einer von der Auswerteinrichtung (22) durchgeführten Klassifikation eine Vergleichsfehlerrate (R4) ermittelt wird und - After the training step, the simulated measurement data (MDsim) entered into the trained evaluation device (22) 16 are fed and on the basis of a classification carried out by the evaluation device (22) a comparison error rate (R4) is determined and
- der Validierungsschritt als erfolgreich abgeschlossen, das Simulationsmodell (SIM) als validiert und die Auswerteinrichtung (22) als ausreichend angelernt angesehen wird, wenn die Abweichung zwischen der Vergleichsfehlerrate (R4) und der Fehlerrate (R3) der realen Messdaten (MDreal) eine vorgegebene Grenze (G3) unterschreitet. - the validation step has been successfully completed, the simulation model (SIM) has been validated and the evaluation device (22) has been sufficiently trained if the deviation between the comparison error rate (R4) and the error rate (R3) of the real measurement data (MDreal) exceeds a specified limit (G3) falls below.
6. Verfahren nach einem der voranstehenden Ansprüche, d a d u r c h g e k e n n z e i c h n e t, dass die Auswerteinrichtung (22) für den Einsatz in einer eisenbahntechnischen Einrichtung (20) hergestellt wird, indem die Auswerteinrichtung (22) auf der Basis realer eisenbahntechnischer Messdaten (MDreal) und/oder simulierter eisenbahntechnischer Messdaten (MDsim) angelernt wird. 6. The method according to any one of the preceding claims, since the evaluation device (22) is produced for use in a railway system (20) by designing the evaluation device (22) on the basis of real railway measurement data (MDreal) and/or simulated railway technology measurement data (MDsim) is taught.
7. Verfahren nach einem der voranstehenden Ansprüche, d a d u r c h g e k e n n z e i c h n e t, dass die Auswerteinrichtung (22) zum Zwecke der Auswertung von Messdaten eines oder mehrerer, als Messdatenquellen arbeitender Achssensoren (21) auf der Basis realer Achssensormessdaten und/oder simulierter Achssensormessdaten angelernt wird. 7. The method according to any one of the preceding claims, since the evaluation device (22) is trained for the purpose of evaluating measurement data from one or more axle sensors (21) operating as measurement data sources on the basis of real axle sensor measurement data and/or simulated axle sensor measurement data.
8. Verfahren nach einem der voranstehenden Ansprüche, d a d u r c h g e k e n n z e i c h n e t, dass die Auswerteinrichtung (22) angelernt wird, auf der Basis von Messdaten eines oder mehrerer Achssensoren (21) festzustellen, ob der oder die Achssensoren (21) von einem Personenzug (PZ) oder einem Güterzug (GZ) überfahren werden, indem die Auswerteinrichtung (22) auf der Basis realer achssensorbezogener Personenzugmessdaten und/oder simulierter achssensorbezogener Personenzugmessdaten sowie auf der Basis realer achssensorbezogener Güterzugmessdaten und/oder simulierter achssensorbezogener Güterzugmessdaten angelernt wird. 8. The method according to any one of the preceding claims, d a d u r c h g e k e n n z e i c h n e t that the evaluation device (22) is trained to determine on the basis of measurement data from one or more axle sensors (21) whether the axle sensor or sensors (21) are from a passenger train (PZ) or a Freight trains (GZ) are driven over by the evaluation device (22) being trained on the basis of real axle sensor-related passenger train measurement data and/or simulated axle sensor-related passenger train measurement data and on the basis of real axle sensor-related freight train measurement data and/or simulated axle sensor-related freight train measurement data.
9. Verfahren nach einem der voranstehenden Ansprüche, 17 d a d u r c h g e k e n n z e i c h n e t, dass die Auswerteinrichtung (22) zur Auswertung von Messdaten eines als Messdatenquelle arbeitenden Hodometers einer eisenbahntechnischen Einrichtung (20) , insbesondere eines Schienenfahrzeugs, angelernt wird. 9. The method according to any one of the preceding claims, 17 characterized in that the evaluation device (22) is trained to evaluate measurement data from an odometer working as a measurement data source of a railway system (20), in particular a rail vehicle.
10. Anlerneinrichtung zum Anlernen einer Auswerteinrichtung (22) , die auf der Basis oder zumindest auch auf der Basis künstlicher Intelligenz arbeitet und zum Einsatz in einer technischen Einrichtung (20) geeignet ist, bei der eine oder mehrere Messdatenquellen reale Messdaten (MDreal) zwecks Auswertung zu der Auswerteinrichtung (22) übermitteln, d a d u r c h g e k e n n z e i c h n e t, dass die Anlerneinrichtung dazu ausgebildet ist, 10. Training device for training an evaluation device (22) that works on the basis or at least also on the basis of artificial intelligence and is suitable for use in a technical device (20) in which one or more measurement data sources use real measurement data (MDreal) for the purpose of evaluation to the evaluation device (22), d a d a r c h e k e n n n z e i c h n e t that the training device is designed to
- einen Trainingsschritt durchzuführen auf der Basis von simulierten Messdaten (MDsim) , die durch Simulation auf der Basis eines Simulationsmodells (SIM) der technischen Einrichtung (20) erzeugt worden sind, und/oder realen Messdaten (MDreal) , die von einer oder mehreren realen Messdatenquellen der technischen Einrichtung (20) erzeugt worden sind, und - carry out a training step on the basis of simulated measurement data (MDsim), which have been generated by simulation on the basis of a simulation model (SIM) of the technical device (20), and/or real measurement data (MDreal), which are generated by one or more real Measurement data sources of the technical facility (20) have been generated, and
- zusätzlich einen Validierungsschritt durchzuführen, der die Qualität der Anlernphase überprüft. - carry out an additional validation step that checks the quality of the training phase.
11. Auswerteinrichtung (22) , die auf der Basis oder zumindest auch auf der Basis künstlicher Intelligenz arbeitet und zum Einsatz in einer technischen Einrichtung (20) geeignet ist, bei der eine oder mehrere Messdatenquellen reale Messdaten (MDreal) zwecks Auswertung zu der Auswerteinrichtung (22) übermitteln, d a d u r c h g e k e n n z e i c h n e t, dass die Auswerteinrichtung (22) in einer Anlernphase angelernt worden ist, wobei die Anlernphase umfasst: 11. Evaluation device (22) that works on the basis or at least also on the basis of artificial intelligence and is suitable for use in a technical device (20) in which one or more measurement data sources transmit real measurement data (MDreal) for the purpose of evaluation to the evaluation device ( 22) transmit, d a r c h g e n n z e i c h n e t, that the evaluation device (22) has been trained in a training phase, the training phase comprising:
- einen Trainingsschritt auf der Basis von simulierten Messdaten (MDsim) , die durch Simulation auf der Basis eines Simulationsmodells (SIM) der technischen Einrichtung (20) erzeugt worden sind, und/oder realen Messdaten (MDreal) , 18 die von einer oder mehreren realen Messdatenquellen der technischen Einrichtung (20) erzeugt worden sind, und- A training step based on simulated measurement data (MDsim) that has been generated by simulation based on a simulation model (SIM) of the technical device (20) and/or real measurement data (MDreal), 18 which have been generated by one or more real measurement data sources of the technical device (20), and
- einen Validierungsschritt, der die Qualität der Anlernphase überprüft. - a validation step that checks the quality of the training phase.
12. Auswerteinrichtung (22) nach Anspruch 11, d a d u r c h g e k e n n z e i c h n e t, dass die Auswerteinrichtung (22) auf der Basis realer achssensorbezogener Personenzugmessdaten und/oder simulierter achssensorbezogener Personenzugmessdaten sowie auf der Basis realer achssensorbezogener Güterzugmessdaten und/oder simulierter achssensorbezogener Güterzugmessdaten angelernt worden ist und geeignet ist, auf der Basis von Messdaten eines oder mehrerer Achssensoren (21) fest zustellen, ob der oder die Achssensoren (21) von einem Personenzug (PZ) oder einem Güterzug (GZ) überfahren werden. 12. Evaluation device (22) according to claim 11, d a d u r c h g e k e n n z e i c h n e t that the evaluation device (22) has been trained and is suitable on the basis of real axle sensor-related passenger train measurement data and/or simulated axle sensor-related passenger train measurement data and on the basis of real axle sensor-related freight train measurement data and/or simulated axle sensor-related freight train measurement data to determine on the basis of measurement data from one or more axle sensors (21) whether the axle sensor or sensors (21) are run over by a passenger train (PZ) or a freight train (GZ).
13. Eisenbahntechnische Einrichtung (20) , d a d u r c h g e k e n n z e i c h n e t, dass diese mit einer Auswerteinrichtung (22) nach Anspruch 11 oder 12 und/oder mit einer Auswerteinrichtung (22) , die nach einem der voranstehenden Ansprüche hergestellt worden ist, ausgestattet ist. 13. Railway technical device (20), because it is equipped with an evaluation device (22) according to claim 11 or 12 and/or with an evaluation device (22) that has been produced according to one of the preceding claims.
PCT/EP2021/085891 2021-01-29 2021-12-15 Evaluation device for a technical device, and method for manufacturing an evaluation device WO2022161695A1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
EP21839900.4A EP4267447A1 (en) 2021-01-29 2021-12-15 Evaluation device for a technical device, and method for manufacturing an evaluation device

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102021200803.8 2021-01-29
DE102021200803.8A DE102021200803A1 (en) 2021-01-29 2021-01-29 Evaluation device for a technical device and method for producing an evaluation device

Publications (1)

Publication Number Publication Date
WO2022161695A1 true WO2022161695A1 (en) 2022-08-04

Family

ID=79287565

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2021/085891 WO2022161695A1 (en) 2021-01-29 2021-12-15 Evaluation device for a technical device, and method for manufacturing an evaluation device

Country Status (3)

Country Link
EP (1) EP4267447A1 (en)
DE (1) DE102021200803A1 (en)
WO (1) WO2022161695A1 (en)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102019202738A1 (en) * 2019-02-28 2020-09-03 Siemens Mobility GmbH Device and method for the determination of acoustic events by means of sound sensors in the track
DE102019206241A1 (en) * 2019-04-30 2020-11-05 Siemens Mobility GmbH Method for determining a track occupancy and axle counting device
DE102019208865A1 (en) * 2019-06-18 2020-12-24 Siemens Mobility GmbH Odometric method, especially for a rail vehicle or a control center

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102016104722A1 (en) 2016-03-15 2017-09-21 Knorr-Bremse Systeme für Schienenfahrzeuge GmbH Method for generating data for the validation of derailment detection systems
DE102018212733A1 (en) 2018-07-31 2020-02-06 Robert Bosch Gmbh Detection of deteriorating sensor performance
CN113168711A (en) 2018-09-05 2021-07-23 英特尔公司 Object detection and tracking for autonomous driving using shadows and reflections
DE102018218922A1 (en) 2018-11-06 2020-05-07 Robert Bosch Gmbh Prediction of expected driving behavior

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102019202738A1 (en) * 2019-02-28 2020-09-03 Siemens Mobility GmbH Device and method for the determination of acoustic events by means of sound sensors in the track
DE102019206241A1 (en) * 2019-04-30 2020-11-05 Siemens Mobility GmbH Method for determining a track occupancy and axle counting device
DE102019208865A1 (en) * 2019-06-18 2020-12-24 Siemens Mobility GmbH Odometric method, especially for a rail vehicle or a control center

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
CAO ZHIWEI ET AL: "Haze Removal of Railway Monitoring Images Using Multi-Scale Residual Network", IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS, IEEE, PISCATAWAY, NJ, USA, vol. 22, no. 12, 29 June 2020 (2020-06-29), pages 7460 - 7473, XP011889992, ISSN: 1524-9050, [retrieved on 20211124], DOI: 10.1109/TITS.2020.3003129 *

Also Published As

Publication number Publication date
EP4267447A1 (en) 2023-11-01
DE102021200803A1 (en) 2022-08-04

Similar Documents

Publication Publication Date Title
EP1597643B1 (en) Device and method for on-board diagnosis based on a model
EP3751466A1 (en) Method for predicting a pollutant value in the air
DE102012019301A1 (en) Method for vehicle diagnosis, involves simulating errors during automated operation, and providing diagnostic device to check whether simulated errors are captured, store and/or output
WO2022069466A1 (en) Determining a prognosis for a time horizon in the future on the basis of a time horizon from the past, in particular for predicting a pollutant value in the air
EP3460727A1 (en) Method for examining a functional behaviour of a technical system and evaluation unit
WO2021130066A1 (en) Training neural networks using a neural network
EP4003823A1 (en) Method for initializing a motor vehicle
EP4267447A1 (en) Evaluation device for a technical device, and method for manufacturing an evaluation device
EP3714337B1 (en) Simulation of statistically modelled sensor data
DE102019209554A1 (en) Method for testing the robustness of a simulatable technical system, computer program, machine-readable storage medium and device as well as a technical system
DE10153447B4 (en) Method and device for programming a control device of a vehicle, in particular of a motor vehicle
DE10260909A1 (en) Measurement and correction station for motor vehicle doors comprises numbers of measurement and correction devices together so that door defects can be individually corrected
DE102021130866A1 (en) Method for determining a vehicle mass of a vehicle, mass estimation unit and vehicle
WO2021018453A1 (en) Method for testing a motor vehicle
EP3933593A1 (en) Method and computer program for testing a technical system
EP3789264A1 (en) Method and device for slip detection and rail vehicle
DE102020203514A1 (en) Method for generating training data, vehicle and training system
DE10123588B4 (en) Method and device for generating and displaying a collective error message electrical control devices in a motor vehicle
DE102007045255B4 (en) Method for producing a diagnostic system, in particular for a motor vehicle
DE10312557B4 (en) Method for checking the functional safety of electronic systems of a vehicle
WO1999038024A1 (en) Method for computer assisted optimization of inspection specifications and minimization of test software
EP2104046A1 (en) Method and device for computer-aided testing of the constructability of a product
DE102023001366A1 (en) Method for checking a perception module of a driver assistance system
WO2024083642A1 (en) Method for creating a train controller
DE102022212227A1 (en) Method for determining an operating state of an object detection system of a rail vehicle comprising a first environmental sensor system and a second environmental sensor system

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21839900

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2021839900

Country of ref document: EP

Effective date: 20230724

NENP Non-entry into the national phase

Ref country code: DE