AT527563A1 - Verfahren zur Verbesserung der Gleisberichtigungsverfahren - Google Patents

Abstract

Es wird ein Verfahren zur Ermittlung der Vorhersage der Restfehler von mindestens einer gleisfahrbaren Gleisstopfmaschine, die nach einem Gleislageberichtigungsverfahren arbeitet und wesentliche Eingangsgrößen (Ei) und Ausgangsgrößen (Fi) nach Stopfeinsätzen in einer Datenbank speichert, vorgeschlagen, welches in ein unsupervised Künstliche Intelligenz Programm (US- KI) die gespeicherten Eingangsparameter (Ei) und gespeicherten Ausgangsgrößen (Fi) von Stopfeinsätzen einliest und dieses damit trainiert. Erfindungsgemäß wird das trainierte unsupervised Künstliche Intelligenz Programm (US-KI-T) dazu benutzt vor der Durchführung einer Stopfarbeit die Restfehler (FKi) nach der Arbeit vorherzusagen. Damit kann die Stopfarbeit im Voraus für ein optimales Arbeitsergebnis vorbereitet werden.

Description

Die Erfindung bezieht sich auf ein Verfahren zur Verbesserung der Gleisberichtigungsverfahren, welche zur Gleislageverbesserung durch

Gleisstopfmaschinen angewendet werden.

Die meisten Gleise für die Eisenbahn sind als Schotteroberbau ausgeführt. Die Schwellen liegen im Schotter. Durch die wirkenden Radkräfte der darüberfahrenden Züge werden unregelmäßige Setzungen im Schotter und Verschiebungen der seitlichen Lagegeometrie des Gleises hervorgerufen. Durch die Setzungen des Schotterbettes treten Fehler in der Längshöhe, der Überhöhung (im Bogen), der Verwindung und der Richtlage auf. Werden bestimmte Komfortgrenzwerte oder Sicherheitsgrenzwerte dieser geometrischen Größen überschritten, werden Instandhaltungsarbeiten durchgeführt. Eine Gleisstopfmaschine verbessert die Gleisgeometrie, die durch die Belastung der Züge verschlechtert wurde. Dazu wird das Gleis mittels elektrohydraulisch gesteuerten Hebe- Richteinrichtungen in die Gleissollposition gehoben und gerichtet und in dieser Lage durch Verdichten

(Stopfen) des Schotters unter den Schwellen fixiert.

Zur Führung der Berichtigungswerkzeuge der Oberbaumaschine werden überwiegend Mess- und Steuerungssysteme nach dem Dreipunkt-Verfahren eingesetzt. Neben dem Dreipunkt-Verfahren sind auch andere bekannt, wie das Sekanten-Verfahren, das Vier-Punkt-Verfahren oder das Zweisehnenverfahren. Die Praxis zeigt, dass die Gleislagen zwar verbessert, aber die theoretisch möglichen Verbesserungen bei Weitem nicht erreicht werden. Die Gleislagefehler werden typischerweise nur zwischen 30-50% verringert. Die Form und Lage der

Gleislagefehler bleiben dabei meist erhalten, nur die Amplituden der Fehler

verändert werden.

Damit das Gleis nach derartigen Gleisgeometrieverbesserungsarbeiten wieder für den Zugsbetrieb freigegeben werden kann, sind die Eisenbahnoberbaumaschinen mit so genannten Abnahmemessanlagen und einem Abnahmeschreiber ausgestattet. Mit diesem Abnahmeschreiber werden die verbleibenden Fehler aufgezeichnet. Für die Freigabe sind vorgegebene Toleranzen der Gleislagefehler

zu unterschreiten.

Je kleiner die Restfehler nach einer Instandhaltungsarbeit sind, desto geringer sind die wechselwirkenden Kräfte zwischen Rad und Schiene durch die Züge, desto langsamer verschlechtert sich die Gleisgeometrie, umso länger die Dauerhaftigkeit der Gleislage. Es ist daher wünschenswert, die Gleisgeometrie möglichst an die Soll-Lage heranzuführen, weil damit anschließend erhebliche Kosten und Aufwand

gespart werden können.

Die Sollgeometrien der Eisenbahngleise stehen als Gleislagepläne zur Verfügung und werden im Gleisgeometrieführungscomputer der Stopfmaschine zur Führung der Maschine genutzt. Vor der Arbeit wird die aktuelle Gleislage nach verschiedenen Methoden (maschinell oder mit handgeschobenen Geräten) aufgemessen. Diese werden mit der Soll-Lage verglichen und daraus werden die Gleislagefehler ermittelt. Um diese zu beheben, werden Hebewerte und Richtwerte festgelegt und dem Gleisgeometrieführungscomputer der Stopfmaschine

übergeben.

Das maschinelle Gleismesssystem beispielsweise nach dem Drei-Punkt-Verfahren besteht aus drei Messwagen. Der vordere und der hintere spannen eine Sehne auf

(Stahlsehne oder optische Sehne. Beim mittleren Messwagen, der sich im Bereich

Dreipunkt-Verfahren bezeichnet.

Nachteilig bei der derzeitigen Anwendung des Dreipunkt- und anderer bekannter Verfahren sind die entgegen der theoretisch erwartbaren Verbesserung der Gleislage die nicht zufriedenstellende Reduktion der Gleislagefehler um nur etwa 30-50%. Mit dieser mangelhaften Funktion der bekannten Verfahren wird das Aufwands- und Kosteneinsparungspotential, welches sich durch eine bessere Anwendung ergeben würde, nicht ausgeschöpft. Einer der Gründe dieser mangelhaften Funktion ist (beispielhaft für das Drei-Punkt-System), dass das hintere Sehnenende nicht exakt auf der Gleis-Sollgeometrie geführt wird, sondern Restfehler aufweist, die ins System zurückgekoppelt werden. Diese Fehler entstehen durch unregelmäßRige Setzungen des Gleises nach dem Heben und durch Rückfedern des Gleises nach dem Richten, sowie durch die Rückkopplung dieser Fehler in den Regelkreis. Die entstehenden Setzungen hängen von der Schotterhöhe und dem Schotterzustand ab, das Rückfedern des Gleises von den Richtkräften, den Eigenschaften der Schienenbefestigung und dem Verhalten des Gleises selbst. Das endlos verschweißte Gleis weist bei hohen Schienentemperaturen (etwa ab T>20°C) eine Druckspannung und bei niedrigen Temperaturen (etwa ab T<20°C) eine Zugspannung auf. Nach dem Richten kann es auf Grund dieser inneren Spannungen zu einem Rück- oder Ausfedern des Gleises kommen. Ein anderer Grund ist die Übertragungsfunktion des Drei-Punkt-Systems, welches zu systematischen Fehlern führt, die allerdings mit bisherigen Methoden

nicht kompensiert werden können. Bekannte Lösungen bilden nicht das

Stopfparameter so, dass ein optimales Stopfergebnis erzielt wird (AT520117B1).

Auf dem Abnahmemessschrieb werden die zurückbleibenden Fehler aufgezeichnet. Geschieht dies mit einem inertial gestützten Navigationsmesssystem (beispielsweise EP3358079A1), sind die Fehler bis in den Wellenlängenbereich von

mehr als 100m mit Genauigkeiten unter 1mm bekannt.

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 Gleislagefehlern mit hoher Genauigkeit abzubilden. KIl-Modelle müssen mit Trainingsdatensätzen trainiert werden. Geprüft werden sie mit Testdatensätzen. In Abhängigkeit von der Zielsetzung der Kl-Anwendung und der Beschaffenheit der zur Verfügung stehenden Daten werden überwachte (=supervised), unüberwachte (=unsupervised), bestärkende Lernverfahren (reinforcement learning), oder eine

Kombination aus diesen Verfahren eingesetzt.

Die mit der Zeit entstehende Menge und die Beschaffenheit dieser Daten erlaubt den Einsatz maschineller Lernverfahren, um statistische Modelle der Arbeitsweise von Stopfmaschinen zu erzeugen, die in weiterer Folge im Echtzeitbetrieb der

Maschinen eingesetzt werden. Dabei werden folgende Strategien angewandt:

Unüberwachte Lernverfahren sind dadurch charakterisiert, dass durch menschliche Experten vorab interpretierte Daten als Trainingsdatensätze nicht zur Verfügung stehen. Algorithmen dieser Kategorie können autonom, ohne menschliches Zutun, in einer großen Datenmenge versteckte Muster und Assoziationen aufzeigen. Eingangsdaten über die Stopfmaschine, den Stopfprozess und die Gleisinfrastruktur werden gruppiert und in Cluster unterteilt. Die resultierenden Cluster zeigen Zusammenhänge in den Daten auf, die für einen menschlichen Experten ob der großen Menge der Daten a priori kaum erkennbar sind. Eine Korrelationsanalyse stellt so den Einfluss spezifischer Eingangsparameter, wie z. B. Verdichtkraft und Beistellweg der Stopfaggregate, auf die Gleislagequalität fest. Generative KlSysteme, wie beispielsweise Generative Adversarial Networks (GAN), transformieren diese Eingangsdaten iterativ, wodurch neue, korrigierte Abbilder der zu erwartenden Gleislage bzw. der jeweiligen Zielbarameter nach Bearbeitung entstehen. Die Iteration wird bis zum Erreichen vordefinierter Kriterien, z.B. die

Einhaltung von Restfehlerverlaufs-Obergrenzen, durchgeführt.

Beim Überwachten Lernen geht man von einer Datenbasis aus, die durch menschliche Experten bereits interpretiert wurde. Diese Daten werden zum Training eines Modells benutzt, das in einer zweiten Phase mit unbekannten Daten

konfrontiert wird. Das System errechnet daraus eine Vorhersage für eine

Bearbeitung mit einer Stopfmaschine.

Das bestärkende Lernen erfolgt auf Basis eines Bewertungssystems, das im Hinblick auf eine bestimmte Zielsetzung (z.B. der Einhaltung einer GleislagenfehlerObergrenze) günstiges Verhalten belohnt und ungünstiges Verhalten bestraft. Das System agiert autonom und versucht iterativ, durch Variationen des Verhaltens neue Lösungsstrategien zu entwickeln, um das Bewertungsergebnis zu maximieren. Das Verhalten des Systems entspricht den Zustandsübergängen zu definierten Zeitpunkten, woraus die einzelnen Bewertungen abgeleitet werden. Das System interagiert dabei mit einer Umwelt, die vorab bekannt oder unbekannt sein kann. Vorteil dieser Methode ist, dass sie ohne Beispieldaten funktioniert und unabhängig von der Stopfmaschine, z.B. im Labor simuliert werden kann. Diese Technik erlaubt es, den Stopfzyklus einer Maschine zu optimieren, diese im Umgang mit Hindernissen im Gleis zu unterstützen, sowie ein optimiertes An- und Abrampen bei

gegeben Gleislagen im Feld durchzuführen.

Der Erfindung liegt die Aufgabe zugrunde ein Verfahren anzugeben, welches die die Gesamtwirkungsweise der Maschine abbildet, damit bei bekannten Korrekturwerten und Maschinenparametern, das Ergebnis der Stopfarbeit vorhergesagt werden kann. Die Erfindung soll ein abweichendes Verhalten der Gesamtmaschine von der Norm erkennen können, um so frühzeitig Wartungs- oder Reparaturmaßnahmen durchführen zu können. Ist diese Übertragungsfunktion der Gesamtmaschine

bekannt, kann die Qualität der Arbeit beurteilt werden.

Die Erfindung löst die gestellte Aufgabe mit den Merkmalen de Ansprüche 1, 3 und 5. Vorteilhafte Weiterbildungen der Erfindung finden sich in den Unteransprüchen

wieder.

71725

des Ergebnisses der Gleislageberichtigung anhand vorgegebener Eingangsdaten.

Die Vorhersage des Korrekturergebnisses durch die Stopfmaschine bei bekannten Maschinen- und Gleisparametern gibt die Genauigkeit des Verfahrens an. Erfindungsgemäß wird im Anschluss einer Stopfarbeit, das Ergebnis dahingehend beurteilt, ob es innerhalb des vorhergesagten Ergebnisses mit Unschärfen des trainierten Kl-Programms liegt. Damit wird die Arbeitsweise der Maschine verfolgt und liefert Hinweise, wenn sich das Arbeitsergebnis der Maschine im Lauf der Zeit verschlechtert. Gründe sind beispielsweise: Fehlfunktionen oder Störungen an Hydraulikventilen, Störungen des Maschinenmesssystems, sich veränderndes Regelverhalten der Hebe-Richt-Aggregate etc. Damit ist ein Zustandsmonitoring der Gesamtmaschine hinsichtlich des Arbeitsverhaltens möglich. Schon eine Teststopfarbeit einer neuen Maschine, während der Inbetriebnahmephase erlaubt mit dem trainierten Modell die Überprüfung, ob die Maschinenarbeit und damit deren Steuerungs- und Regelmechanismen qualitativ entspricht. Damit ist eine Arbeitsvorbereitung durchzuführender Stopfarbeiten für ein optimales Ergebnis

möglich.

In der Zeichnung ist der Erfindungsgegenstand beispielhaft schematisch dargestellt.

Es zeigen

Fig. 1 Schematische Erklärung der Arbeitsweise des Dreipunkt-Verfahrens,

Fig. 2 Übertragungsfunktion des Dreipunkt-Verfahrens,

Fig. 3 Eingangsgrößen und Ausgangsgrößen während der Trainingsphase eines unsupervised Kl-Programms,

Fig. 4 Eingangsgrößen und vorhergesagte Ausgangsgrößen eines trainierten unsupervised Kl-Programms,

Fig. 5 Diagramme Gleisfehler vor der Arbeit und vorhergesagter verbleibender Gleisfehler nach der Arbeit mit Fehlerbereich des Kl-Programms

Fig. 6 Eingangsgrößen und Ausgangsgrößen während der Trainingsphase eines

unsupervised Kl-Programms für das Design Heben

Fig. 8 Diagramm Gleishöhenfehler, Hebewerte, Setzung unter Belastung und Überhebungswerte

Fig. 9 Schematisches Histogramm der Restfehlerverteilung einer betrachteten Messgröße

Fig. 10 Eingangsgrößen und Beurteilungsgrößen während der Trainingsphase eines supervised Kl-Programms

Fig. 11 Eingangsgrößen und vorhergesagte Beurteilungsgrößen nach der Trainingsphase eines supervised Kl-Programms

Fig. 12 ein konkretes Umsetzungsbesiepiel

Fig.1 zeigt schematisch stellvertretend für die Gleislageberichtigungsverfahren das Drei-Punkt-Verfahren. Mit schwarzer durchgehender Linie ist die Ist-Geometrie mit den Gleisfehlern dargestellt. Mit punktierter Linie ist die virtuelle ideale Sehne eingezeichnet. Diese ist zwischen einem Messwagen vorne und einem Messwagen hinten, beispielsweise über eine Stahlsehne aufgespannt. Hinten und vorne wird sie bei theoretisch exakter Gleisfehlerberichtigung auf der Soll-Geometrie geführt. Über einen Messwagen in der Mitte wird der Sollwert Mitte vorgegeben. Die Elektronik steuert das Hebe-Richt-Aggregat auf diesen Sollwert hin und berichtigt damit den Gleisfehler. Die reale Sehne liegt allerdings vorne auf dem fehlerhaften Ist-Gleis. Um diesen Fehler zu vermeiden, muss vor der Stopfarbeit die Abweichung der IstLage zur Soll-Lage ermittelt werden. Die reale Sehne wird über die so ermittelten Korrekturwerte zur idealen Sehnenlage kompensiert. A und b kennzeichnen die Sehnenteilung, L die Länge der Sehne. S steht für die Bogenlänge in

Gleislängsrichtung und Y für die (Höhen-) Abweichung des Gleises von Y=0.

Fig.2 stellt beispielhaft die Übertragungsfunktion des Drei-Punkt-Verfahrens dar. Die Gleisfehler werden abhängig von der Wellenlänge mit der Verstärkung v verstärkt (bzw. reduziert, wenn v<1). Die X-Achse zeigt die Wellenlänge A der Gleisfehler Fi und die vertikale Achse die Verstärkung. Die Form der Übertragungsfunktion hängt

von der Sehnenteilung a, b und der Sehnenlänge L ab. Zusätzlich zum

Restfehler abhängig von der Wellenlänge der Ursprungsfehler auf.

Für die Übertragungsfunktion H(A) des Drei-Punkt-Verfahrens gilt:

a=— a+b

N b a+b

A: ej2r7 HU) = —— = z— 1—B.e7 Fr x ... Gleisdistanz (m) A... Wellenlänge (m)

Die Verstärkung v ergibt sich zu v(1) = abs(H())). Abs bedeutet den Absolutwert einer komplexen Funktion.

Die Phasenverschiebung @ ergibt sich zu (A) = angle(H(1)). Angle bedeutet die Berechnung des Phasenwinkels der komplexen Funktion H.

Fig.3 zeigt schematisch, wie ein unsupervised Kl-Programm trainiert wird. Charakteristische Größen E:, die das Ergebnis der Stopfmaschine beeinflussen bzw. beeinflussen könnten, werden in das Kl-Programm eingespeist. Die Fehler vor der Arbeit (wie Höhenfehler-, Richtungsfehler- und Überhöhungsfehlerverlauf) werden meist durch einen unabhängigen Messvorgang gemessen. Sind die durchzuführenden Korrekturen zu hoch, werden diese durch den Verantwortlichen

bearbeitet. Dies betrifft auch Anfangs- und Endrampe — denn das Gleis darf nicht

sprunghaft korrigiert werden. Über eine Rampe werden die Hebewerte und Richtwerte langsam aufgebaut. Aus dieser Bearbeitung folgen die geplanten Hebeund Richtungskorrekturwerte. Auch der Stopfmodus, ob eine Gleisneulage vorliegt, oder eine Instandhaltungsstopfung, beeinflusst das Stopfergebnis. Auch die Stopfzeit kann Einfluss nehmen. Wesentlich sind auch Kenngrößen der eingesetzten Hebe- Richtregler. Nur wenn die Hebe- Richtvorgänge vor dem Stopfende beendet sind, kann die Korrektur durch die Stopfung fixiert werden. Auch die Art des angewendeten Berichtigungsverfahrens hat Einfluss. Die Übertragungsfunktion ist wie schon oben gezeigt ebenfalls ein wichtiger Zusammenhang. Die realen Hebe- und Richtwerte, die die Aktoren am Hebe-RichtAggregat durchführen, weichen von den vorgegebenen Korrekturwerten ab. Während des Hebe-Richt-Vorgangs verändert sich nämlich die Gleislage und damit auch die Korrekturwerte für den nächsten Arbeitsschritt. Dazu kommen weitere charakteristische Eingangsparameter E;, die das Stopfergebnis beeinflussen könnten (beispielsweise die Schotterbetthärte, die Verdichtkraft, etc.). Der unsupervised KI werden auch die Ergebnisse der einzelnen Baustellen als Verlauf der Höhen-, Richtungs- und Überhöhungsfehler eingespielt. Mit den Arbeitsergebnissen vieler Stopfeinsätze wird die Kl trainiert. Sie lernt, welche

Restfehlerverläufe Fi in Abhängigkeit von den Eingangsgrößen entstehen.

Fig.4 zeigt schematisch die Funktion einer unsupervised KI nach dem Training. Wird das trainierte Kl-Modell nun auf bekannte charakteristische Eingangsgrößen E:, angewandt, liefert es eine Vorhersage des Ergebnisses FKi. Dies hat die folgenden Vorteile und bietet die folgenden Möglichkeiten. Nach der Arbeit kann das Ergebnis mit der Vorhersage verglichen werden. Beispielsweise können die Differenzen als Standardabweichung errechnet werden. Funktioniert die Maschine gut, werden die Differenzen immer in einem bestimmten Vertrauensbereich zu liegen kommen. Wird dieser überschritten, kann daraus abgeleitet werden, dass die Funktionsfähigkeit der Maschine sich verschlechtert. Dies kann z. B. an einer Veränderung der Regelparameter liegen oder an einer Verschlechterung des Messsystems. Dies führt zur Notwendigkeit der Durchführung eines Maschinenservice oder eines

generellen Checks der Maschine. Wird eine Maschine erstmalig in Betrieb

genommen, kann schon nach wenigen Probeeinsätzen die Qualität der Stopfmaschine beurteilt werden. Die KI auf eine konkrete Maschinentype trainiert

werden.

Fig.5 zeigt erfindungsgemäß im obigen Diagramm den Gleisfehler Fi eines zu bearbeitenden Gleisabschnittes vor der Arbeit. Im Diagramm darunter wird die Vorhersage des Restfehlers FKi der KI für diesen Gleisabschnitt (und die geplanten Eingangsgrößen) dargestellt. Die Kl liefert dabei auch den Vertrauensbereich der Vorhersage als Toleranzband den FTOLK:. Jede Veränderung eines

Eingangsparameters führt zu einer Modifizierung der Vorhersage.

Fig.6 zeigt eine Möglichkeit ein unsupervised Kl-Programm zu trainieren, wenn so genanntes Design Heben angewandt wird. Aus der Praxis und Untersuchungen ist bekannt, dass Hebungen von 15-20mm dazu führen, dass das Gleis unter Verkehrslast in seine alte Fehlerlage zurückkehrt. Der Grund liegt darin, dass praktisch die Schotterstruktur unter den Schwellen nicht wesentlich verändert wird. Erst bei größeren Hebungen werden neue Steine unter die Schwellen befördert, was dazu führt, dass es zu einer dauerhaften Beseitigung der Gleisfehler kommt. Beim Designheben wird nun abhängig vom Fehlerverlauf gezielt das Gleis überhoben. Unter den nachfolgenden Zuglasten setzt sich das Gleis entsprechend und strebt die gewollte fehlerarme Höhenlage an. Als Ausgangsgrößen FBi dienen nun die sich einstellenden Restfehler nach Belastung, typischerweise nach 2 Millionen Tonnen Verkehrslast. Nach dieser Belastung hat sich der Großteil der Setzungen ausgebildet. Die Eingangsgröße Überhebungswerte ist charakteristisch dafür welche Hebungszuschläge verwendet werden. Diese können z.B. als

prozentueller Zuschlag zu den geplanten Hebewerten berechnet werden.

Fig. 7 zeigt erfindungsgemäß die Anwendung des trainierten Kl-Programms. Die Vorhersage liefert nun Aussagen über die Restfehler nach Belastung FBKi. Auch hier kann durch Optimierung der Überhebungswerte ein möglichst geringer

Restfehler nach Gleisbelastung erreicht werden.

Das Fig.8 zeigt schematisch die Methode des Design Hebens. Normalerweise

werden die Hebewerte H aus den Gleisfehlern Fi errechnet, indem man eine

Hebereferenz — die Gleis Nulllage einführt. Nach der Stopfarbeit liegt im Idealfall ein Gleis vor, welches zu einer Bezugslinie keine Abweichungen aufweist. Durch die Stopfung wird der Schotter nach der Hebung unter den Schwellen verdichtet, um diese Position zu fixieren. Da die Schottersteine nach der Stopfung nicht ihre dichteste Lage aufweisen, sondern durch die Verdichtkräfte gezwungen gelagert werden, treten unter den Zugfahrten Lagerungsveränderungen auf. Durch die dichtere Lagerung kommt es zu Setzungen, die von Hebewerten abhängig sind. Es kommt daher zu unregelmäßigen Setzungen S — Gleisfehler stellen sich wieder ein. Durch das Design Heben wird diese zu erwartende Setzung S theoretisch eingerechnet. Im Idealfall nimmt das Gleis theoretisch nach hinreichender Belastung

die ideale Gleis Nulllage an.

Fig.9 zeigt schematisch ein Histogramm (Häufigkeit FR) der Restfehler Fi (Höhe, Richtung, Überhöhung). Üblicherweise wird die Standardabweichung der Restfehler von 200m Gleisabschnitten berechnet. Je hochwertiger die Gleisgeometrie, um so geringer die Standardabweichungen. Die Messergebnisse von Arbeiten gleicher Maschinen wird in Datenbanken gespeichert. Erfahrungsgemäß können diese Verteilungen durch Log-Normal Verteilungen dargestellt werden. Man kann nun diese Restfehlerverteilung in Klassen (K1 — K10) gleicher Summenhäufigkeit einteilen. Die niedrigste Klasse K1 entspricht den besten Gleisgeometrien und die höchste Klasse K10 den schlechtesten. Mit Hilfe dieser Klassifizierung kann ein bestimmtes Ergebnis nach einer Stopfarbeit objektiv beurteilt werden in dem es

einer bestimmten Klasse als zugehörig eingestuft wird.

Fig.10 zeigt ein supervised Kl-Programm. Im Gegensatz zu unsupervised KlProgrammen muss diesem Programm eine Ergebnisbeurteilung FKLi während des Lernens zugeführt werden. Jeder Datensatz, der während des Trainings gelernt wird, muss daher vorab mit einer Beurteilung versehen sein. Dies kann durch die Angabe der Qualitätsklasse (K1 — K10) der Restfehler Fi (Beurteilungsgrößen) des

betrachteten Abschnitts erfolgen.

Fig.11 zeigt schematisch die Anwendung des trainierten supervised Kl-Programms.

Werden diesem die Eingangsparameter Ei eines zu beurteilenden Gleisabschnittes

zugeführt, liefert dieses die Vorhersage der Zuordnung der Restfehler zu einer Qualitätsklasse FKLKi. Auch das supervised Kl-Programm erlaubt nun die Anwendung von Optimierungsverfahren durch Anpassung der Eingangsgrößen Ei vor Beginn der Stopfarbeit, um ein möglichst gutes Ergebnis zu erhalten. Weichen die Ergebnisse der Stopfmaschine von den Vorhersagen ab, kann auch hier auf

Fehlfunktionen geschlossen und ein Service oder Check der Maschine erfolgen.

Fig.12 zeigt ein mögliches Ausführungsbeispiel eines unsupervised Kl-Programms. Das Beispiel basiert auf dem normalisierten Höhenfehler eines bekannten Gleisabschnitts als Eingangssignal, bezeichnet als „Vor der Arbeit“ 1. Das Eingangssignal ist eine Überlagerung einer nicht bekannten Anzahl von periodischen Gleisfehler-Wellensignalen, die jeweils einen Gleishöhenfehler mit

einer charakteristischen Wellenlänge (z.B. \ = 20m) darstellen.

Das Encoder-Netz 2]analysiert das Eingangssignal und unterteilt es in Signalbestandteile, gewichtet nach deren Relevanz für das Gesamtsignal 3. Auf dem Eingangssignal-Abschnitt dominante Wellenlängen (z.B. A = 15m) erhalten eine höhere Gewichtung als Wellenlängen mit einem geringen Beitrag (z.B. X = 120m). Das durch mehrere Schichten des Netzes encodierte Signal wird einerseits direkt an ein Decoder-Netz 4 und parallel dazu an ein weiteres, tiefes neuronales

Netz (Deep Neural Network - DNN) 6 weitergeleitet.

Das Decoder-Netz 4 setzt die einzelnen Signalbestandteile nach deren Gewichtung wieder zusammen und errechnet ein Ausgabesignal. In Schritt 5 wird eine Ausgabe „vor der Arbeit“ generiert, die dem Eingangssignal „vor der Arbeit“ so gut als möglich entsprechen soll. Je größer diese Ausgabe von der ursprünglichen Eingabe abweicht, umso schlechter funktioniert die Encoder-Decoder-Pipeline 3. Dieser Vergleich wird durch eine Kostenfunktion bzw. Bewertungsfunktion abgebildet, die die Differenzen zwischen dem Eingangssignal „vor der Arbeit“ und dem Ausgangssignal „vor der Arbeit“ bildet. Mithilfe dieser Kostenfunktion und der vorab nicht bewerteten Trainingsdaten werden Encoder- und Decoder-Netz trainiert (unüberwachtes Lernen). Die Qualität des Gesamtsystems hängt dabei sehr stark

von der Größe des zur Verfügung stehenden Trainingsdatensatzes ab.

Um eine Prognose des zu erwartenden Höhenfehlers für den gewählten Gleisabschnitt „nach der Arbeit“ zu erhalten, wird das Signal durch das DNN 6 transformiert, bevor es dem Decoder-Netz übergeben wird. In Schritt 7 entsteht eine abgewandelte Repräsentation der Daten, die in Folge an das Decoder-Netz 4 übergeben werden. Das Decoder-Netz errechnet die Prognose des Höhenfehlers

„nach der Arbeit“ als Ausgangssignal 8.

Auch das DNN 6 muss explizit trainiert werden. Der Trainingsdatensatz besteht neben dem Höhenfehler „vor der Arbeit“ noch aus den aufgezeichneten Ergebnissen, also den Resthöhenfehlern „nach der Arbeit“. Diese Resthöhenfehler repräsentieren das „Expertenwissen“, auf Basis dessen das DNN trainiert werden kann (überwachtes Lernen). Aus den gesamten zur Verfügung stehenden Trainingsdatensätzen wird ein Teil (5%-10%) ausgespart, der zur Validierung des

DNN verwendet wird und somit die Qualität der Prognose widerspiegelt.

Wendet man das System in der Praxis an, so kann man bei gegebener Höhenfehlerlage eines Gleisabschnitts das zu erwartende Ergebnis der Bearbeitung durch eine Stopfmaschine vorab errechnen. Die Diskrepanz des Ergebnisses der Bearbeitung zum prognostizierten Ergebnis gibt Aufschluss über sich abzeichnende

Probleme der Stopfmaschine.

Claims (5)

(345268.4) HEL Patentansprüche

1. Verfahren zur Ermittlung voraussichtlicher Restfehler einer mit mindestens einer gleisfahrbaren Gleisstopfmaschine zu korrigierenden Lage eines Gleises nach erfolgter Korrektur, wobei die Hebe- Richtaggregate und Stopfaggregate aufweisende Gleisstopfmaschine nach einem Gleislageberichtigungsverfahren arbeitet und Stopfeinsätzen zugeordnete Eingangsgrößen (Ei) sowie Ausgangsgrößen (Fi) in einer Datenbank speichert, wobei zunächst ein unsupervised Künstliche Intelligenz Programm (US-KI) einer Gleisstopfmaschine mit gespeicherten Eingangsgrößen (Ei) und gespeicherten Ausgangsgrößen (Fi) vorangegangener Stopfeinsätze trainiert wird, wonach in das trainierte unsupervised Künstliche Intelligenz Programm (US-KI-T) vor der Durchführung einer Stopfarbeit, Gleislageparametern eines zu korrigierenden Gleises eingelesen werden und das unsupervised Künstliche Intelligenz Programm (US-KI-T) vor der Durchführung einer Stopfarbeit die nach Durchführung der Stopfarbeit vorliegenden Restfehler

(FKi) vorherberechnet.

2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass das unsupervised Künstliche Intelligenz Programm (US-KI-T) einen Vertrauensbereich der Vorhersage der Restfehler (FKi) als Toleranzband (FTOLKi) bestimmt, wobei die Breite des Toleranzbandes (FTOLK:) als Qualitätsmaß für die Arbeitsgenauigkeit

und den Verschleiß der Stopfmaschine dient.

3. Verfahren zur Ermittlung voraussichtlicher Restfehler einer mit mindestens einer gleisfahrbaren Gleisstopfmaschine zu korrigierenden Lage eines Gleises nach erfolgter Korrektur, wobei die Hebe- Richtaggregate und Stopfaggregate aufweisende Gleisstopfmaschine nach einem Gleislageberichtigungsverfahren

arbeitet und Stopfeinsätzen zugeordnete Eingangsgrößen (Ei) sowie

4. Verfahren nach Anspruch 3, dadurch gekennzeichnet, dass das supervised

Künstliche Intelligenz Programm (S-KI-T) einen Vertrauensbereich der Vorhersage der Beurteilungsgrößen (FKLi) bestimmt, wobei die Breite des Vertrauensbereiches als Qualitätsmaß für die Arbeitsgenauigkeit und den Verschleiß der Stopfmaschine

dient.

5. Verfahren zur Ermittlung voraussichtlicher Restfehler einer mit mindestens einer gleisfahrbaren Gleisstopfmaschine zu korrigierenden Lage eines Gleises nach erfolgter Korrektur, wobei die Hebe- Richtaggregate und Stopfaggregate aufweisende Gleisstopfmaschine nach einem Gleislageberichtigungsverfahren arbeitet und Stopfeinsätzen zugeordnete Eingangsgrößen (Ei) sowie Ausgangsgrößen (FBi) belastet durch Zugsverkehr nach Stopfeinsätzen in einer Datenbank speichert, wobei zunächst ein unsupervised Künstliche Intelligenz Programm (US-KI-DH) einer Gleisstopfmaschine mit gespeicherten Eingangsgrößen (Ei) und gespeicherten belasteten Ausgangsgrößen (FBi) vorangegangener Stopfeinsätze trainiert wird, wonach in das trainierte unsupervised Künstliche Intelligenz Programm (US-KI-DH-T) vor der Durchführung einer Stopfarbeit, Gleislageparametern eines zu korrigierenden Gleises eingelesen werden und das unsupervised Künstliche Intelligenz Programm (US-KI-DH-T) vor der Durchführung einer Stopfarbeit die nach Durchführung der Stopfarbeit

vorliegenden belasteten Restfehler (FBKi) vorherberechnet.

Arbeitsgenauigkeit und den Verschleiß der Stopfmaschine dient.