FFG-Success-Story: Verbesserung des Transportsystems zur Erkennung von Cyclic Top

Signifikante Verbesserung der Instandhaltungsstrategien für Bahngleise durch rechtzeitige Erkennung von Cyclic Top.

Zugentgleisungen müssen verhindert werden. Dafür ist es unter anderem entscheidend, Muster von Gleisunregelmäßigkeiten zu analysieren. Ein solches Muster ist der sogenannte Cyclic Top (CT). Dieser Defekt führt allein in Großbritannien jedes Jahr zu 3 bis 6 Entgleisungen. Das Forschungsprojekt In2Smart2 entwickelte einen Algorithmus, der in der Lage ist, CT-Defekte in frühen und fortgeschrittenen Stadien zu erkennen. Dies ermöglicht eine vorausschauende Wartung und verhindert erfolgreich Entgleisungen.

Gleisunregelmäßigkeiten bei langen Wellenlängen

Gleisunregelmäßigkeiten verursachen dynamische Fahrzeugvibrationen. Laufverhalten, Gleisbelastung und Fahrkomfort können nur garantiert werden, wenn es gelingt diese Unregelmäßigkeiten zu überwachen.

Üblicherweise konzentrieren sich Studien auf vertikale Unregelmäßigkeiten gemäß der Europäischen Norm EN13848 im Wellenlängenbereich D1 (3 – 25 m). Lange Wellenlängen (25 – 70 m) haben ein hohes Potenzial, unerwartete Fahrzeugreaktionen auszulösen, werden jedoch häufig bei der Entwicklung neuer Techniken zur leisidentifikation und -erkennung übersehen. Diese Forschungslücke wurde nun mit der Bestimmung des Cyclic Top geschlossen.

Zwei Merkmale zur Klassifizierung von CT-Defekten

Der erste Schritt des Monitorings umfasst die Vorverarbeitung und Vorbereitung der Messdaten für die Analyse. Die zweite Stufe beinhaltet die Definition zweier Merkmale. Schließlich werden in einem dritten Schritt die Merkmale analysiert, indem sie mit vordefinierten Schwellenwerten verglichen werden, um CT zu erkennen und zu klassifizieren.

Die beiden definierten Merkmale werden als „SlopeFeature“ und „AmplitudeFeature“ bezeichnet. Das erste wird verwendet, um sich entwickelnde periodische Defekte bei langen Wellenlängen zu identifizieren, die als CT betrachtet werden können. Das zweite Merkmal, das „AmplitudeFeature“ genannt wird, wird verwendet, um die identifizierten CT-Defekte in verschiedene Entwicklungsphasen zu klassifizieren.

Fazit

Die Fähigkeit, Gleisfehler in ihrer Anfangsphase zu erkennen, ist für Bahnunternehmen und Infrastrukturbetreiber sehr wichtig, da ihnen dies ermöglicht, die Planung der Instandhaltung zu optimieren und somit Störungen des Transportdienstes zu vermeiden.

Im Forschungsprojekt In2Smart2 wurde erfolgreich eine Methode zur Berechnung des SlopeFeatures und des AmplitudenFeatures entwickelt. Diese Werte geben Aufschluss über Gleisschäden im frühen und fortgeschrittenen Stadium.

Project coordination (Story)

Dr. Anna DeRosa

Senior Research

Rail Systems

VIRTUAL VEHICLE Research GmbH

Inffeldgasse 21a

A-8010 Graz

Disclaimer

Virtual Vehicle Research GmbH wird im Rahmen von COMET Competence Centers for Excellent Technologies durch das Österreichische Bundesministerium für Kilmaschutz (BMK), das Österreichische Bundesministerium für Arbeit und Wirtschaft (BMAW), das Land Steiermark (Abt. 12) sowie die Steirische Wirtschaftsförderung (SFG) gefördert. Das Programm wird durch die FFG abgewickelt.

Zurück

BLOG