Automatische Detektion von Störeinflüssen im Monitoring von Bahnlärm unter Anwendung von KI (ADSiM)
Um die Klimaziele zu erreichen ist es zwingend notwendig, den Verkehr in großem Ausmaß von der Straße auf die Schiene zu verlagern. Mit diesem vermehrten Bahnaufkommen erhöhen sich allerdings auch die Lärmemissionen und -immissionen und die damit verbundenen negativen Auswirkungen auf Gesundheit und Wohlergehen von Mensch und Umwelt. Zudem gewinnen akustische Effekte wie etwa Flachstellen, Bogen- und Bremsgeräusche zunehmend an Bedeutung.
In Österreich sind bereits drei acramos® Messstellen am Streckennetz der ÖBB Infrastruktur AG im Einsatz, mit welchen eine achsgenaue Zuordnung der Lärmemissionen möglich ist. Ein Postprocessing der akustischen Messdaten kann aufgrund der zu erwartenden Menge nicht von Experten bewältigt werden.
Ziel dieses Projekts ist es deshalb, durch den Einsatz von Künstliche Intelligenz (KI) folgende Aufgaben zu automatisieren:
Fremdgeräusche (Hintergrundgeräusche ohne Bahnbezug. Eine vollautomatische Identifizierung sowohl fehlerhafter Sensoren und Anschlüsse als auch Flachstellen, Bogengeräusche, Bremsgeräusche sowie Fremdgeräusche mittels eines einzigem KI-Workflow, geht weit über in der Fachliteratur verfügbare oder am Markt erhältliche Lösungen hinaus. Ein dermaßen kontinuierliches und auf KI aufbauendes Bahnlärm-Monitoring ermöglicht es, Rollmaterial mit hoher Lärmbelastung automatisch zu identifizieren, welches dann umgehend gemeldet und aus dem Verkehr gezogen werden kann. Zudem erlaubt es eine vorausschauende Wartung der Sensorik und eine automatisierte Klassifizierung von belastbaren und vertrauenswürdigen Daten.
Als Methodik werden verschiedenen KI-Algorithmen aus der Sparte des Überwachten Lernens angewandt. Das acramos® Archiv verfügt über eine große Anzahl an gelabelten Datensätzen, welche als Trainingsdaten verwendet werden können, um die oben angeführten akustischen Auffälligkeiten sowie unauffälliges Rollmaterial zu identifizieren. Die so trainierten Klassifikatoren werden auf ungelabelte Datensätze angewandt, um Fremdgeräusch zu identifizieren, welche dann in den KI-Workflow integriert werden. Der finale der KI-Workflow wird in die acramos® Software implementiert und Messungen vor Ort an den Messtationen durchgeführt, um den laufenden Betrieb der KI-Algorithmen zu evaluieren.


Senior Lecturer/Researcher
Team und Besetzung
Projektleitung:
- Matthias Blaickner
Projektmitarbeiter*innen:
- Georg Brandmayr
- Isabel Dregely
- Patrick Link
- Elias Marcon