Article
Schienenseitige Detektion von Flachstellen mittels Sensorarrays und Methoden des Maschinellen Lernens (de)
* Presenting author
Abstract:
Ziel eines Kooperationsprojektes mit den Stadtwerken Augsburg (SWA) war es, Radformfehler an Schienenfahrzeugen automatisch, mittels Maschinellem Lernen (ML) zu detektieren. Ein bereits entwickelter, akustischer Detektionsansatz, basierend auf der Klassifikation von Mikrofonsignalen per CRNN, wies zwar gute Erkennungsquoten auf, allerdings gestaltete sich die zeitliche Eingrenzung einzelner Fehlstellen aufgrund des Effekts des Übersprechens als schwierig. Um eine radgenaue Detektion zu realisieren, wurde im Rahmen der Forschungsarbeit stattdessen die vom Rad verursachte vertikale Kraft auf die Schiene mittels eines Dehnungsmessstreifen-Arrays sowie die vertikale Beschleunigung der Schiene mittels eines Beschleunigungsaufnehmer-Arrays gemessen. Als Messobjekt diente ein Gleisabschnitt der Augsburger Straßenbahn, an dem im Winter 2022 etwa 400 Vorbeifahrten von Straßenbahnen aufgezeichnet wurden. Auf Basis dieses Datensatzes wurden nach akustischen und optischen Kriterien im Signal Labels bezüglich des Radzustands vergeben sowie ein für ML ausreichend großer Datensatz synthetisiert (Augmentation). Die auf die Radvorbeifahrt gefensterten Signale der einzelnen Sensoren bildeten die Grundlage für die Feature-Extraktion. Unterschiedliche Feature- und Klassifikator-Kombinationen wurden hinsichtlich des F1-Scores miteinander verglichen. Die Ergebnisse zeigen insbesondere für die Klassifikation spektraler Signaleigenschaften per neuronalem Netz (NN) eine vielversprechende Detektionsgenauigkeit.