ConMoRAIL

Im Rahmen dieses Projekts wird eine Methodik zur effizienten Erkennung von Gleisfehlern entwickelt. Diese soll eine intelligente, zustandsorientierte Instandhaltungsplanung unterstützen, um Infrastrukturschäden zu vermeiden, die Sicherheit zu erhöhen und die Instandhaltungskosten zu senken. Das Überwachungssystem soll kostengünstig, bordautonom und genehmigungsfrei sein (es soll keine Sondergenehmigung der deutschen Eisenbahnaufsichtsbehörden benötigen). Es soll auf Fahrzeugen für den Einsatz im Regelbetrieb installiert werden können, so dass eine kontinuierliche Erfassung des Gleiszustandes möglich ist. Durch kontinuierlicher Messungen können wissenschaftliche Methoden zur Bestimmung der Gleisqualität entwickelt werden. Auch die Erkennung und Klassifizierung von Gleisdefekten mithilfe von Machine-Learning-Algorithmen wird dadurch ermöglicht. Zusätzlich wird dasselbe Multisensorsystem synergetisch genutzt, um die identifizierten Defekte effizient zu lokalisieren und räumlich sowie zeitlich zu trennen.

Innerhalb des Projekts konzentriert sich das IIGS zunächst auf die Implementierung eines Algorithmus zur Sensorfusion. Hierbei werden GNSS- und IMU-Messungen unter Verwendung eines Unscented bzw. Extended Kalman Filters miteinander kombiniert. Zusätzlich sollen zeitliche Korrelationen berücksichtigt werden. Ein weiterer Schritt besteht in der Realisierung eines Datenmodells sowie einer relationalen Datenbank auf Basis verfügbarer Kartendaten. Diese digitale Karte wird in den Algorithmus integriert. Zusätzlich sollen die Kartendaten um Informationen aus Zeitplänen sowie Höchst- und Durchschnittsgeschwindigkeiten erweitert werden. Dies ist notwendig, um einen bestimmten Gleisfehler zuverlässig und genau zu lokalisieren sowie sich überlappende Gleisfehler räumlich zu trennen.

Der Schwerpunkt des IEV liegt auf der Detektion und Identifizierung von geometrischen Unregelmäßigkeiten und strukturellen Defekten unter Berücksichtigung des dynamischen Verhaltens des Fahrzeugs und dessen Einfluss auf die gemessenen Signale. Hierbei werden Machine-Learning-Algorithmen sowie dynamische Systeme und Kontrolltheorie eingesetzt, um eine hybride Verarbeitungsmethodik zu entwickeln. Basierend auf den dynamischen Verhaltensweisen werden verschiedene überwachte Lernalgorithmen implementiert, um die Gleisfehler zu erkennen und zu klassifizieren. Dadurch können die Leistung und Ergebnisse der Algorithmen verglichen werden können.

• Institut für Eisenbahn- und Verkehrswesen, Universität Stuttgart
  (https://www.iev.uni-stuttgart.de/)
• Institut für Ingenieurgeodäsie, Universität Stuttgart

Dieses Projekt wird in Kooperation mit der Württembergischen Eisenbahn Gesellschaft (WEG, https://www.weg-bahn.de/) durchgeführt.

April 2023 – März 2026

Fernández-Bobadilla, H.A., Frolow, R., Rodríguez-Bayona, L.T., Zhang, L., Schwieger, V., & Ullrich, M. (2026). Multi-sensor system for efficient in-service vehicle-based track monitoring and fault localization: a case study. Railway Engineering Science. https://doi.org/10.1007/s40534-026-00452-5

Frolow, R., Zhang, L., & Schwieger, V. (2026). Precise Train Positioning with Unscented Kalman Filter and Low-Cost Sensors. IEEE Open Journal of Intelligent Transportation Systems, 7, 304–312. https://doi.org/10.1109/OJITS.2026.3652748

Zhang, L., Frolow, R., & Schwieger, V. (2025). Cost-effective Localization of Railway Track Faults using GNSS Antenna under Train’s Roof. FIG Working Week2025, 6-10 April 2025, Brisbane, Australia. https://www.fig.net/resources/proceedings/fig_proceedings/fig2025/papers/ts07a/TS07A_zhang_frolow_et_al_13005.pdf

Fernández-Bobadilla, H.A., Bouchikhi, Y., & Ullrich, M. (2025). GAN-based data augmentation of time series for fault diagnosis in railway track. Railway Engineering Science. https://doi.org/10.1007/s40534-025-00396-2

Fernández-Bobadilla, H.A., & Ullrich, M. (2024). GAN-based Data Augmentation of Railway Track Irregularities for Fault Diagnosis. International Joint Conference on Neural Networks (IJCNN), Yokohama, Japan, 2024, pp. 1-9, https://doi.org/10.1109/IJCNN60899.2024.10651483

Kim, E., Fernández-Bobadilla, H. A., & Chen, X. (2023). Data Augmentation for Fault Classification of Railway Track Irregularities in Track-Vehicle Scale Model. IEEE SENSORS, Vienna, Austria, 2023, pp. 1-4, https://doi.org/10.1109/SENSORS56945.2023.10324866

Fernández-Bobadilla, H. A., Martin, U. (2023): Modern Tendencies in Vehicle-Based Condition Monitoring of the Railway Track. IEEE Transactions on Instrumentation and Measurement, vol. 72, pp. 1-44, 2023, Art no. 3507344, https://doi.org/10.1109/TIM.2023.3243673

Lerke, O., Bahamon-Blanco, S., Metzner, M., Martin, U., Schwieger, V. (2021): Vorarbeiten zur Entwicklung eines Gleisfehlerdetektionssystems mit Regelzügen und Low-Cost Sensorik. ZfV, Vol. 146, No. 3 (2021). https://doi.org/10.12902/zfv-0339-2021

Das Projekt ist durch die Deutsche Forschungsgemeinschaft unter der Projektnummer 515687155 gefördert