WO2024086862A1 - Verfahren zur automatischen auswertung von gleismessdaten - Google Patents

Verfahren zur automatischen auswertung von gleismessdaten Download PDF

Info

Publication number
WO2024086862A1
WO2024086862A1 PCT/AT2023/060332 AT2023060332W WO2024086862A1 WO 2024086862 A1 WO2024086862 A1 WO 2024086862A1 AT 2023060332 W AT2023060332 W AT 2023060332W WO 2024086862 A1 WO2024086862 A1 WO 2024086862A1
Authority
WO
WIPO (PCT)
Prior art keywords
track
wavelet
wavelength
thermal image
defects
Prior art date
Application number
PCT/AT2023/060332
Other languages
English (en)
French (fr)
Inventor
Bernhard Lichtberger
Original Assignee
Hp3 Real 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 Hp3 Real Gmbh filed Critical Hp3 Real Gmbh
Publication of WO2024086862A1 publication Critical patent/WO2024086862A1/de

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/148—Wavelet transforms
    • E—FIXED CONSTRUCTIONS
    • E01—CONSTRUCTION OF ROADS, RAILWAYS, OR BRIDGES
    • E01B—PERMANENT WAY; PERMANENT-WAY TOOLS; MACHINES FOR MAKING RAILWAYS OF ALL KINDS
    • E01B35/00—Applications of measuring apparatus or devices for track-building purposes
    • E01B35/06—Applications of measuring apparatus or devices for track-building purposes for measuring irregularities in longitudinal direction
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L23/00—Control, warning, or like safety means along the route or between vehicles or vehicle trains
    • B61L23/04—Control, warning, or like safety means along the route or between vehicles or vehicle trains for monitoring the mechanical state of the route
    • B61L23/042—Track changes detection
    • B61L23/047—Track or rail movements
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L23/00—Control, warning, or like safety means along the route or between vehicles or vehicle trains
    • B61L23/04—Control, warning, or like safety means along the route or between vehicles or vehicle trains for monitoring the mechanical state of the route
    • B61L23/042—Track changes detection
    • B61L23/048—Road bed changes, e.g. road bed erosion
    • E—FIXED CONSTRUCTIONS
    • E01—CONSTRUCTION OF ROADS, RAILWAYS, OR BRIDGES
    • E01B—PERMANENT WAY; PERMANENT-WAY TOOLS; MACHINES FOR MAKING RAILWAYS OF ALL KINDS
    • E01B27/00—Placing, renewing, working, cleaning, or taking-up the ballast, with or without concurrent work on the track; Devices therefor; Packing sleepers
    • E—FIXED CONSTRUCTIONS
    • E01—CONSTRUCTION OF ROADS, RAILWAYS, OR BRIDGES
    • E01B—PERMANENT WAY; PERMANENT-WAY TOOLS; MACHINES FOR MAKING RAILWAYS OF ALL KINDS
    • E01B35/00—Applications of measuring apparatus or devices for track-building purposes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • E—FIXED CONSTRUCTIONS
    • E01—CONSTRUCTION OF ROADS, RAILWAYS, OR BRIDGES
    • E01B—PERMANENT WAY; PERMANENT-WAY TOOLS; MACHINES FOR MAKING RAILWAYS OF ALL KINDS
    • E01B35/00—Applications of measuring apparatus or devices for track-building purposes
    • E01B35/12—Applications of measuring apparatus or devices for track-building purposes for measuring movement of the track or of the components thereof under rolling loads, e.g. depression of sleepers, increase of gauge

Definitions

  • the invention relates to a method for the automatic evaluation of wavelet transformed track measurement data of the track geometry and/or the ballast bed using a computing device.
  • CN 111979859 A discloses a system for detecting track irregularities, whereby data obtained from acceleration sensors is evaluated using wavelet transformation.
  • CN 104032629 B also discloses a method for determining long-wave track irregularities, whereby the data obtained from angular acceleration sensors is evaluated using wavelet transformation.
  • CN 104947555 A shows another method for detecting track irregularities, which are determined using Fourier transformations of the wavelengths underlying the irregularities.
  • the majority of railway lines are constructed as ballasted tracks.
  • the sleepers lie in the ballast.
  • the wheel forces of the trains running over them round off the ballast, sometimes break it and wear it down. This causes irregular settlements in the ballast and shifts in the lateral geometry of the track.
  • the settlements of the ballast bed cause errors in the longitudinal height, the camber (in curves), the twist, the track and the alignment. The errors in turn increase the acting forces which in turn have a destructive effect on the gravel and the subsoil.
  • Track construction machines are used to eliminate and correct these geometric track errors. Before track construction work begins, the tracks are recorded in terms of their geometric track position and correction values are derived from this, which are then passed on to the machine to carry out the corrective measures.
  • the machines are equipped with a trailing measuring system which checks the track position with regard to compliance with specified tolerances (AT516278A1).
  • Tamping machines with a fully hydraulic tamping drive record the ballast properties during operation using the sensors integrated in the fully hydraulic tamping drive (AT515801 A1 ).
  • ballast bed parameters such as ballast bed hardness, compaction force, ballast bed stiffness and ballast damping can be measured and specified for each tamped sleeper (AT520117A1 ).
  • the degree of contamination of the ballast can be determined using these parameters. If the degree of contamination exceeds 30% of fine particles in the ballast, the track position can no longer be permanently corrected by tamping. The ballast must then be replaced or cleaned. Ballast bed cleaning machines are used for this purpose.
  • ballast bed results in hollow sleepers. These typically occur at intervals of 2-5m (D0 band). They can also be remedied using track tamping machines.
  • Error wavelengths in the range (D1 band) of 3 to 25 m typically indicate track errors that arise from interaction with the vehicles (axle spacing in the bogies, bogie spacing or individual axle spacing, suspension and damping behavior of the running gear). The settlements are caused by the relocation, abrasion and breakage of the ballast grains. Track position errors in this wavelength range can be corrected using track tamping machines. It is known that a highly contaminated ballast bed has high compaction forces. There is no room for movement between the ballast bed grains because they are filled with fine material. This increases the compaction forces that must be applied to move and compact the ballast. At the same time, such contaminated track beds have a reduced durability of the corrected track geometry because the friction forces and the interlocking between the ballast bed grains are low.
  • a formation protection layer is introduced using a formation improvement machine (or other non-mechanized methods). If the track faults are due to inadequate drainage, then this must be improved. This can be done by dredging the railway trenches or by cleaning and flushing the drainage channels.
  • Defects with a wavelength greater than 70m are due to inadequate load-bearing behavior of the subsoil.
  • the use of subgrade improvement machines to install a load-distributing subgrade protection layer or soil replacement can help.
  • this type of defect is often caused by long-wave distortions.
  • the railway divides the track sections into track classes.
  • the track classes differ in the speed range in which they are operated.
  • Each track class is assigned its own limit values for the standard deviations of the track errors. This assignment is made for the track geometry variables direction, height, cross slope, twist and track. There are limit values that are used to plan track work (which should be carried out within a certain period of time) and critical ones that require immediate repair or restriction of operations (up to closure).
  • the measurement of the ballast bed properties using fully hydraulic tamping drives records the properties of the ballast in great detail and precisely down to the threshold (AT515801 B1 ) and thus allows an objective assessment.
  • track maintenance is planned based on track geometry measurements. Track measuring vehicles drive over the tracks at regular intervals and record their geometric position. The track position is usually divided into sections of around 200m in length and the standard deviation of the height, direction, superelevation and twist is recorded. In addition to these statistical values, singular individual errors are also measured. If the statistical values exceed certain comfort tolerances, maintenance work is planned and carried out.
  • the assessment of the track defects is carried out on the basis of standard deviations or moving averages of the measurement signals.
  • the determination of the exact position, extent, type and cause of the track defects remains undetermined or unclear.
  • the planning and implementation of the track work is usually based on a given set of rules or the experience of the person responsible. Ballast bed and subsurface properties are generally hardly included in the assessment, as objective measurement data is usually not available.
  • TQI track quality index This is usually calculated from a weighted composition of the standard deviations of the various track geometry parameters or the longitudinal height alone.
  • the disadvantage of these methods is that they are not based on an analysis of the causes of the track defects and therefore often use unsuitable methods to correct them. This leads to increased maintenance costs. For example, an incorrect method can lead to an increased and rapidly increasing number of tamping jobs. The correct method would have been to clean the ballast bed. This not only leads to an increase in maintenance costs, but also has a negative impact on the service life of the track components (ballast, rails, sleepers, etc.) and increases the LCC.
  • the ballast can be extremely damaged if it is left lying for a long time. A large proportion of fine particles and organic material or from the subsoil after Soil pressed on top may have filled the gaps between the ballast grains. It is known from practice that the track position in such ballast structures cannot be permanently corrected using track tamping machines.
  • ANN artificial neural networks
  • ANFIS adaptive neural fuzzy interference systems
  • DSS decision support systems
  • Artificial intelligence models have the ability to depict complex track deterioration behavior or the type, location, extent and wavelength of track errors with high accuracy. KL models must be trained with training data sets. They are then tested with test data sets.
  • the invention is based on the object of specifying a method for the automatic evaluation and analysis of a measured series of track measurement data, in particular a track geometry size and/or the ballast bed.
  • the analysis should automatically determine the type, location, extent and size of the track defects.
  • the method should also automatically generate suggestions for correcting the track defects and be able to provide a general assessment of the track condition.
  • the invention is characterized in that first a series of measurements of the track measurement data to be evaluated, which is assigned to a track section, is wavelet transformed with a plurality of wavelets of different wavelengths and from these wavelet transforms a type of thermal image is created in which the wavelength over the position in a track and the wavelet transforms are provided as thermal information, and a wavelet power density spectrum are formed and, in addition, a signal strength diagram is calculated for different wavelength ranges, after which the local position, extent and associated wavelength ranges of predominant track defects are determined from the thermal image, in particular from the contour lines of the thermal image, in order to determine the type, position, extent and size of the track defects.
  • a measured series of track measurement data (e.g. longitudinal height, direction, twist, transverse height, bedding hardness, compaction force, ballast stiffness, ballast damping) is analyzed using the wavelet method and, if necessary, the fractal method with regard to the local position and extent and its wavelength content. It is important that, in contrast to Fourier transformations, the position information of the errors is retained with the wavelet transformations, meaning that individual errors can subsequently be assigned clear positions on the track.
  • a wavelet power density spectrum is calculated and a type of thermal image is generated in which the position, extent and size of the track errors can be seen in color or by (contour) lines of equal intensity.
  • a double-logarithmic fractal diagram can be generated, from which the track errors can be calculated depending on the wavelength (from the gradient and position in the wavelength range).
  • the type, position and extent of the track error are automatically calculated according to the analyzed range of wavelengths contained in the series of measurements.
  • the intensity and size of the track errors are determined from the integral over the corresponding wavelength band of the wavelet power density spectrum. All of this serves to automatically evaluate the measured series of measurements of a track geometry size and to automatically determine the type, position, extent and size of the track errors.
  • the analysis is followed by the automatic generation of suggestions for correcting the track errors.
  • the analysis also leads to a general assessment of the condition of the track in question.
  • the invention creates an expert system which uses objective numbers to automatically assign the type, location and extent of track defects. In addition to track position measurements, information about the ballast is also available for this evaluation. A possible mutual influence of the various measured variables is probably not recorded by this expert system.
  • this expert system is intended to train an artificial intelligence that integrates these hidden relationships into the evaluation, takes them into account and thus leads to greater precision.
  • Wavelets were born from the idea of dividing a track into shorter sections and using the Fourier transformation to find the places where short-wave track errors occur (short-path Fourier transformation).
  • wavelets In contrast to the sine and cosine functions of the Fourier transformation, wavelets have locality in the wavelength spectrum and in the spatial spectrum. Put simply, the wavelet transformation works as if the signal were filtered piece by piece with a bandpass of a certain bandwidth. This means that certain error wavelength ranges are found locally. A simple track error signal results in a two-dimensional representation of the wavelengths over the location.
  • wavelet functions There are various wavelet functions that are used. Typical ones are the Morlet wavelet and the Mexican hat.
  • the wavelet transform is calculated as: and is called the wavelet transform of F(x) with respect to.
  • the wavelet is shifted through the function F(x) (e.g. the course of the measured bedding hardness in the longitudinal direction of the track), with a (scale factor) as the wavelength parameter, the wavelength of the wavelet is varied. This results in a two-dimensional representation (the detected wavelengths are plotted against b of the position in the track).
  • the so-called fractal number can be calculated from the track measurement data curves.
  • the length of a polygonal line that is fitted into the measurement data curve is calculated for a specific section length of a railway line, for example 200m, with increasingly smaller step sizes. The following applies to the length of this polygonal line:
  • logL(d) (1 - D r ) ⁇ log(d) + log(n)
  • regression lines are included (section by section).
  • Table 1 Wavelength ranges and assignment of track properties The table shows the classification of the wavelength ranges and the assignment that causes the waviness.
  • the DO wavelength range is currently not usually recorded and evaluated by electronic inspection measurement runs. It is mainly caused by hollow sleepers and reactions between the sleeper and the rail fastening. Sleepers that hit the ballast are formed primarily at 1.2 m and between 3 and 3.6 m (i.e. 2 and 5-6 times the usual sleeper pitch of 0.6 m).
  • Area D1 is the typical area in which quasi-periodic track defects develop due to car body and bogie movements. The dynamic loads acting on the rail lead to ballast degradation. The result: ballast abrasion and ballast grain breakage. As a maintenance measure, the ballast is tamped or cleaned and the waste is replaced with new ballast. D2 occurs in the mixed zone between ballast and subsoil and in the subsoil. This area can also be improved by tamping and track cleaning.
  • Area D3 is due to subsoil problems, the long-wave fluctuations are often characterized by torsional fluctuations. Area D3 is characterized by insufficient load-bearing capacity. Possible causes are inadequate drainage, poor soil (loam, clay, peat), unsuitable subgrade material or a missing or too weak subgrade protection layer. This track defect can be remedied by correcting the drainage problem, improving and renovating the subgrade or replacing the soil.
  • wavelet and fractal analysis is applied to the recorded series of measurements.
  • the expert system created in this way is used to train artificial intelligence.
  • the Kl model then automatically provides the location, extent and type of track defect. It also provides information on the general quality of the track and suggests the optimal maintenance method based on technical and economic calculations.
  • the invention is shown schematically in an embodiment in the drawing. Shown are:
  • Fig. 1 Representation of the Mexican hat wavelet
  • Fig. 2 a fractal plot of the track defect spectrum before and after track bed cleaning
  • Fig. 3 an evaluation of a track error measurement series using wavelet analysis Ways to implement the invention
  • Fig. 1 shows an example of the shape of a wavelet - the so-called Mexican hat.
  • the wavelet is pushed through the series of measurements.
  • the same wavelength components of the signal match and generate a corresponding signal. Since this evaluation is carried out with runs of different wavelengths one after the other, a two-dimensional plot is produced.
  • Fig. 2 shows the result of the fractal analysis of a section of track before and after track cleaning.
  • the influence is clearly visible in the medium-wave range 5, 6 (2-15m), while in the long-wave range it is practically unaffected by the ballast bed cleaning.
  • the flat gradient in the long-wave range 7 indicates that the subsoil has sufficient load-bearing capacity and is in order.
  • the track cleaning brought about an improvement. However, it had no influence on the long-wave range. If the change in the fractal number is followed over the load on the track or the operating time, then the remaining service life of the ballast or the rate of deterioration can be determined. Likewise, larger gradients in the long-wave range indicate problems with the subsoil.
  • a characteristic feature is that the fractal analysis can be carried out for any track length, for example for entire routes or an entire track network. It provides numerical values that are independent of the length of the pattern analyzed.
  • Fig. 3 shows the evaluation of a measurement signal using wavelet analysis.
  • the measurement signal 1 (upper part of the image) can be a geometric measurement (longitudinal height, direction, twist, track, transverse height) or a physical one (rail temperature, ballast bed hardness, ballast bed stiffness, ballast damping or compaction force at the end of the tamping).
  • the image shows the TQI (track quality index), which was calculated, for example, from weighted standard deviations of the track geometric and physical measurements. The higher the TQI, the worse the track.
  • the TQI values must also be specified for each track class. A high-speed track that is traveled at 300 km/h has more tightly tolerated values than a freight car track with a maximum of 80 km/h.
  • the two-dimensional thermal image 2 calculated using wavelets is shown below the signal curve. If this is shown in color, then error intensities can be clearly seen visually in terms of their location and extent.
  • the wavelength is plotted vertically and the position on the track horizontally. As an example, 400m sections are evaluated so that error wavelengths up to 200m can still be analyzed. The evaluation in the image shown takes error wavelengths up to 150m into account and thus covers all four wavelength bands of interest from D0 to D3.
  • the intensity of the errors is shown in the thermal image as contour lines or in the form of color gradations. For example, error J in area G of signal 1 is shown in thermal image 2 in the area of the D1 band at a wavelength of around 20m.
  • the error can be located in the range of 250 to 350m. Since a fault also occurs at 220m, a blockage of 200 to 350m is the best choice.
  • D2 and D3 bands parts can be seen that indicate a drainage problem and a load-bearing capacity problem in this area. This is to be seen as the actual cause of the track faults occurring in this area.
  • the lower diagram shows the fault intensities for the three wavelength bands D0 to D2. These make it easier to assign the position and extent as well as the fault intensity.
  • the wavelet power density spectrum LD can be seen. The vertical Wavelength is plotted and horizontally the power density.
  • the wavelength bands are drawn in the diagram. To determine the average power density in a wavelength band, the integral (A) is calculated. This is done for all four bands. The detection of the maximum values is also important because they indicate the dominant track error wavelengths. Using the method, individual errors (in the image, for example, with the extent Ax) can also be detected and their position and extent can be specified.
  • Marking B shows a short-wave track defect in the 40m range that is due to hollow sleepers.
  • an image of the PSD spectrum shows that the intensity is low and therefore tamping does not yet need to be carried out in this area.
  • Marking F identifies a weakness in the boundary layer at a wavelength of around 35m. It would be advisable to examine this section for effective drainage.

Abstract

Es wird ein Verfahren zur automatischen Auswertung von Wavelet transformierten Gleismessdaten (1) der Gleisgeometrie und/oder des Schotterbettes mit einer Recheneinrichtung beschrieben. Um eine automatische Generierung von Vorschlägen zur Behebung der Gleisfehler zu ermöglichen, wird voreschlagen, dass zunächst eine einem Gleisabschnitt zugeordnete Messreihe der auszuwertenden Gleismessdaten (1) mit einer Mehrzahl an Wavelets unterschiedlicher Wellenlängen Wavelet transformiert wird und aus diesen Wavelet transformierten eine Art Wärmebild, in dem die Wellenlänge über der Position in einem Gleis und die Wavelet transformierten als Wärmeinformationen vorgesehen sind, und ein Wavelet-Leistungsdichtespektrum (3) gebildet werden und zusätzlich ein Signalstärke-Diagramm (4) für verschiedene Wellenlängenbereiche (D0, D1, D2, D3) errechnet wird, wonach zur Ermittlung der Art, Lage, Ausdehnung und Größe der Gleisfehler aus dem Wärmebild die örtliche Lage (B, C, D, F), die Ausdehnung (Δx) und die zugeordneten Wellenlängenbereiche (E, DO, D1, D2, D3) vorherrschender Gleisfehler, insbesondere aus den Höhenschichtlinien des Wärmebildes, bestimmt werden.

Description

Verfahren zur automatischen Auswertung von Gleismessdaten
Technisches Gebiet
Die Erfindung bezieht sich auf ein Verfahren zur automatischen Auswertung von Wavelet transformierten Gleismessdaten der Gleisgeometrie und/ oder des Schotterbettes mit einer Recheneinrichtung.
Stand der Technik
Eine Auswertung von durch Gleismessfahrzeugen gewonnenen Messdaten mittels Wavelet-Transformation ist aus dem Stand der Technik bekannt. So offenbart die CN 111979859 A ein System zur Erkennung von Gleisunregelmäßigkeiten, wobei aus Beschleunigungssensoren erhaltene Daten mit Hilfe einer Wavelet- Transformation ausgewertet werden. Auch aus der CN 104032629 B ist eine Methode zur Eruierung langwelliger Gleisunregelmäßigkeiten bekannt, wobei die aus Winkelbeschleunigungssensoren gewonnenen Daten mittels Wavelet- Transformationen ausgewertet werden. Die CN 104947555 A zeigt eine andere Methode zum Erkennen von Gleisunregelmäßigkeiten, die mittels Fourier- Transformationen der den Unregelmäßigkeiten zu Grunde liegenden Wellenlängen eruiert werden.
Die überwiegende Zahl der Eisenbahnstrecken ist als Schotteroberbau ausgeführt. Die Schwellen liegen im Schotter. Durch die wirkenden Radkräfte der darüberfahrenden Züge wird der Schotter abgerundet, teilweise gebrochen und abgenutzt. Dadurch entstehen unregelmäßige Setzungen im Schotter und Verschiebungen der seitlichen Lagegeometrie des Gleises. Durch die Setzungen des Schotterbettes treten Fehler in der Längshöhe, der Überhöhung (im Bogen), der Verwindung, der Spur und der Richtlage auf. Die Fehler ihrerseits erhöhen die wirkenden Kräfte die wiederum zerstörend auf den Schotter und den Untergrund einwirken.
Werden bestimmte von den Bahndirektionen festgelegte Grenzwerte oder Sicherheitsgrenzwerte dieser geometrischen Größen überschritten, dann werden Instandhaltungsarbeiten geplant und durchgeführt. Zur Behebung und Berichtigung dieser geometrischen Gleisfehler kommen Gleisbaumaschinen zum Einsatz. Vor den Gleisbauarbeiten werden die Gleise hinsichtlich der geometrischen Gleislage erfasst und daraus Korrekturwerte abgeleitet, die der Maschine zur Durchführung der Korrekturmaßnahmen übergeben werden.
Zur Abnahme der Korrekturarbeiten sind die Maschinen mit einem nachlaufenden Messsystem ausgestattet, welches die Gleislage hinsichtlich der Einhaltung vorgegebener Toleranzen überprüft (AT516278A1 ).
Stopfmaschinen mit vollhydraulischem Stopfantrieb (AT513973a1 ), erfassen während des Arbeitens mit Hilfe der in den vollhydraulischen Stopfantrieb integrierten Sensoren die Schottereigenschaften (AT515801 A1 ). Durch Auswertung des Verlaufs der Kräfte, der Beistellgeschwindigkeit, des Beistellweges und des zeitlichen Ablaufs können Schotterbettparameter bei jeder gestopften Schwelle wie Schotterbetthärte, Verdichtkraft, Schotterbettsteifigkeit und Schotterdämpfung gemessen und angegeben werden (AT520117A1 ).
Der Grad der Verschmutzung des Schotters kann durch diese Parameter erfasst werden. Ab einem Verschmutzungsgrad von mehr als 30% Feinanteilen im Schotter kann die Gleislage durch Stopfen nicht mehr dauerhaft berichtigt werden. Der Schotter ist dann zu tauschen oder zu reinigen. Dazu dienen Schotterbettreinigungsmaschinen.
An markanten Steifigkeitsunterschieden im Gleis (wie eingefahrene Schienenstöße, Übergänge zu Brücken oder Tunneln) kommt es auf Grund der hohen Rad-Schiene-Kräfte zu einem Schlagen der Schwellen auf das Schotterbett und zu einer Zerstörung (und Abrundung) des Schotters. Oft sind solche Stellen äußerlich als weiße Stellen (austretender Gesteinsstaub) ersichtlich. An diesen Stellen führt die Fahrdynamik dazu, dass Schotter pulverisiert wird und diese Stellen durch austretenden Mineralstaub angezeigt werden. Diese Einzelfehler haben üblicherweise eine Ausdehnung von wenigen Metern, tendieren aber dazu sich weiter auszubreiten und in ihrer Fehleramplitude schnell anzuwachsen. Daraus resultieren häufig sicherheitskritische Fehler, die sofort oder besser präventiv behoben werden. Diese Fehler können durch Stopfmaschinen, die im Einzelfehlerbehebungsmode arbeiten, behoben werden.
Durch unterschiedliche Setzungen des Schotterbettes kommt es zu Schwellenhohllagen. Diese treten typischerweise in einem Abstand von 2-5m auf (D0-Band). Sie können ebenfalls durch Gleisstopfmaschinen behoben werden.
Fehlerwellenlängen im Bereich (D1 -Band) von 3 bis 25m kennzeichnen typischerweise Gleisfehler, die durch die Wechselwirkung mit den Fahrzeugen (Achsabstände in den Drehgestellen, Drehgestellabstände oder Einzelachsabstände, Federungs- und Dämpfungsverhalten der Laufwerke) entstehen. Die Setzungen kommen durch Umlagerung, Abrieb und Bruch der Schotterkörner zustande. Gleislagefehler dieses Wellenlängenbereiches sind durch Gleisstopfmaschinen behebbar. Bekannt ist, dass ein hoch verschmutztes Schotterbett hohe Verdichtkräfte aufweist. Zwischen den Schotterbettkörnern bestehen keine Bewegungsspielräume, weil diese mit Feinmaterial gefüllt sind. Dies erhöht die Verdichtkräfte die aufgewendet werden müssen, um den Schotter zu bewegen und zu verdichten. Gleichzeitig weisen derartige verschmutzte Gleisbette eine reduzierte Haltbarkeit der berichtigten Gleisgeometrie auf, da die Reibungskräfte und die Verzahnung zwischen den Schotterbettkörnern gering sind.
Längerwellige Fehler (D2-Band) zwischen 25 und 70m sind Fehler des an den Schotter angrenzenden Planums. Typischerweise ist die Ursache eine mangelhafte Drainage oder mangelndes Tragverhalten (durchnässter Lehm oder Ton etc.), weshalb längerwellige Setzungen auftreten. Eine Behinderung der Drainage kann beispielsweise durch den Aufbau einer Lärmschutzwand entstehen, die den Abfluss des Wassers aus der Bettung behindert. Je längerwellig die Fehler sind desto eher ist ihre Ursache weiter unter der Schotterschicht zu finden. Diese Fehler können zwar durch Gleisstopfmaschinen ausgeglichen werden beheben aber die Fehlerursache nicht nachhaltig. Eine nachhaltige Behebung ist nur durch Gleisbettreinigung oder durch Planumssanierung möglich. Dazu wird mit Hilfe einer Planumsverbesserungsmaschine (oder andere nicht mechanisierte Methoden) eine Planumsschutzschicht eingebracht. Sind die Gleisfehler auf mangelhafte Drainage zurückzuführen, dann ist diese zu verbessern. Dies kann durch Ausbaggern der Bahngräben oder durch Reinigen und Spülen der Abflusskanäle erfolgen.
Fehler deren Wellenlänge größer als 70m sind (D3-Band), sind auf mangelhaftes nicht ausreichendes Tragverhalten des Untergrundes zurückzuführen. Hier hilft der Einsatz von Planumsverbesserungsmaschinen zum Einbau einer lastverteilenden Planumsschutzschicht oder der Bodenaustausch. Häufig zeigt sich erfahrungsgemäß diese Art des Fehlers durch langwellige Verwindungen.
Die Gleisstrecken werden durch die Bahn in Streckenklassen eingeteilt. Die Streckenklassen unterscheiden sich durch den Fahrgeschwindigkeitsbereich, in welchem sie betrieben werden. Jeder Streckenklasse werden eigene Grenzwerte für die Standardabweichungen der Gleisfehler zugeordnet. Diese Zuordnung wird für die Gleisgeometriegrößen Richtung, Höhe, Querneigung, Verwindung und Spur gemacht. Es gibt Grenzwerte, die zur Planung von Gleisarbeiten dienen (die innerhalb eines bestimmten Zeitraums durchgeführt werden sollen) und kritische, die eine unmittelbare Behebung oder Einschränkung des Betriebes (bis zur Sperrung) erfordern.
Die Messung der Schotterbetteigenschaften mittels vollhydraulischen Stopfantrieben hingegen erfasst sehr detailliert und konkret schwellengenau die Eigenschaften des Schotters (AT515801 B1 ) und erlaubt so eine objektive Beurteilung. Aktuell wird die Gleisinstandhaltung auf Basis von Gleisgeometriemessungen geplant. Gleismessfahrzeuge fahren in regelmäßigen Abständen über die Gleise und erfassen deren geometrische Lage. Die Gleislage wird dabei meist in Abschnitte von etwa 200m Länge unterteilt und die Standardabweichung der Höhenlage, der Richtung, der Überhöhung und Verwindung erfasst. Neben diesen statistischen Werten werden auch singuläre Einzelfehler gemessen. Überschreiten die statistischen Werte gewisse Komforttoleranzen dann wird eine Instandhaltungsarbeit geplant und durchgeführt.
Die Beurteilung der Gleisfehler wird dabei auf der Basis von Standardabweichungen oder gleitenden Mittelwerten über die Messsignale durchgeführt. Die Ermittlung der genauen Position, Ausdehnung, Art und Ursache der Gleisfehler bleibt unbestimmt bzw. unscharf. Die Planung und Durchführung der Gleisarbeiten beruht meist auf vorgegebenem Regelwerk oder der Erfahrung des Verantwortlichen. Schotterbett- und Untergrundeigenschaften finden in der Regel kaum Eingang in die Beurteilung, da meist keine objektiven Messdaten vorhanden sind.
Meist werden 200m lange Abschnitte ausgewertet, für die eine Gleisqualitätsziffer angegeben wird (TQI track quality index). Dieser berechnet sich meist aus einer gewichteten Zusammensetzung der Standardabweichungen der verschiedenen Gleisgeometrieparameter oder der Längshöhe allein.
Nachteilig bei diesen Methoden ist, dass sie nicht auf einer Analyse der Ursachen der Gleisfehler beruhen und daher oftmals die ungeeigneten Methoden zur Berichtigung anwenden. Dadurch kommt es zu erhöhten Kosten der Instandhaltung. Eine falsche Methode kann beispielsweise zu einer erhöhten und schnell steigenden Anzahl von Stopfarbeiten führen. Die richtige Methode wäre das Schotterbettreinigen gewesen. Dies führt nicht nur zu einer Erhöhung der Kosten der Instandhaltung, sondern wirkt sich auch nachteilig auf die Lebensdauer der Gleiskomponenten (Schotter, Schienen, Schwellen etc.) aus und erhöht die LCC. Der Schotter kann bei langer Liegedauer extrem geschädigt sein. Ein großer Anteil von Feinanteilen und organischem Material oder aus dem Untergrund nach oben gepresstem Boden kann die Zwischenräume der Schotterkörner ausgefüllt haben. Aus der Praxis ist bekannt, dass sich die Gleislage bei derartigen Schotterstrukturen nicht haltbar mit Gleisstopfmaschinen korrigieren lässt.
Aus der Praxis ist zudem bekannt, dass Einzelfehler zufällig im Gleis verteilt auftreten. Etwa 40% dieser lokalen Störstellen können dauerhaft behoben werden. 60% dieser Fehler entwickeln sich innerhalb kurzer Zeit wieder. Gleise die einen guten Schotterzustand aufweisen werden im Mittel circa alle vier Jahre gestopft. Einzelfehler die auf eine Zerstörung des Schotters hinweisen erfordern Instandhaltungsmaßnahmen ca. alle 1 -3 Monate. Bei Jeder Stopfung wird über die Stopfwerkzeuge ein Teil des Schotters aufgrund der hohen Verdichtungskräfte geschädigt. Daher sind lange Durcharbeitszyklen von hoher wirtschaftlicher Bedeutung.
Stellen im Gleis mit hoher Bettungshärte (mit hoher Steifigkeit) bilden Hochpunkte im Gleis. Je unterschiedlicher die Steifigkeitsschwankungen im Gleisbett sind, umso größer ist die Kraftwechselwirkung zwischen Rad und Schiene, umso höher ist das Gleis belastet und umso schneller verschlechtert sich die Gleisgeometrie. Singuläre kurze Störstellen im Gleis weisen die Tendenz auf sich unter den hohen wirkenden dynamischen Kräften im Gleis in Längsrichtung auszudehnen, an Höhe des Gleisfehlers zuzunehmen und Folgefehler durch die angeregten Gleisfahrzeuge zu produzieren.
Die Anwendung von Künstliche-Intelligenz-Methoden ist Stand der Technik. Die angewandten Kl-Modelle können in verschiedene Kategorien eingeteilt werden. Man unterscheidet Künstliche Neuronale Netze (ANN Artificial Neural Networks), Adaptive Neuronale Fuzzy Interferenzsysteme (ANFIS), Entscheidungshilfesysteme (DSS Decision Support Systems) und Modelle Künstlichen Lernens. Künstliche Intelligenz-Modelle haben die Fähigkeit komplexes Gleislageverschlechterungsverhalten bzw. Art, Lage, Ausdehnung und Wellenlänge von Gleislagefehlem mit hoher Genauigkeit abzubilden. Kl-Modelle müssen mit Trainingsdatensätzen trainiert werden. Geprüft werden sie dann mit Testdatensätzen.
Mittels vergleichender LCC-Analyse verschiedener Instandhaltungsmethoden (Stopfen mit immer kürzeren Instandhaltungszyklen an Stelle eigentlich notwendiger Gleisreinigung) können deren Kosten miteinander verglichen werden. Um verschiedene Instandhaltungsstrategien miteinander zu vergleichen, werden beispielsweise so genannte Standardelemente oder Normkilometer ermittelt. Dazu wird z. B. das Expertenwissen der Eisenbahningenieure oder reale ermittelte Zahlen und Kosten eingebracht. Die Standardkilometer werden nach Kategorien wie Unterbauqualität, Radien, Verkehrsbelastung, Oberbaumform und Gleisanzahl unterteilt.
Darstellung der Erfindung
Der Erfindung liegt die Aufgabe zugrunde, ein Verfahren zur automatischen Auswertung und Analyse einer gemessenen Messreihe von Gleismessdaten, insbesondere einer Gleisgeometriegröße und/ oder des Schotterbettes, anzugeben. Die Analyse soll automatisch Art, Lage, Ausdehnung und Größe der Gleisfehler ermitteln. Das Verfahren soll außerdem automatisch Vorschläge zur Behebung der Gleisfehler generieren und eine allgemeine Beurteilung des Gleiszustandes abgeben können.
Die Erfindung löst die gestellte Aufgabe mit den Merkmalen des unabhängigen Anspruches 1 . Vorteilhafte Weiterbildungen der Erfindung sind in den Unteransprüchen dargestellt.
Die Erfindung zeichnet sich dadurch aus, dass zunächst eine einem Gleisabschnitt zugeordnete Messreihe der auszuwertenden Gleismessdaten mit einer Mehrzahl an Wavelets unterschiedlicher Wellenlängen Wavelet transformiert wird und aus diesen Wavelet transformierten eine Art Wärmebild, in dem die Wellenlänge über der Position in einem Gleis und die Wavelet transformierten als Wärmeinformationen vorgesehen sind, und ein Wavelet-Leistungsdichtespektrum gebildet werden und zusätzlich ein Signalstärke-Diagramm für verschiedene Wellenlängenbereiche errechnet wird, wonach zur Ermittlung der Art, Lage, Ausdehnung und Größe der Gleisfehler aus dem Wärmebild die örtliche Lage, die Ausdehnung und die zugeordneten Wellenlängenbereiche vorherrschender Gleisfehler, insbesondere aus den Höhenschichtlinien des Wärmebildes, bestimmt werden.
Dazu wird also eine gemessene Messreihe von Gleismessdaten (beispielsweise Längshöhe, Richtung, Verwindung, Querhöhe, Bettungshärte, Verdichtkraft, Schottersteifigkeit, Schotterdämpfung) mittels der Waveletmethode und gegebenenfalls der der Fraktalmethode hinsichtlich der örtlichen Lage und Ausdehnung und ihrem Wellenlängengehalt analysiert. Wesentlich ist, dass mit den Wavelet-Transformationen im Gegensatz zu Fourier-Transformationen die Positionsinformationen der Fehler erhalten bleiben, einzelnen Fehler also in weiterer Folge eindeutige Positionen im Gleis zugeordnet werden können. Zudem wird ein Wavelet-Leistungsdichtespektrum errechnet und wird eine Art Wärmebild erzeugt in welchem färbig oder durch (Höhen-)Linien gleicher Intensität die Lage, Ausdehnung und Größe der Gleisfehler ersichtlich wird.
Zudem kann ein doppelt-logarithmisches Fraktal Diagramm erzeugt werden, aus welchem sich die Gleisfehler wellenlängenabhängig (aus der Steigung und Lage im Wellenlängenbereich) errechnen lassen. Entsprechend dem analysierten Bereich der Wellenlängen, die in den Messreihen enthalten sind, wird automatisch Art, Lage und Ausdehnung des Gleisfehlers errechnet. Aus dem Integral über das entsprechende Wellenlängeband des Wavelet-Leistungsdichtespektrum wird die Intensität und Größe der Gleisfehler geschlossen. All dies dient zur automatischen Auswertung der gemessenen Messreihe einer Gleisgeometriegröße und der automatischen Ermittlung der Art, Lage, Ausdehnung und Größe der Gleisfehler. Aus der Analyse folgt die automatische Generierung von Vorschlägen zur Behebung der Gleisfehler. Aus der Analyse erfolgt auch die allgemeine Zustandsbeurteilung des betrachteten Gleises. Erfindungsgemäß entsteht ein Expertensystem welches mit Hilfe objektiver Zahlen eine Zuordnung der Art, Lage und Ausdehnung der Gleisfehler automatisch erlaubt. Für diese Auswertung stehen aber neben Gleislagemessungen auch Informationen über den Schotter zur Verfügung. Eine mögliche wechselseitige Beeinflussung der verschiedenen Messgrößen wird durch dieses Expertensystem wahrscheinlich nicht erfasst.
Deshalb soll mit diesem Expertensystem eine Künstliche Intelligenz trainiert werden, die diese verborgenen Beziehungen in die Auswertung integriert, mitberücksichtigt und so zu höherer Präzision führt.
Wavelets wurden aus der Idee heraus geboren, eine Strecke in kürzere Abschnitte zu unterteilen und mit Hilfe der Fourier Transformation jene Stellen zu finden, an denen kurzwellige Gleisfehler auftreten (Kurzweg-Fourier-Transformation).
Im Gegensatz zu den Sinus- und Cosinus-Funktionen der Fourier Transformation besitzen Wavelets Lokalität im Wellenlängenspektrum und im Ortsspektrum. Vereinfacht gesagt wirkt die Wavelet Transformation so als würde das Signal stückweise mit einem Bandpass bestimmter Bandbreite gesiebt. So finden sich örtlich begrenzt bestimmte Fehlerwellenlängenbereiche. Aus einem einfachen Gleisfehlersignal folgt eine zweidimensionale Darstellung der Wellenlängen über den Ort. Es gibt verschiedene Waveletfunktionen die angewendet werden. Typisch ist das Morlet-Wavelet und der Mexikanische Hut.
Das Wavelet des mexikanischen Hutes wird beispielsweise mathematisch wie folgt beschrieben:
Figure imgf000011_0001
Die Wavelet Transformierte errechnet sich zu:
Figure imgf000011_0002
und wird Wavelet Transformierte von F(x) bezüglich genannt.
Mit b als Verschiebungsfaktor wird das Wavelet durch die Funktion F(x) (z.B. den Verlauf der gemessenen Bettungshärte in Längsrichtung des Gleises) geschoben, mit a (Skalenfaktor) als Wellenlängenparameter wird die Wellenlänge des Wavelets variiert. Dadurch ergibt sich eine zweidimensionale Darstellung (über b der Position im Gleis ist sind die detektierten Wellenlängen aufgetragen).
Mit Hilfe der Anwendung der Fraktaltheorie kann aus Gleismessdatenverläufen des Gleises die so genannte Fraktalziffer berechnet werden. Dazu wird für eine bestimmte Abschnittslänge einer Eisenbahnstrecke, beispielsweise 200m, die Länge eines Polygonzuges, der in den Messdatenverlauf eingepasst wird, mit immer kleiner werdender Schrittweite berechnet. Für die Länge dieses Polygonzuges gilt:
L(d) = n ■ d1-Dr
L(d) = Länge des Polygons; d = Polygonschrittweite und Dr = fraktale Dimension.
Logarithmiert man die Gleichung, dann gilt: logL(d) = (1 - Dr) ■ log(d) + log(n)
In doppelt logarithmischer Darstellung werden (abschnittsweise) Regressionsgeraden hineingerechnet. Die Steigungen sind immer negativ (je feiner die Unterteilung umso größer die Polygonzuglänge) und ergeben sich zu k=1-Dr k ... Fraktalzahl
Untersuchungen zeigen, dass die unterschiedlichen Steigungen der Regressionsgeraden Wellenlängenbereichen und deren Ursachen zugeordnet werden können. Nach den europäischen Normen werden die typischen Wellenlängenbereiche in 4 Kategorien eingeteilt. Diesen können nach Praxiserfahrungen und Messungen verursachende Ursachen des Gleises zugeordnet werden.
Figure imgf000013_0001
Tabelle 1 : Wellenlängenbereiche und Zuordnung der Gleiseigenschaften Die Tabelle zeigt die Einteilung der Wellenlängenbereiche und die Zuordnung, wodurch die Welligkeit verursacht wird.
Der Wellenlängenbereich DO wird heute durch elektronische Inspektionsmessfahrten meistens nicht erfasst und ausgewertet. Er wird vor allem durch Schwellenhohllagen und Reaktionen zwischen Schwelle und Schienenbefestigung verursacht. Auf den Schotter aufschlagende Schwellen bilden sich bei 1 ,2m und zwischen 3 und 3,6m bevorzugt (also dem 2- und 5-6- fachen der üblichen Schwellenteilung von 0,6m).
Der Bereich D1 ist der typische Bereich, in welchem sich durch die Wagenkastenbewegungen und Drehgestellbewegungen quasiperiodische Gleisfehler ausprägen. Die dynamischen Lasten, die auf die Schiene einwirken führen zu einer Schotterdegradation. Die Folge: Schotterabrieb und Schotterkornbruch. Als Instandhaltungsmaßnahme wird gestopft oder der Schotter gereinigt und der Abraum durch Neuschotter ersetzt. D2 entsteht in der Mischzone Schotter - Untergrund und im Untergrund. Auch dieser Bereich kann durch Stopfen und Gleisreinigung verbessert werden.
Der Bereich D3 ist auf Untergrundprobleme zurückzuführen, oftmals sind die langwelligen Schwankungen von Verwindungsschwankungen gekennzeichnet. Der Bereich D3 ist durch nicht ausreichende Tragfähigkeit gekennzeichnet. Mögliche Ursachen sind mangelhafte Drainage, schlechter anstehender Boden (Lehm, Ton, Torf), ungeeignetes Planumsmaterial oder fehlende bzw. zu schwache Planumsschutzschicht. Dieser Gleisfehler kann durch Behebung von Drainageproblem, Planumsverbesserung und -Sanierung oder Bodenaustausch behoben werden.
Erfindungsgemäß wird auf die aufgezeichneten Messreihen die Wavelet- und Fraktalanalyse angewendet. Das so erstellte Expertensystem wird zum Training einer Künstlichen Intelligenz verwendet.
Das Kl-Modell liefert dann automatisch Lage, Ausdehnung und Art des Gleisfehlers. Außerdem liefert sie eine Angabe über den allgemeinen Qualitätszustand des Gleises und schlägt basierend auf technischen und wirtschaftlichen Berechnungen die optimale Instandhaltungsmethode vor.
Kurze Beschreibung der Erfindung
In der Zeichnung ist die Erfindung schematisch an einem Ausführungsbeispiel dargestellt. Es zeigen:
Fig. 1 Darstellung des Wavelets mexikanischer Hut,
Fig. 2 einen Fraktalplot des Gleisfehlerspektrums vor und nach einer Gleisbettreinigung
Fig. 3 eine Auswertung einer Gleisfehlermessreihe mittels Waveletanalyse Wege zur Ausführung der Erfindung
Fig. 1 zeigt beispielhaft die Form eines Wavelets - des so genannten mexikanischen Huts. Zur Auswertung wird das Wavelet durch die Messreihe geschoben. Gleiche Wellenlängenanteile des Signales matchen und erzeugen ein korrespondierendes Signal. Da diese Auswertung mit Durchläufen verschiedener Wellenlängen hintereinander geschieht ergibt sich ein zweidimensionaler Plot.
Fig. 2 zeigt das Ergebnis der Fraktalanalyse eines Gleisabschnittes vor und nach einer Gleisreinigung. Deutlich ist der Einfluss im mittelwelligen Bereich zu sehen 5, 6 (2-15m), während er im langwelligen Bereich praktisch durch die Schotterbettreinigung unbeeinflusst bleibt. Die flache Steigung im langwelligen Bereich 7 deutet darauf hin, dass der Untergrund ausreichende Tragfähigkeit aufweist und in Ordnung ist. Durch die Gleisreinigung ist eine Verbesserung eingetreten. Sie hatte allerdings keinen Einfluss auf den langwelligen Bereich. Verfolgt man die Änderung der Fraktalzahl über die Belastung des Gleises oder die Betriebsdauer, dann kann auf die verbleibende Lebensdauer des Schotters, bzw. die Verschlechterungsrate geschlossen werden. Genauso weisen größere Steigungen im langwelligen Bereich auf Untergrundprobleme hin. Kennzeichnend ist, dass die Fraktalanalyse für beliebige Gleislängen durchgeführt werden kann, beispielsweise auch auf gesamte Strecken oder ein gesamtes Gleisnetz. Sie liefert numerische Größen die unabhängig von der Länge des analysierten Musters sind.
Verschmutzter Schotter bleibt auch nach einer Stopfung verschmutzt, ebenso wenig verändern sich die Untergrundverhältnisse. Einzelne Geraden 5, 6, 7 geben Fehler im entsprechenden Wellenlängenbereich an. Je steiler die Geraden 5, 6 umso größer der Einfluss der Fehler. Die Fraktalanalyse wird als zweite unabhängige Methode zur Ermittlung der Fehlerwellenlängenbänder benutzt. Sie liefert zwar Art und Intensität der Fehler, gibt allerdings keinen Hinweis auf die Örtlichkeit. Sie kann diese Angaben nur für den ausgewerteten Abschnitt ermitteln und aussagen, dass in diesem Abschnitt priorisiert Gleisfehler mit diesem Fehlerwellenlängenanteil vorliegen. Fig. 3 zeigt die Auswertung eines Messsignals mittels Wavelet-Analyse. Das Messsignal 1 (oberer Bildbereich) kann eine geometrische Messgröße sein (Längshöhe, Richtung, Verwindung, Spur, Querhöhe) aber auch eine physikalische (Schienentemperatur, Schotterbetthärte, Schotterbettsteifigkeit, Schotterdämpfung oder Verdichtkraft beim Stopfende) sein. Im Bild ist die Angabe des TQI (track quality index) zu sehen, der beispielsweise aus gewichteten Standardabweichungen der gleisgeometrischen und physikalischen Messgrößen errechnet wurde. Je größer der TQI umso schlechter das Gleis. Die Werte des TQI sind außerdem noch Gleisklassenspezifisch anzugeben. Ein Hochgeschwindigkeitsgleis welches mit 300km/h befahren wird hat enger tolerierte Werte als ein Güterwagengleis mit max. 80 km/h.
Unter dem Signalverlauf ist das mittels Wavelets (Morlet) errechnete zweidimensionale Wärmebild 2 angegeben. Wird dieses farbig dargestellt dann werden Fehlerintensitäten optisch deutlich hinsichtlich ihres Ortes und ihrer Ausdehnung ersichtlich. In vertikaler Richtung ist die Wellenlänge aufgetragen in horizontaler die Position im Gleis. Ausgewertet werden als Beispiel jeweils 400m Abschnitte, damit Fehlerwellenlängen bis 200m noch analysierbar sind. Die Auswertung im gezeigten Bild berücksichtigt Fehlerwellenlängen bis zu 150m und überdeckt damit alle vier interessierenden Wellenlängenbänder von D0 bis D3. Die Intensität der Fehler zeigen sich im Wärmebild als Höhenschichtlinien oder in Form von Farbgraduierung. So zeigt sich der Fehler J im Bereich G des Signales 1 entsprechend in dem Wärmebild 2 im Bereich des D1 -Bandes bei etwa 20m Wellenlänge. Das ist typisch ein durch den Schotterzustand verursachter Fehler, der durch Stopfung behoben werden kann. Der Fehler kann im Bereich von 250 bis 350m verortet werden. Da auch um 220m ein Fehler auftritt ist eine Stopfung von 200 bis 350m die beste Wahl. Im D2- und D3-Band sind Anteile zu sehen die auf ein Drainageproblem und ein Tragfähigkeitsproblem in diesem Bereich hinweisen. Dies ist als eigentliche Ursache der in diesem Bereich auftretenden Gleisfehler zu sehen. Im unteren Diagramm werden die Fehlerintensitäten für die drei Wellenlängenbänder D0 bis D2 angezeigt. Diese erleichtern die Zuordnung der Lage und Ausdehnung sowie der Fehlerintensität. Rechts neben dem Wärmebild ist das Wavelet-Leistungsdichtespektrum LD zu sehen. Vertikal ist die Wellenlänge aufgetragen und horizontal die Leistungsdichte. In das Diagramm sind die Wellenlängebänder eingezeichnet. Zur Bestimmung der durchschnittlichen Leistungsdichte in einem Wellenlängenband wird das Integral (eingezeichnet A) berechnet. Dies wird für alle vier Bänder durchgeführt. Wichtig ist auch die Detektion der Maximalwerte, weil sie die dominierenden Gleisfehlerwellenlängen angeben. Mit Hilfe der Methode lassen sich auch Einzelfehler (im Bild beispielsweise mit der Ausdehnung Ax) detektieren und in ihrer Lage und Ausdehnung angeben.
Entsprechend der oben gezeigten Tabelle 1 lassen sich die Art der Fehler zuordnen und basierend darauf die optimale Instandhaltung. Mit Hilfe der vergleichenden LCC-Analyse kann begründet werden, warum beispielsweise die Stopfung (wie im vorliegenden Fall) günstiger ist als die Gleisreinigung über diesen kurzen Bereich.
Die Markierung B zeigt beispielsweise einen kurzwelligen Gleisfehler im Bereich 40m der auf Schwellenhohllagen zurückzuführen ist. Gleichzeitig zeigt ein Bild in das PSD-Spektrum, dass die Intensität niedrig ist und daher eine Stopfung in diesem Bereich noch nicht durchgeführt werden muss. Markierung F identifiziert eine Schwäche in der Grenzschicht bei einer Wellenlänge um etwa 35m. Hier wäre anzuraten diesen Abschnitt auf wirksame Drainage zu untersuchen.

Claims

Patentansprüche
1 . Verfahren zur automatischen Auswertung von Wavelet transformierten Gleismessdaten (1 ) der Gleisgeometrie und/ oder des Schotterbettes mit einer Recheneinrichtung gekennzeichnet dadurch, dass zunächst eine einem Gleisabschnitt zugeordnete Messreihe der auszuwertenden Gleismessdaten (1) mit einer Mehrzahl an Wavelets unterschiedlicher Wellenlängen Wavelet transformiert wird und aus diesen Wavelet transformierten eine Art Wärmebild, in dem die Wellenlänge über der Position in einem Gleis und die Wavelet transformierten als Wärmeinformationen vorgesehen sind, und ein Wavelet- Leistungsdichtespektrum (3) gebildet werden und zusätzlich ein Signalstärke- Diagramm (4) für verschiedene Wellenlängenbereiche (DO, D1 , D2, D3) errechnet wird, wonach zur Ermittlung der Art, Lage, Ausdehnung und Größe der Gleisfehler aus dem Wärmebild die örtliche Lage (B, C, D, F), die Ausdehnung und die zugeordneten Wellenlängenbereiche (E, DO, D1 , D2, D3) vorherrschender Gleisfehler, insbesondere aus den Höhenschichtlinien des Wärmebildes, bestimmt werden.
2. Verfahren nach Anspruch 1 , dadurch gekennzeichnet, dass zur Bestimmung der Intensität der Gleisfehler Integrale (A) der Leistungsdichten über der Wellenlänge, insbesondere über Wellenlängenbereiche (DO - D3), im Waveletleistungsdichtespektrum (3) gebildet werden.
3. Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass ermittelte Gleisfehler Wellenlängenbereichen (DO - D3) zugeordnet werden.
4. Verfahren nach Anspruch 2 oder 3, dadurch gekennzeichnet, dass entsprechend der örtlichen Ausdehnung und Lage der Wärmeinformationen im Wärmebild (2, C, D, E) auch die Intensität (Signalstärke, A) der Gleisfehler bestimmt werden.
5. Verfahren nach einem der Ansprüche 1 bis 4, dadurch gekennzeichnet, dass die Lage und Größe von Einzelfehlem (D, AX ) aus dem Wärmebild bestimmt wird.
6. Verfahren nach einem der Ansprüche 1 bis 5, dadurch gekennzeichnet, dass die Messreihe der Gleismessdaten (1 ) mittels der Methode der Fraktalanalyse hinsichtlich ihres Wellenlängengehalts analysiert wird (Fig. 2), wobei Gleisfehler entsprechend dem analysierten Bereich der Wellenlängen automatisch hinsichtlich der Wellenlängenbereiche (DO, D1 , D2, D3) klassifiziert werden, wobei Entsprechend der Steigung der Fraktalgeraden (5, 6, 7) die Größe und Intensität der Gleisfehler bestimmt und der Zustand des Gleises (TQI) berechnet wird.
7. Verfahren nach einem der Ansprüche 1 bis 6, dadurch gekennzeichnet, dass mit dem derart gebildeten Expertensystem eine künstliche Intelligenz trainiert wird, die automatisch aus den zur Verfügung gestellten Daten (1 , 2, 3, 4, TQI) lernt Gleisfehler zu bestimmen.
8. Verfahren nach Anspruch 1 bis 7, dadurch gekennzeichnet, dass als Ergebnis der Auswertung Vorschläge zur Behebung der Gleisfehler generiert werden.
9. Verfahren nach Anspruch 1 bis 8, dadurch gekennzeichnet, dass die Ergebnisse der Auswertung und Vorschläge zu ihrer Behebung der Gleisfehler automatisch in einem Report zusammengefasst werden (Fig. 3).
10. Verfahren nach Anspruch 1 bis 9, dadurch gekennzeichnet, dass aus den Ergebnissen der Auswertung die voraussichtliche Haltbarkeit von Stopfarbeiten berechnet und abgeschätzt wird.
PCT/AT2023/060332 2022-10-25 2023-09-25 Verfahren zur automatischen auswertung von gleismessdaten WO2024086862A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
ATA50824/2022 2022-10-25
ATA50824/2022A AT526338B1 (de) 2022-10-25 2022-10-25 Verfahren zur automatischen Auswertung von Gleismessdaten

Publications (1)

Publication Number Publication Date
WO2024086862A1 true WO2024086862A1 (de) 2024-05-02

Family

ID=88236731

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/AT2023/060332 WO2024086862A1 (de) 2022-10-25 2023-09-25 Verfahren zur automatischen auswertung von gleismessdaten

Country Status (2)

Country Link
AT (1) AT526338B1 (de)
WO (1) WO2024086862A1 (de)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AT513973A4 (de) 2013-02-22 2014-09-15 System7 Railsupport Gmbh Stopfaggregat für eine Gleisstopfmaschine
CN104947555A (zh) 2015-07-01 2015-09-30 中国神华能源股份有限公司 一种基于四点弦测法的轨道不平顺检测方法及系统
AT515801B1 (de) 2014-09-16 2015-12-15 System 7 Railsupport Gmbh Verfahren zum Verdichten des Schotterbettes eines Gleises
CN104032629B (zh) 2014-06-10 2016-03-02 南京理工大学 一种垂向轨道长波不平顺在线监测方法及系统
AT516278A4 (de) 2014-10-22 2016-04-15 System 7 Railsupport Gmbh Verfahren zur Messung und Darstellung der Gleisgeometrie einer Gleisanlage
AT520117A1 (de) 2017-07-11 2019-01-15 Hp3 Real Gmbh Verfahren zum Verdichten eines Schotterbettes eines Gleises
CN111979859A (zh) 2020-08-19 2020-11-24 中国铁道科学研究院集团有限公司 轨道不平顺检测系统及方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AT513973A4 (de) 2013-02-22 2014-09-15 System7 Railsupport Gmbh Stopfaggregat für eine Gleisstopfmaschine
CN104032629B (zh) 2014-06-10 2016-03-02 南京理工大学 一种垂向轨道长波不平顺在线监测方法及系统
AT515801B1 (de) 2014-09-16 2015-12-15 System 7 Railsupport Gmbh Verfahren zum Verdichten des Schotterbettes eines Gleises
AT515801A4 (de) 2014-09-16 2015-12-15 System 7 Railsupport Gmbh Verfahren zum Verdichten des Schotterbettes eines Gleises
AT516278A4 (de) 2014-10-22 2016-04-15 System 7 Railsupport Gmbh Verfahren zur Messung und Darstellung der Gleisgeometrie einer Gleisanlage
CN104947555A (zh) 2015-07-01 2015-09-30 中国神华能源股份有限公司 一种基于四点弦测法的轨道不平顺检测方法及系统
AT520117A1 (de) 2017-07-11 2019-01-15 Hp3 Real Gmbh Verfahren zum Verdichten eines Schotterbettes eines Gleises
CN111979859A (zh) 2020-08-19 2020-11-24 中国铁道科学研究院集团有限公司 轨道不平顺检测系统及方法

Also Published As

Publication number Publication date
AT526338B1 (de) 2024-02-15
AT526338A4 (de) 2024-02-15

Similar Documents

Publication Publication Date Title
EP1940668B1 (de) Verfahren zum erfassen und berücksichtigen von seitenwindbelastungen bei einem in fahrt befindlichen schienenfahrzeug und dessen entsprechend ausgeführter endwagen
DE102004045457A1 (de) Diagnose und Zustandsmonitoring von Weichen, Kreuzungen oder Kreuzungsweichen sowie Schienenstößen und Gleisinhomogenitäten durch ein Schienenfahrzeug
AT520056A1 (de) Verfahren und Vorrichtung zum Verdichten eines Gleisschotterbetts
EP3265774B1 (de) Diagnoseeinrichtung zur feststellung einer unrundheit an schienenfahrzeugrädern nach einem kraftstoss-auswerteverfahren
EP1977950B1 (de) Verfahren zur wirkungsbezogenen Beurteilung der Lagequalität eines Gleises
EP2957674A1 (de) Verfahren zum Betreiben einer auf einer Gleisanlage verfahrbaren Oberbaumaschine
DE2617192C3 (de) Vorrichtung zur Messung vertikaler, wellenförmiger Abnützungserscheinungen von Eisenbahngleisen
EP3841250B1 (de) Verfahren zur automatischen lagekorrektur eines gleises
DE102019210884B4 (de) Messanordnung sowie Verfahren zur Ermittlung einer Distanz zwischen einem an einem achsmontierten Getriebe eines schienengebundenen Fahrzeugs angeordneten Abstandssensor und einer Messnullfläche außerhalb des Getriebes im laufenden Betrieb
EP3053804A2 (de) Verfahren und einrichtung zur optimierung der gleisoberbauinstandhaltung durch einzelfehlerklassifikation
AT526338B1 (de) Verfahren zur automatischen Auswertung von Gleismessdaten
EP3458331B1 (de) Verfahren und vorrichtung zur überwachung zumindest einer im bahnbau verlegten fahrwegkomponente
DE102004014282B4 (de) Diagnose und Zustandsmonitoring im Überlaufbereich von Weichen, starren Herzstücken und Kreuzungen
EP3430371B1 (de) Verfahren zum erzeugen von daten für die validierung von entgleisungsdetektionssystemen
CH623624A5 (de)
DE3034704A1 (de) Schienenfahrzeug fuer gleiskoerperarbeiten
WO2021248170A1 (de) Verfahren zur automatischen autonomen steuerung einer stopfmaschine
DE102009015011A1 (de) Verfahren zur Überwachung der Laufstabilität bei Schienenfahrzeugen
Alcocer Track data-oriented maintenance intervention limit determination for ballasted light rail tracks through multibody simulations
DE102004032407B3 (de) Akustische Bewertung von Gleisen
DE102011018608B4 (de) Verfahren und Vorrichtung zur Ermittlung eines Verschleißwertes eines Schienenfahrzeuges
WO2023186400A1 (de) Verfahren und vorrichtung zur approximation eines bei der überfahrt eines schienengebundenen fahrzeugs über eine messstrecke erfassten beschleunigungssignalverlaufs an die charakteristischen merkmale eines damit korrespondierenden kraftsignalverlaufs
Camacho Alcocer Track data-oriented maintenance intervention limit determination for ballasted light rail tracks through multibody simulations
DE102022100785A1 (de) Verfahren und Vorrichtung zur Bestimmung der Länge L einer Flachstelle an der Lauffläche eines Rades eines schienengebundenen Fahrzeugs
DE102020107253A1 (de) Verfahren zum Reinigen von Schienen und Messanordnung