Die Erfindung bezieht sich auf ein Verfahren zur Diagnose und Überwachung von Fahrzeugen, Fahrzeugkomponenten, Fahrwegen sowie Fahrwegkomponenten, insbesondere für Schienenfahrzeuge und Infrastrukturen von Schienenfahrzeugen, wobei mittels zumindest eines ersten Sensors Messungen durchgeführt werden und mittels zumindest einer Recheneinheit eine

Signalverarbeitung erfolgt.

Fahrzeuge, insbesondere Schienenfahrzeuge müssen eine hohe Fahrsicherheit aufweisen. Eine genaue Einschätzung und

Vorhersage von technischen Zuständen von Fahrzeugen,

Fahrwerken, Fahrwegen und weiteren Fahrzeug- sowie

Infrastrukturkomponenten ist daher wichtig.

Weiterhin bedeutend ist eine effektive und effiziente Wartung und Instandhaltung von Fahrzeugen und Infrastrukturen.

Aus dem Stand der Technik ist die DE 101 63 148 Al bekannt, welche ein Überwachungs- und Diagnoseverfahren für ein

Schienenfahrzeug zeigt, wobei Betriebsparameter des

Schienenfahrzeugs erfasst und zur Charakterisierung eines Fahrverhaltens des Schienenfahrzeugs die Betriebsparameter einer Überwachungshierarchie zugeführt werden.

Der genannte Ansatz weist in seiner bekannten Form den

Nachteil auf, dass zwar Messsignale mittels statistischer Verfahren ausgewertet werden, jedoch keine Bewertungen oder Prognosen von Auswertungsergebnissen unter Einsatz

statistischer Methoden ersichtlich sind.

Der Erfindung liegt daher die Aufgabe zugrunde, ein gegenüber dem Stand der Technik weiterentwickeltes, besonders

zuverlässiges Verfahren anzugeben.

Erfindungsgemäß wird diese Aufgabe gelöst mit einem Verfahren der eingangs genannten Art, bei dem der zumindest einen Recheneinheit zumindest gemessene erste Signale zugeführt werden,

bei dem aus den zumindest ersten Signalen zumindest ein erster Kennwert gebildet wird,

bei dem der zumindest erste Kennwert oder zumindest eine erste Kennwertkombination mittels zumindest eines ersten statistischen Modells klassifiziert wird oder eine Prädiktion auf Grundlage des zumindest ersten Kennwerts oder der zumindest ersten Kennwertkombination durchgeführt wird, und bei dem zumindest ein technischer erster Zustandsindikator bezüglich zumindest einer ersten Fahrzeugkomponente oder zumindest einer Fahrwegkomponente aus zumindest einem

Klassifikationsergebnis oder aus zumindest einem

Prädiktionsergebnis bestimmt wird.

Dadurch wird eine besonders sichere Detektion von Schäden sowie eine effektive, zustandsorientierte Wartung und

Instandhaltung von Fahrzeugen und Infrastrukturen erzielt, wobei von einer tolerablen bzw. vernachlässigbaren Anzahl an Fehlalarmen auszugehen ist.

Dies wird dadurch bewirkt, dass bei dem erfindungsgemäßen Verfahren eine Klassifikation oder eine Prädiktion von

Kennwerten oder Kombinationen aus unterschiedlichen

Kennwerten mittels statistischer Modelle durchgeführt wird. Das bedeutet, dass z.B. fehlerhafte oder fehlerfreie Zustände bzw. ein fehlerhaftes oder fehlerfreies Verhalten einer Fahrzeugkomponente (z.B. eines Dämpfers) oder einer

Fahrwegkomponente (z.B. eines Gleises) nicht mehr anhand von starren Grenzwerten detektiert werden müssen bzw. muss, sondern dass beispielsweise Grenzwerte oder Grenzwertverläufe etc. in Abhängigkeit von Betriebsbedingungen eines Fahrzeugs oder einer Infrastruktur, eines Ausfallsverhaltens einer Fahrzeug- oder Infrastrukturkomponente o.ä. anpassbar sind. Zustandsindikatoren können dabei z.B. aus

Häufigkeitsverteilungen von Klassifikationsergebnissen oder von Prädiktionsergebnissen bestimmt werden. Eine vorteilhafte Ausgestaltung erhält man, wenn das

zumindest erste statistische Modell mittels einer Methode maschinellen Lernens gebildet wird.

Durch diese Maßnahme wird mit zunehmender Menge an erfassten Betriebsdaten eine laufende Zuverlässigkeitsverbesserung bzw. -Steigerung des erfindungsgemäßen Verfahrens in Bezug auf eine Detektion und eine Bewertung technischer Zustände erzielt, da das erste statistische Modell auf Grundlage der Betriebsdaten trainiert wird und somit Fehlerzustände von fehlerfreien Zuständen mit zunehmender Zeit immer besser unterschieden werden können.

Es ist vorteilhaft, wenn das zumindest erste statistische Modell auf Grundlage einer Ausgleichungsrechnung gebildet wird .

Zur Klassifikation und/oder Prädiktion von Kennwerten sind somit im Zusammenhang mit dem erfindungsgemäßen Verfahren verschiedene statistische Modelle verfügbar, welche auch miteinander kombiniert werden können. Es ist also

beispielsweise nicht nur möglich, momentane Fehlerzustände zu detektieren, sondern auch Fehlerzustände durch Interpolation oder Extrapolation abzuschätzen, ein Erreichen von

Betriebsgrenzmaßen vorherzusagen etc.

Eine günstige Lösung wird erreicht, wenn dem zumindest ersten Zustandsindikator ein erster Wahrscheinlichkeitswert für ein Eintreten eines durch das zumindest eine

Klassifikationsergebnis oder das zumindest eine

Prädiktionsergebnis zu indizierenden technischen Zustands zugeordnet wird.

Durch diese Maßnahme werden Risiken in Bezug auf Fehlalarme weiter reduziert, da eine Detektion von Fehlerzuständen nicht nur auf Basis von Grenzwerten bzw. Grenzwertverläufen, sondern auch auf Grundlage von Wahrscheinlichkeiten für

Verletzungen dieser Grenzwerte oder dieser Grenzwertverläufe etc. vorgenommen werden kann. Diese Wahrscheinlichkeiten können z.B. auf Grundlage von Häufigkeiten der genannten Verletzungen gebildet werden.

Es ist weiterhin günstig, wenn aus Signalen von eins bis nl Signalkategorien und daraus ermittelten eins bis n2

Kennwerten eins bis n3 Zustandsindikatoren mit eins bis n4 Wahrscheinlichkeitswerten gebildet werden, wobei jedem der eins bis n3 Zustandsindikatoren einer der eins bis n4

Wahrscheinlichkeitswerte zugeordnet wird und aus den eins bis n4 Wahrscheinlichkeitswerten ein Kombinations- Zustandsindikator mit einem zugeordneten Kombinations- Wahrscheinlichkeitswert gebildet wird.

Der Kombinations-Zustandsindikator kann dabei beispielsweise mittels eines probabilistischen graphischen Modells gebildet werden .

Durch Einsatz von mehr als einem Zustandsindikator können technische Zustände mit besserer Qualität bewertet werden. Weist beispielsweise der erste Zustandsindikator bzw. eine erste Zustandsindikation mit einem hohen ersten

Wahrscheinlichkeitswert auf einen Fehler der ersten

Fahrzeugkomponente hin und drückt ein zweiter

Zustandsindikator bzw. eine zweite Zustandsindikation mit einem geringen zweiten Wahrscheinlichkeitswert einen Fehler einer zweiten Fahrzeugkomponente aus, so kann die erste

Zustandsindikation mittels der zweiten Zustandsindikation (und umgekehrt) plausibilisiert und abgesichert werden.

Eine vorteilhafte Ausgestaltung erhält man, wenn Daten aus zumindest einem Verfahrensschritt in einer bordeigenen

Diagnose- und/oder Überwachungseinrichtung eines Fahrzeugs eingesetzt werden. Beispielsweise können Kennwerte oder

Zustandsindikatoren eingesetzt werden.

In der bordeigenen Diagnose- und/oder Überwachungseinrichtung können eine weitere Auswertung und/oder eine Bildung von Warnereignissen, Status- bzw. Fehlerausgaben etc. erfolgen. Diese können beispielsweise als optische und/oder akustische Warnhinweise und/oder Statusinformationen bzw. Überwachungs- und/oder Diagnoseinformationen in einem Führerstand des Fahrzeugs ausgegeben werden.

Es ist jedoch auch günstig, wenn Daten aus zumindest einem Verfahrensschritt an eine infrastrukturseitige Einrichtung übertragen werden.

Durch diese Maßnahme kann eine landseitige Auswertung von Kennwerten, Zustandsindikatoren etc. erfolgen (z.B. in einem Wartungsstand) , wobei Daten ganzer Fahrzeugflotten

zusammengeführt und miteinander verglichen werden können.

Nachfolgend wird die Erfindung anhand von

Ausführungsbeispielen näher erläutert.

Es zeigen beispielhaft:

Fig. 1: Ein Flussdiagramm zu einer beispielhaften

Ausführungsvariante eines

erfindungsgemäßen Verfahrens, Fig . 2 : Ein Ergebnisdiagramm mit mittels einer

Support Vector Machine - Methode

bestimmten Klassifikationsergebnissen zu einer beispielhaften Ausführungsvariante des erfindungsgemäßen Verfahrens, und

Fig. 3: Ein Schienenfahrzeug mit Sensoren, einer

Recheneinheit und einer

Datenübertragungseinrichtung zur

Durchführung des erfindungsgemäßen

Verfahrens .

Eine in Fig. 1 schematisch dargestellte, beispielhafte

Ausführungsvariante eines erfindungsgemäßen, teilweise computerimplementierten Verfahrens ist in einer Recheneinheit 10, welche in einem Wagenkasten 21 eines in Fig. 3

dargestellten Schienenfahrzeugs angeordnet ist,

implementiert .

Auf einem Fahrwerksrahmen 22 eines Fahrwerks 23 des

Schienenfahrzeugs ist ein erster Sensor 1 vorgesehen, welcher Beschleunigungen des Fahrwerksrahmens 22 misst, d.h. als Beschleunigungssensor ausgeführt ist. Weiterhin ist ein als Temperatursensor ausgeführter zweiter Sensor 2 mit einem Dämpfer 24 des Fahrwerks 23 verbunden und ist ein als

Dehnungsmessstreifen ausgebildeter dritter Sensor 3 auf einer Feder 28 des Fahrwerks 23 angeordnet.

Der zweite Sensor 2 misst Dämpfertemperaturen, der dritte Sensor 3 Verformungen der Feder 28.

Der erste Sensor 1, der zweite Sensor 2 und der dritte Sensor 3 führen laufend Messungen durch.

Der erste Sensor 1, der zweite Sensor 2, der dritte Sensor 3 und die Recheneinheit 10 sind über eine nicht dargestellte Stromversorgungseinrichtung mit Elektrizität versorgt.

In der Recheneinheit 10, welche mit dem ersten Sensor 1, dem zweiten Sensor 2 und dem dritten Sensor 3 verbunden ist, erfolgt eine laufende Signalverarbeitung 11 und Auswertung von laufend erfassten ersten Signalen 4 des ersten Sensors 1, von zweiten Signalen 5 des zweiten Sensors 2 und von dritten Signalen 6 des dritten Sensors 3.

Weiterhin werden in Auswertevorgänge der Recheneinheit 10 bereits vorverarbeitete Referenzsignale einbezogen, d.h.

zeitlich vor den ersten Signalen 4 aufgezeichnete und

verarbeitete erste Referenzsignale, zeitlich vor den zweiten Signalen 5 aufgezeichnete und verarbeitete zweite

Referenzsignale sowie zeitlich vor den dritten Signalen 6 aufgezeichnete und verarbeitete dritte Referenzsignale. Die Signalverarbeitung 11 umfasst eine Speicherung der ersten Signale 4, der zweiten Signale 5 und der dritten Signale 6 sowie deren Vorbereitung auf die Auswertevorgänge.

Bei den ersten Signalen 4 und den ersten Referenzsignalen handelt es sich um Beschleunigungssignale des

Fahrwerksrahmens 22, bei den zweiten Signalen 5 und den zweiten Referenzsignalen um Temperatursignale des Dämpfers 24, bei den dritten Signalen 6 und den dritten

Referenzsignalen um Verformungssignale der Feder 28.

Aus den ersten Signalen 4 werden erste Kennwerte, aus den zweiten Signalen 5 zweite Kennwerte und aus den dritten

Signalen 6 dritte Kennwerte gebildet (Kennwertbestimmung 12). Zeitlich vor den ersten Kennwerten, den zweiten Kennwerten und den dritten Kennwerten werden aus den ersten

Referenzsignalen erste Referenzkennwerte 7, aus den zweiten Referenzsignalen zweite Referenzkennwerte 8 und aus den dritten Referenzsignalen dritte Referenzkennwerte 9 gebildet. Bei den ersten Kennwerten, den zweiten Kennwerten, den dritten Kennwerten, den ersten Referenzkennwerten 7, den zweiten Referenzkennwerten 8 und den dritten

Referenzkennwerten 9 handelt es sich um statistische

Kennwerte, in dieser beispielhaften Ausführungsvariante eines erfindungsgemäßen Verfahrens um Mittelwerte aus

Beschleunigungs- , Dämpfertemperatur- und

Federverformungsverläufen. Erfindungsgemäß ist es jedoch auch möglich, dass als statistische Kennwerte Minima, Maxima etc. gebildet werden.

Die statistischen Kennwerte beziehen sich auf definierte Wegabschnitte bzw. den Wegabschnitten über einen Zusammenhang mit einer Fahrgeschwindigkeit des Schienenfahrzeugs

zuordenbare Zeitabschnitte. Über diese Weg- bzw.

Zeitabschnitte sind die Kennwerte den Referenzkennwerten zugeordnet, d.h. die ersten Kennwerte sind auf dieselben Weg- und Zeitabschnitte wie die ersten Referenzkennwerte 7

bezogen, die zweiten Kennwerte auf dieselben Weg- und Zeitabschnitte wie die zweiten Referenzkennwerte 8 und die dritten Kennwerte auf dieselben Weg- und Zeitabschnitte wie die dritten Referenzkennwerte 9.

Die ersten Kennwerte, die zweiten Kennwerte und die dritten Kennwerte werden in ein erstes statistisches Modell 15, ein zweites statistisches Modell 16 sowie in weitere statistische Modelle, welche in der Recheneinheit 10 implementiert sind, eingesetzt und mittels dieser statistischen Modelle laufend klassifiziert und prädiziert (Klassifikation 13 und

Prädiktion 14 ) .

Das erste statistische Modell 15 und das zweite statistische Modell 16 werden mittels einer Methode maschinellen Lernens, der sogenannten Support Vector Machine gebildet.

Die Methode der Support Vector Machine ist aus dem Stand der Technik bekannt und wird für diese beispielhafte

Ausführungsvariante eines erfindungsgemäßen Verfahrens in einer linearen binären Variante eingesetzt, um Kennwerte bzw. Kennwertkombinationen zu klassifizieren.

Das erste statistische Modell 15 wird aus den ersten

Referenzkennwerten 7 sowie den zweiten Referenzkennwerten 8 und das zweite statistische Modell 16 aus den ersten

Referenzkennwerten 7 sowie den dritten Referenzkennwerten 9 gebildet bzw. trainiert. Die ersten Referenzkennwerte 7, die zweiten Referenzkennwerte 8 und die dritten Referenzkennwerte 9 fungieren also als Lerndaten für das erste statistische Modell 15 und das zweite statistische Modell 16.

Es ist beispielsweise aus einer vergangenen Beobachtung des Dämpfers 24 bekannt, dass, wenn der Fahrwerksrahmen 22 über längere Zeit, d.h. mit einer beobachteten Häufigkeit eine Beschleunigung in einem definierten ersten

Beschleunigungsintervall und der Dämpfer 24 über längere Zeit, d.h. mit einer beobachteten Häufigkeit eine Temperatur innerhalb eines definierten ersten Temperaturintervalls aufweisen, ein fehlerfreier Zustand des Dämpfers 24 vorliegt. Weiterhin ist aus der vergangenen Beobachtung des Dämpfers 24 bekannt, dass, wenn der Fahrwerksrahmen 22 über längere Zeit, d.h. mit einer beobachteten Häufigkeit eine Beschleunigung in einem definierten zweiten Beschleunigungsintervall und der Dämpfer 24 über längere Zeit, d.h. mit einer beobachteten Häufigkeit eine Temperatur innerhalb eines definierten zweiten Temperaturintervalls aufweisen, ein Schaden bzw. ein defekter oder fehlerhafter Zustand des Dämpfers 24 vorliegt.

Die Beschleunigungsintervalle und die Temperaturintervalle, welche einen fehlerhaften oder fehlerfreien Zustand des

Dämpfers 24 angeben, können sich in Abhängigkeit des

Betriebsverhaltens des Schienenfahrzeugs ändern. Wesentlich ist, dass der Dämpfer 24 beobachtet wird und dabei

Beschleunigungsintervalle und Temperaturintervalle mit fehlerhaften oder fehlerfreien Zuständen des Dämpfers 24 in Verbindung gebracht werden.

Das erste statistische Modell 15 ist auf Grundlage von

Kennwertkombinationen bzw. Referenzkennwertkombinationen gebildet, d.h. örtlich und zeitlich miteinander korrelierende Paarungen aus ersten Referenzkennwerten 7 und zweiten

Referenzkennwerten 8 geben, je nachdem, ob sie in dem ersten Beschleunigungsintervall oder in dem zweiten

Beschleunigungsintervall bzw. in dem ersten

Temperaturintervall oder in dem zweiten Temperaturintervall liegen, günstige oder ungünstige Zustände des Dämpfers 24 an.

Referenzkennwertkombinationen, welche einen günstigen

Dämpferzustand anzeigen (d.h. Paarungen aus ersten

Referenzkennwerten 7 und zweiten Referenzkennwerten 8, welche in dem ersten Beschleunigungsintervall und dem ersten

Temperaturintervall liegen) , definieren einen ersten

Zustandsbereich 25, welcher unterhalb einer Trenngeraden 27 liegt, einen ungünstigen Dämpferzustand anzeigende

Referenzkennwertkombinationen (d.h. Paarungen aus ersten Referenzkennwerten 7 und zweiten Referenzkennwerten 8, welche in dem zweiten Beschleunigungsintervall und dem zweiten

Temperaturintervall liegen) einen zweiten Zustandsbereich 26, welcher oberhalb der Trenngeraden 27 liegt. Der erste

Zustandsbereich 25, der zweite Zustandsbereich 26 und die Trenngerade 27, welche in Fig. 2 in Diagrammform dargestellt sind, sind über Vektoren lokalisierbar.

Die Trenngerade 27 wird aus den Referenzwertkombinationen in einer Weise gebildet, so dass Normalabstände von der

Trenngeraden 27 zu den Referenzkennwertkombinationen des ersten Zustandsbereichs 25 mathematisch negativ sind und Normalabstände von der Trenngeraden 27 zu den

Referenzkennwertkombinationen des zweiten Zustandsbereichs 26 mathematisch positiv sind. Eine entsprechende

Bildungsvorschrift für die Trenngerade 27 ist aus dem Stand der Technik bekannt und ist beispielsweise in Ethem A.,

Introduction to Machine Learning, Third Edition, The MIT Press Cambridge, Massachusetts, London, England, 2014

beschrieben .

In dieser beispielhaften Ausführungsvariante eines

erfindungsgemäßen Verfahrens ist zusätzlich vorgesehen, statistische Modelle nur auf Basis einer

Referenzkennwertkategorie (z.B. auf Grundlage der zweiten Referenzkennwerte 8 und ihrem zeitlichen Verhalten o.ä.) zu trainieren, d.h. keine Referenzkennwertkombinationen zu verwenden. Dadurch können Dämpferzustände auch dann

eingeschätzt werden, wenn z.B. auf von Sensordefekten nur eine Referenzkennwertkategorie verfügbar ist.

Das zweite statistische Modell 16 wird nach jenem oben beschriebenen Schema gebildet, welches auch zur Bildung des ersten statistischen Modells 15 eingesetzt wird. Zur Bildung des zweiten statistischen Modells 16 werden jedoch

Beschleunigungen und Beschleunigungsintervalle des

Fahrwerksrahmens 22 in Kombination mit Verformungen und

Verformungsintervallen der Feder 28 eingesetzt. Mittels des ersten statistischen Modells 15 und des zweiten statistischen Modells 16 wird die Klassifikation 13 von

Kennwerten durchgeführt.

Dabei werden aus den ersten Kennwerten und den zweiten

Kennwerten gebildete erste Kennwertkombinationen in

Abhängigkeit ihrer Lage bezüglich der Trenngerade 27 dem ersten Zustandsbereich 25 oder dem zweiten Zustandsbereich 26 des ersten statistischen Modells 15 zugeordnet.

Aus den ersten Kennwerten und den dritten Kennwerten

gebildete zweite Kennwertkombinationen werden nach selbem Schema entsprechenden Zustandsbereichen des zweiten

statistischen Modells 16 zugeordnet.

In dieser beispielhaften Ausführungsvariante eines

erfindungsgemäßen Verfahrens ist zusätzlich vorgesehen, die Klassifikation 13 nicht nur auf Basis von

Kennwertkombinationen, sondern auch auf Grundlage einzelner Kennwerte (z.B. der zweiten Kennwerte und ihrem zeitlichen Verhalten) durchzuführen. Hierzu werden beispielsweise die zweiten Kennwerte in jenes statistische Modell eingesetzt, das mittels der zweiten Referenzkennwerte 8 ohne Einsatz von Referenzkennwertkombinationen gebildet ist.

Mittels weiterer statistischer Modelle auf Basis einer

Ausgleichungsrechnung erfolgt die Prädiktion 14 auf Grundlage von Kennwerten. Hierfür sind aus dem Stand der Technik bekannte, lineare Regressionsfunktionen vorgesehen bzw. in der Recheneinheit 10 implementiert. Diese

Regressionsfunktionen werden aus den ersten Kennwerten, den zweiten Kennwerten und den dritten Kennwerten mittels aus dem Stand der Technik bekannter Bildungsvorschriften gebildet und dazu verwendet, um Interpolationen oder Extrapolationen auf Basis der Kennwerte vorzunehmen.

Beispielsweise werden Regressionen der zweiten Kennwerte und der ersten Kennwertkombinationen in Abhängigkeit der

Fahrgeschwindigkeit durchgeführt, um einen funktionellen Zusammenhang zwischen den zweiten Kennwerten und den ersten Kennwertkombinationen einerseits und der Fahrgeschwindigkeit andererseits bilden zu können. Dadurch können beispielsweise Maximal-Fahrgeschwindigkeiten bestimmt werden, bis zu welchen der Dämpfer 24 betrieben werden kann, ohne dass frühzeitig übermäßiger Verschleiß etc. eintritt.

Aus Häufigkeitsverteilungen von Klassifikationsergebnissen und Prädiktionsergebnissen werden folglich laufend

Zustandsindikatoren bestimmt (Indikatorenbestimmung 17).

Bei Klassifikationsergebnissen handelt es sich in dieser beispielhaften Ausführungsvariante eines erfindungsgemäßen Verfahrens um Zuordnungen von Kennwerten bzw.

Kennwertkombinationen zu Zustandsbereichen von statistischen Modellen .

Prädiktionsergebnisse sind z.B. Prognosen von mittleren

Dämpfertemperaturen in Abhängigkeit der Fahrgeschwindigkeit.

Ein erster Zustandsindikator wird dadurch gebildet, dass eine Anzahl von dem zweiten Zustandsbereich 26 zugeordneten ersten Kennwertkombinationen auf eine Gesamtzahl von ersten

Kennwertkombinationen bezogen, d.h. damit ins Verhältnis gesetzt wird. Daraus wird ein erster Wahrscheinlichkeitswert gebildet, welcher eine Aussage darüber gibt, wie

wahrscheinlich ein Dämpferdefekt ist. Der erste

Zustandsindikator enthält also eine Information „Dämpfer defekt" mit einer zugeordneten Wahrscheinlichkeit für diesen Dämpferdefekt .

Nach selbem Schema wird bezüglich der zweiten

Kennwertkombination ein zweiter Zustandsindikator betreffend einen Federdefekt mit einem zugeordneten zweiten

Wahrscheinlichkeitswert gebildet .

Weitere Zustandsindikatoren werden nach gleichem Schema aus den zweiten Kennwerten bzw. deren Zuordnung zu

Zustandsbereichen in mittels der zweiten Referenzkennwerte 8 ohne Einsatz von Referenzkennwertkombinationen gebildeten statistischen Modellen gebildet. Zustandsindikatoren aus Prädiktionsergebnissen werden

gebildet, indem einer extrapolierten mittleren

Dämpfertemperatur eine Vertrauenswahrscheinlichkeit

zugewiesen wird, welche in Abhängigkeit einer

Auftretenshäufigkeit von in einem definierten Toleranzbereich liegenden, extrapolierten mittleren Dämpfertemperaturen bestimmt wird. Zustandsindikatoren aus Prädiktionsergebnissen geben somit u.a. Prognosen über einen Zustand des Dämpfers 24 (z.B. eine Prognose, wonach hoher Verschleiß des Dämpfers 24 bei Betrieb oberhalb einer bestimmten Fahrgeschwindigkeit und eine Lebensdauerreduktion des Dämpfers 24 erwartbar sind) oder einer anderen Komponente mit zugeordneter

Vertrauenswahrscheinlichkeit an.

Weiterhin wird eine laufende Indikatorenkombination 18 derart durchgeführt, dass aus Signalen von eins bis nl = 3

Signalkategorien (erste Signale 4, zweite Signale 5, dritte Signale 6) und daraus ermittelten eins bis n2 = 3 Kennwerten (erste Kennwerte, zweite Kennwerte, dritte Kennwerte; n2 ist größer oder gleich nl) eins bis n3 = 2 Zustandsindikatoren (erster Zustandsindikator, zweiter Zustandsindikator) mit eins bis n4 = 2 Wahrscheinlichkeitswerten (erster

Wahrscheinlichkeitswert, zweiter Wahrscheinlichkeitswert) gebildet werden (siehe oben), wobei jedem der eins bis n3 = 2 Zustandsindikatoren einer der eins bis n4 = 2

Wahrscheinlichkeitswerte zugeordnet wird (siehe oben) und aus den eins bis n4 = 2 Wahrscheinlichkeitswerten ein

Kombinations-Zustandsindikator mit einem zugeordneten

Kombinations-Wahrscheinlichkeitswert P _K gebildet wird.

Dazu wird jeder der eins bis n4 = 2 Wahrscheinlichkeitswerte aus einer Häufigkeit eines spezifischen

Klassifikationsergebnisses bezogen auf eine Gesamtzahl von Klassifikationsergebnissen gebildet (siehe oben) und der Kombinations-Wahrscheinlichkeitswert P _K als bedingte

Wahrscheinlichkeit aus den eins bis n4 = 2

Wahrscheinlichkeitswerten gebildet . Der Kombinations-Wahrscheinlichkeitswert P _K wird mittels eines probabilistischen graphischen Modells auf Grundlage einer Methode maschinellen Lernens gebildet.

Es wird hierzu prinzipiell folgende Bildungsvorschrift angewendet :

Der Kombinations-Wahrscheinlichkeitswert P _K wird aus einem ersten Parameter P _DF , welcher eine Wahrscheinlichkeit für eine Indikation eines Fehlers des Dämpfers 24 durch den ersten Zustandsindikator und den zweiten Zustandsindikator bei tatsächlichem Vorliegen eines fehlerhaften Zustands des Dämpfers 24 angibt, aus einem zweiten Parameter P _F , welcher eine Wahrscheinlichkeit für ein tatsächliches Vorliegen eines fehlerhaften Zustands des Dämpfers 24 beschreibt und aus einem dritten Parameter P _D , welcher eine Wahrscheinlichkeit für eine Indikation eines Fehler durch den ersten

Zustandsindikator und den zweiten Zustandsindikator angibt, ermittelt .

Der Kombinations-Wahrscheinlichkeitswert P _K beschreibt eine Wahrscheinlichkeit für ein tatsächliches Vorliegen eines fehlerhaften Zustands des Dämpfers 24 unter einer Bedingung, wonach durch den ersten Zustandsindikator und den zweiten Zustandsindikator ein Fehler indiziert wird.

Zeigt der unmittelbar auf den Dämpfer 24 bezogene erste

Zustandsindikator beispielsweise mit hoher Wahrscheinlichkeit einen Fehler an und wird von dem auf die Feder 28 bezogenen zweiten Zustandsindikator mit geringer Wahrscheinlichkeit auf einen Fehler hingewiesen, so wird der Kombinations- Zustandsindikator mit hoher Wahrscheinlichkeit einen Fehler des Dämpfers 24 indizieren.

Der erste Parameter P _DF , der zweite Parameter P _F und der dritte Parameter P _D werden laufend über Betriebsbeobachtungen angepasst. Beispielsweise wird der zweite Parameter P _F vergrößert, wenn über einen definierten Zeitraum eine erhöhte Häufigkeit eines Dämpferdefekts beobachtet wird. Aus diesen Betriebsbeobachtungen werden Lerndaten für einen

funktionellen Zusammenhang des zweiten Parameters P _F über einer Zeit gebildet, mittels welchem eine Zunahme einer

Ausfallswahrscheinlichkeit des Dämpfers 24 mit zunehmender Einsatzdauer parametriert und das probabilistische graphische Modell trainiert wird.

In diesem beispielhaften Ausführungsbeispiel eines

erfindungsgemäßen Verfahrens ist der erste Zustandsindikator auf eine erste Fahrzeugkomponente (den Dämpfer 24) und der zweite Zustandsindikator auf eine zweite Fahrzeugkomponente (die Feder 28) bezogen. Erfindungsgemäß ist es jedoch auch denkbar, dass sich z.B. sowohl der erste Zustandsindikator als auch der zweite Zustandsindikator auf die erste

Fahrzeugkomponente beziehen. Dies wird beispielsweise dadurch realisiert, dass zwei unterschiedliche Sensoren auf oder in dem Dämpfer 24 vorgesehen sind, welche unterschiedliche

Signale erzeugen (z.B. Temperatursignale und Öldrucksignale etc . ) .

In diesem beispielhaften Ausführungsbeispiel eines

erfindungsgemäßen Verfahrens wird auch ein dritter

Zustandsindikator auf Basis der ersten Kennwerte und der Fahrgeschwindigkeit gebildet, welcher fehlerhafte und

fehlerfreie Zustände eines Gleises, d.h. eines Fahrwegs bzw. einer Fahrwegkomponente indiziert.

Aus Beobachtungen eines Gleisschädigungsverhaltens wird nach oben erläutertem Schema mit Referenzkennwertkombinationen aus Beschleunigungen des Fahrwerksrahmens 22 und

Fahrgeschwindigkeiten ein statistisches Modell mittels einer Support Vector Machine - Methode gebildet, welches

Zustandsbereiche für fehlerhafte und fehlerfreie

Gleiszustände aufweist.

Kennwertkombinationen aus laufend gemessenen Beschleunigungen des Fahrwerksrahmen 22 und gemessenen Fahrgeschwindigkeiten werden den Zustandsbereichen zugeordnet, wodurch eine Klassifikation 13 der Kennwertkombinationen erfolgt. Aus einer Häufigkeitsverteilung entsprechender

Klassifikationsergebnisse wird der dritte Zustandsindikator bestimmt .

Im Verfahrensschritt der Indikatorenkombination 18 gebildete Daten (Daten aus dem ersten Zustandsindikator, dem zweiten Zustandsindikator und dem dritten Zustandsindikator) werden in einer in der Recheneinheit 10 implementierten Diagnose- und Überwachungseinrichtung eingesetzt und dort laufend weiter ausgewertet. Weiterhin werden diese Daten zur weiteren Auswertung über eine in Fig. 3 gezeigte

Datenübertragungseinrichtung 19 des Schienenfahrzeugs auch laufend an einen Wartungsstand, d.h. an eine

infrastrukturseitige Einrichtung übertragen (Datenübertragung 20) .

Fig. 2 zeigt ein Diagramm mit einem ersten Zustandsbereich 25, einem zweiten Zustandsbereich 26 und einer Trenngeraden 27 eines ersten statistischen Modells 15, welche auch im Zusammenhang mit Fig. 1 beschrieben sind, auf Basis einer Support Vector Machine - Methode gebildet werden und über welche technische Zustände eines in Fig. 3 gezeigten Dämpfers 24 bewertbar sind.

Auf einer x-Achse des Diagramms sind Beschleunigungen, auf einer y-Achse Dämpfertemperaturen aufgetragen.

Dem ersten Zustandsbereich 25 sind ein erster Funktionswert 29 und ein zweiter Funktionswert 30 erster

Kennwertkombinationen, welche im Zusammenhang mit Fig. 1 beschrieben sind, zugeordnet.

Dem zweiten Zustandsbereich 26 sind ein dritter Funktionswert 31 und ein vierter Funktionswert 32 erster

Kennwertkombinationen zugeordnet .

Der erste Funktionswert 29, der zweite Funktionswert 30, der dritte Funktionswert 31 und der vierte Funktionswert 32 sind aus ersten Kennwertkombinationen gebildet. Die ersten Kennwertkombinationen sind wiederum aus ersten Kennwerten bezüglich Beschleunigungen eines in Fig. 3 gezeigten

Fahrwerksrahmens 22 und aus zweiten Kennwerten bezüglich Temperaturen des Dämpfers 24 gebildet.

In Bezug auf ein kartesisches Koordinatensystem 33 weisen der erste Funktionswert 29 und der zweite Funktionswert 30 negative y ' -Koordinaten auf und der dritte Funktionswert 31 sowie der vierte Funktionswert 32 positive y ' -Koordinaten .

Der erste Funktionswert 29 und der zweite Funktionswert 30 sind einem günstigen Dämpferzustand, der dritte Funktionswert 31 und der vierte Funktionswert 32 einem ungünstigen Zustand des Dämpfers 24 zugeordnet.

Wie im Zusammenhang mit Fig. 1 beschrieben, wird aus einer Häufung von ungünstigen Dämpferzuständen (z.B. bei einem Auftreten derartiger Zustände mehr als dreimal täglich) ein erster Zustandsindikator gebildet, welcher gegebenenfalls einen Dämpferdefekt indiziert.

Nach jenem in Fig. 2 gezeigten Schema werden auch

Funktionswerte, welche aus zweiten Kennwertkombinationen gebildet sind, entsprechenden Zustandsbereichen eines in Zusammenhang mit Fig. 1 beschriebenen zweiten statistischen Modells 16 zugeordnet. Die zweiten Kennwertkombinationen werden dabei, wie im Zusammenhang mit Fig. 1 erwähnt, aus den ersten Kennwerten sowie aus dritten Kennwerten bezüglich einer Verformung einer in Fig. 3 gezeigten Feder 28 gebildet. Wie im Zusammenhang mit Fig. 1 beschrieben, wird aus einer Häufung von ungünstigen Federzuständen auf Grundlage einer Zuordnung von Beschleunigung-Federverformung-Funktionswerten zu Zustandsbereichen ein zweiter Zustandsindikator gebildet, welcher gegebenenfalls einen Federdefekt indiziert (z.B. bei einem Auftreten derartiger Federzustände mehr als dreimal täglich) .

Erfindungsgemäß ist auch eine Zuordnung der zweiten Kennwerte zu Zustandsbereichen eines weiteren statistischen Modells auf Basis einer Support Vector Machine - Methode vorgesehen.

Dieses weitere statistische Modell wird mit zeitlichen

Verläufen von im Zusammenhang mit Fig. 1 beschriebenen zweiten Referenzkennwerten 8 als Temperatur-Zeit-Zusammenhang gebildet .

Zweite Kennwerte, welche mit zunehmender Zeit zunehmende Temperaturen zweigen, welche über einen definierten Zeitraum oberhalb einer eigens für dieses weitere statistische Modell gebildeten Temperatur-Zeit-Trenngeraden liegen, weisen auf einen Dämpferdefekt oder übermäßigen Dämpferverschleiß hin.

In Fig. 3 ist ein Schienenfahrzeug mit einem Wagenkasten 21 und einem Fahrwerk 23 dargestellt. Das Fahrwerk 23 weist einen Dämpfer 24, bei welchem es sich um einen Primärdämpfer handelt, sowie eine Feder 28, welche als Primärfeder

ausgeführt ist, auf, deren technische Zustände mittels eines im Zusammenhang mit Fig. 1 beschriebenen erfindungsgemäßen Verfahrens ermittelt und bewertet werden.

Auf einem Fahrwerksrahmen 22 des Fahrwerks 23 ist ein erster Sensor 1 zur Messung von Beschleunigungen des

Fahrwerksrahmens 22, d.h. ein Beschleunigungssensor

vorgesehen. Weiterhin ist ein zweiter Sensor 2, welcher als Temperatursensor ausgebildet ist, mit dem Dämpfer 24

verbunden .

Darüber hinaus weist die Feder 28 einen dritten Sensor 3 auf, welcher als Dehnungsmessstreifen ausgebildet ist.

Der erste Sensor 1, der zweite Sensor 2 und der dritte Sensor 3 sind mit einer Recheneinheit 10 in dem Wagenkasten 21

Signal- und stromleitend verbunden.

In einem Dachbereich des Schienenfahrzeugs ist eine

Datenübertragungseinrichtung 19, welche als Funkeinrichtung ausgebildet sowie signal- und stromleitend mit der

Recheneinheit 10 verbunden ist, vorgesehen. Die Datenübertragungseinrichtung 19 weist auch eine als Global Positioning System - Einheit ausgeführte

Ortungsvorrichtung auf.

Die Recheneinheit 10 ist über ein nicht gezeigtes Bordnetz des Schienenfahrzeugs mit Strom versorgt und versorgt ihrerseits den ersten Sensor 1, den zweiten Sensor 2, den dritten Sensor 3 sowie die Datenübertragungseinrichtung 19 mit Elektrizität.

In der Recheneinheit 10 ist ein Computerprogrammprodukt installiert, mittels welchem laufend Verfahrensschritte des erfindungsgemäßen Verfahrens gemäß Fig. 1, d.h. eine

Signalverarbeitung 11, eine Kennwertbestimmung 12, eine

Klassifikation 13, eine Prädiktion 14, eine

Indikatorenbestimmung 17 sowie eine Indikatorenkombination 18, durchgeführt werden.

Aus in der Recheneinheit 10, welche als Diagnose- und

Überwachungseinrichtung des Schienenfahrzeugs fungiert, bestimmten Zustandsindikatoren werden Warnereignisse

gebildet, welche über einen nicht gezeigten Zugbus des

Schienenfahrzeugs an eine Anzeigeeinheit in einem ebenfalls nicht gezeigten Führerstand des Schienenfahrzeugs übertragen und dort als Warnhinweise oder Statusinformationen ausgegeben werden (z.B. zur Anzeige eines Dämpferdefekts oder einer Restlebensdauer des Dämpfers 24) .

Weiterhin werden die Zustandsindikatoren über die

Datenübertragungseinrichtung 19 mittels Funk an eine

infrastrukturseitige Einrichtung, wobei es sich im

Zusammenhang mit dieser beispielhaften Ausführungsvariante einer erfindungsgemäßen Vorrichtung um einen Wartungsstand handelt, zur weiteren Auswertung über eine Fahrzeugflotte übertragen . Liste der Bezeichnungen

1 Erster Sensor

2 Zweiter Sensor

3 Dritter Sensor

4 Erstes Signal

5 Zweites Signal

6 Drittes Signal

7 Erster Referenzkennwert

8 Zweiter Referenzkennwert

9 Dritter Referenzkennwert

10 Recheneinheit

11 Signal _V erarbeitung

12 KennwertbeStimmung

13 Klassifikation

14 Prädiktion

15 Erstes statistisches Modell

1 6 Zweites statistisches Modell

17 Indikatorenbestimmung

1 8 Indikatorenkombination

1 9 Datenübertragungseinrichtung

20 Datenübertragung

21 Wagenkasten

22 Fahrwerksrahmen

23 Fahrwerk

24 Dämpfer

25 Erster Zustandsbereich

2 6 Zweiter Zustandsbereich

27 Trenngerade

2 8 Feder

2 9 Erster Funktionswert

30 Zweiter Funktionswert

31 Dritter Funktionswert

32 Vierter Funktionswert

33 Koordinatensystem

P _K Kombinations-Wahrscheinlichkeitswert PDF Erster Parameter

PF Zweiter Parameter

PD Dritter Parameter