KI‐gestützte Zugtyp‐ und Geschwindigkeitsbestimmung aus Schienenverformungsmessungen

Das strukturelle Monitoring von Eisenbahnbrücken ermöglicht die Erfassung von Bauwerksreaktionen, z. B. während Zugüberfahrten, und kann damit eine datenbasierte Grundlage zur Beurteilung des Tragverhaltens im Betrieb liefern. Eine belastungsabhängige Bewertung dieser Messdaten erfordert jedoch die Kenntnis der maßgebenden Einwirkungen, insbesondere der Überfahrtsgeschwindigkeit und des Zugtyps. In diesem Beitrag wird ein KI‐gestützter Ansatz vorgestellt, der diese Größen automatisiert aus Verformungsmessungen bestimmt. Grundlage sind Intensitätskarten, welche die zeitlich‐räumliche Struktur mehrkanaliger Messungen in zweidimensionale Darstellungen für neuronale Netze überführen. Die Geschwindigkeitsvorhersage erfolgt mittels eines Regressionsmodells, das auf diese Intensitätskarten trainiert wird. Zur Erweiterung der Datenbasis, insbesondere in unterrepräsentierten Geschwindigkeitsbereichen, werden zusätzlich synthetische Intensitätskarten generiert und in das Training integriert. Ergänzend wird ein Klassifikationsansatz zur Identifikation definierter Zugtypen vorgestellt, der auf geometrischen Mustern der Achsfolge basiert. Abschließend werden die Sensitivität der auf der Linienneigung basierenden Geschwindigkeitsbestimmung diskutiert sowie ein Ausblick auf Anwendungen im Bauwerksmonitoring gegeben.

Structural health monitoring of railway bridges enables the recording of structural responses, for example during train passages, thereby providing a data‐driven basis for assessing structural behaviour under operational conditions. A load‐dependent evaluation of these measurements, however, requires knowledge of the governing actions, in particular passage speed and train type. This paper presents an AI‐based approach to automatically determine these parameters from deformation measurements. The method is based on intensity maps that transform the spatio–temporal structure of multichannel measurements into a two‐dimensional image suitable for neural networks. Train passage speed is predicted using a regression model trained on these intensity maps. To enlarge the dataset, particularly in sparsely represented speed ranges, additional synthetic intensity maps are generated and incorporated into the training process. In addition, a classification approach to identify predefined train types based on geometric patterns of axle sequences is presented. Finally, the sensitivity of the slope‐based speed estimation is discussed, and an outlook on applications in bridge monitoring is provided.