Odometrisches Verfahren, insbesondere für ein Schienenfahrzeug oder eine Leitzentrale

Die Erfindung betrifft ein Verfahren zur odometrischen Überwachung (Odometrie) eines Schienenfahrzeugs, bei dem

• mit einem Sensor im Schienenfahrzeug Messwerte aufgenommen werden,

• aus den Messwerten Ortsinformationen und/oder

Geschwindigkeitsinformationen berechnet werden,

Weiterhin betrifft die Erfindung ein Schienenfahrzeug und eine Leitzentrale, das/die ausgerüstet ist, dieses Verfahren

auszuführen .

Zuletzt betrifft die Erfindung ein Computerprogrammprodukt sowie eine Bereitstellungsvorrichtung für dieses

Computerprogrammprodukt, wobei das Computerprogrammprodukt mit Programmbefehlen zur Durchführung dieses Verfahrens ausgestattet ist .

Die Odometrie im Sinne dieser Erfindung ist eine wesentliche Funktionalität automatischer Zugbeeinflussungsssysteme, zum Beispiel dem sog. European Train Control System (ETCS) . Die Spezifikationen der automatischen Zugbeeinflussungssysteme (Auch Zugsicherungssysteme genannt) nutzen die Odometrie als Prozess für die Messung der Bewegung eines Zuges entlang eines Gleises, der zur Geschwindigkeits- und Wegmessung verwendet wird. Die Odometrie ist beispielsweise Teil einer ETCS-Fahrzeug-Referenzarchitektur . Die Weg-, Geschwindigkeits- und Beschleunigungsmessung muss auf einem hohen Sicherheitsniveau, beispielsweise der

Sicherheitsanforderungsstufe SIL-4, entsprechen und wird für zahlreiche Funktionen des automatischen

Zugbeeinflussungssystems, darunter die Überwachung konstanter Höchstgeschwindigkeiten und Bremskurvenberechnung, Position Reports, Wegroll- und Stillstandsüberwachung sowie zur

Gleisfreimeldung verwendet. Bei der Odometrie werden somit Messwerte verarbeitet, um daraus Ortsinformationen und/oder Geschwindigkeitsinformationen zu gewinnen. Bei Geschwindigkeitsinformationen handelt es sich in erster Linie um die Geschwindigkeit von Schienenfahrzeugen im Streckennetz. Bei Ortsinformationen handelt es sich vorrangig um die aktuelle Position der Schienenfahrzeuge im Streckennetz. Sowohl Geschwindigkeitsinformationen als auch Ortsinformationen können in regelmäßigen Abständen mit verfügbaren Informationen abgeglichen werden. Beispielsweise ist die Position eines Zuges während des Halts in einem Bahnhof vergleichsweise genau bekannt. Allerdings sind solche Abgleiche nur zu ausgewählten Zeitpunkten und an ausgewählten Orten möglich. Es gibt somit immer Zeiträume sowie Streckenabschnitte, in denen die Ortsinformationen und Geschwindigkeitsinformationen lediglich mit dem odometrischen Verfahren berechnet werden können. In dieser Zeit können Fehler auftreten, deren Wirkung sich in der Folgezeit immer weiter verstärken, bevor es zu einem erneuten sicheren Abgleich kommen kann .

Die Erkennung von Fehlern bei den Sensormessungen ist daher unerlässlich, um den Sicherheitsstandard von Odometrie- und Lokalisierungssystemen in Schienenfahrzeugen zu gewährleisten. Ein Schienenfahrzeug unterstützt daher den Einsatz mehrerer Sensoren wie Dopplerradar und Radimpulsgeber (kurz Radsensor genannt) , um die Geschwindigkeit sowie die zurückgelegte

Wegstrecke in Bezug auf eine Referenz abzuschätzen. Aufgrund des Ausfalls der Sensoren kann die Schätzung von der tatsächlichen Geschwindigkeit oder Entfernung abweichen.

Unterschiedliche Bedingungen können zum Ausfall von Sensoren führen. So können beispielsweise Radschlupf und Gleiten dazu führen, so dass Radimpulsgeber bei der Schätzung der korrekten Geschwindigkeit Messfehler erzeugen. Außerdem können

Doppler-Radare an Bord falsche Messungen bei Schneefall oder wenn ein anderer Zug in die entgegengesetzte Richtung fährt, melden. Obwohl die Wahrscheinlichkeit solcher Fehler gering ist, müssen Odometriesysteme Maßnahmen zur Sicherung der hohen Standards aufgrund solcher Ausfälle einleiten können. Die Aufgabe der Erfindung besteht darin, ein Verfahren zur Odometrie anzugeben, mit dem ein automatisches

Zugsicherungssystem möglichst gleichbleibend mit hoher

Zuverlässigkeit betrieben werden kann. Außerdem ist es Aufgabe der Erfindung, ein Schienenfahrzeug oder eine Leitzentrale anzugeben, mit der das genannte Verfahren mit einem gleichbleibend hohen Sicherheitsstandard durchführbar ist. Zuletzt ist es Aufgabe der Erfindung, ein Computerprogrammprodukt bzw. eine

Bereitstellungsvorrichtung für ein solches

Computerprogrammprodukt anzugeben, mit der bzw. mit dem das Verfahren mit einem gleichbleibend hohen Sicherheitsstandard durchführbar ist.

Diese Aufgabe wird mit dem eingangs angegebenen

Anspruchsgegenstand (Verfahren) erfindungsgemäß dadurch gelöst, dass

• die Messwerte und/oder der Ortsinformationen und/oder der Geschwindigkeitsinformationen gespeichert werden,

• Muster für die Messwerte und/oder die Ortsinformationen und/oder die Geschwindigkeitsinformationen durch Auswerten bereits erfasster Messwerte und/oder der Ortsinformationen und/oder der Geschwindigkeitsinformationen erzeugt werden,

• aktuell erfasste Messwerte und/oder der Ortsinformationen und/oder der Geschwindigkeitsinformationen mit mindestens einem Muster abgeglichen werden,

• das Auftreten von Abweichungen Verlaufes von den Mustern über eine Schnittstelle ausgegeben wird. Bei der Schnittstelle kann es sich um ein Ausgabegerät für eine

Menschmaschineschnittstelle (beispielsweise einen

Bildschirm) oder um eine Schnittstelle zur Datenübertragung an ein anderes System, beispielsweise eine Leitzentrale oder einen Computer des automatischen Zugbeeinflussungssystems, handeln .

Gemäß der Erfindung ist mit anderen Worten vorgesehen, Muster für unauffällige (d. h. nicht mit Anomalien oder Fehlern behaftete) Messergebnisse beispielsweise in einer Datenbank abzuspeichern. Die aktuell gemessenen Messergebnisse können dann mit den Mustern verglichen werden. Hierdurch ist es möglich, Anomalien schnell zu erkennen und daraus geeignete Maßnahmen abzuleiten. Diese können darin bestehen, den Zugbetrieb einzuschränken oder auszusetzen oder eine Korrektur der Messwerte vorzunehmen, wenn es sich um Messfehler handelt. Wenn Messfehler häufiger auftreten, können beispielsweise fehlerhaft arbeitende Komponenten des

automatischen Zugbeeinflussungssystems ausgewechselt werden.

Eine verbesserte Erkennung von odometrischen Fehlern (Anomalien) kann erfindungsgemäßen dazu beitragen, die Sicherheitsmargen zu verringern. Das Schrumpfen der Sicherheitsfehlergrenzen kann zu einem genaueren Odometrie- und Lokalisierungsverfahren führen. Dies wird erfindungsgemäß dadurch erreicht, dass in Zeiträumen, in denen eine zuverlässige Abgleich mit anderen dem automatischen Zugbeeinflussungssystem vorliegenden Daten nicht möglich ist, sondern die Ortsinformationen und/oder die

Geschwindigkeitsinformationen ausschließlich aus den Messwerten des Odometrie Verfahrens hergeleitet werden müssen, das

erfindungsgemäße Verfahren angewendet wird.

Erfindungsgemäß erfolgt während dieser Zeiträume somit ein Abgleich mit den zur Verfügung stehenden Mustern, um dem Auftreten von Fehlern möglichst schnell entgegenwirken zu können. Die Maßnahmen, die durch das Feststellen einer Abweichung von den Mustern eingeleitet werden sollen, können abhängig von der Stärke des Abweichens von den Mustern, von dem Zeitraum, in dem das automatische Zugbeeinflussungssystem keine genaueren Daten zur Verfügung hat, und von dem aktuellen Betriebszuständen

(Verkehrsaufkommen, Geschwindigkeit des Schienenfahrzeuge) abhängig gemacht werden.

Der Vorteil bei dem erfindungsgemäßen Verfahren liegt darin, dass auch bei längeren Zeiträumen, in denen odometrische Messungen ohne Abgleich mit abgesicherten Daten durchgeführt werden, ein Abgleich mit den Mustern möglich ist, was einen hohen Sicherheitsstandard (beispielsweise SIL-4) sicherstellt. Dieser kann somit

vorteilhaft bei geringem Aufwand an Komponenten erreicht werden, da keine zusätzlichen Sensoren in den zu überwachenden Fahrzeugen oder in der Leitzentrale erforderlich sind. Daher lässt sich der erwähnte Zugewinn an Sicherheit vorteilhaft auch wirtschaftlich erreichen .

Die erfindungsgemäßen verfahrenstechnischen Maßnahmen werden vorzugsweise rechnergestützt umgesetzt. Dies bedeutet, dass das automatische Zugbeeinflussungssystem durch Computer gesteuert wird, deren Algorithmen zur Durchführung des erfindungsgemäßen Verfahrens geeignet sind und programmiert wurden. Sofern es in der nachfolgenden Beschreibung nicht anders angegeben ist, beziehen sich die Begriffe "erstellen", "berechnen", "rechnen",

"feststellen", "generieren", "konfigurieren", "modifizieren" und dergleichen, vorzugsweise auf Handlungen und/oder Prozesse und/oder Verarbeitungsschritte, die Daten verändern und/oder erzeugen und/oder die Daten in andere Daten überführen, wobei die Daten insbesondere als physikalische Größen dargestellt werden oder vorliegen können, beispielsweise als elektrische Impulse. Insbesondere ist der Ausdruck "Computer" breit auszulegen, um alle elektronischen Geräte mit Datenverarbeitungseigenschaften abzudecken. Computer können somit beispielsweise Personal

Computer, Server, Handheld-Computer-Systeme, Pocket-PC-Geräte, Mobilfunkgeräte und andere Kommunikationsgeräte, die

rechnergestützt Daten verarbeiten können, Prozessoren und andere elektronische Geräte zur Datenverarbeitung sein, die vorzugsweise auch zu einem Netzwerk zusammengeschlossen sein können.

Unter "rechnergestützt" kann im Zusammenhang mit der Erfindung beispielsweise eine Implementierung des Verfahrens verstanden werden, bei dem ein Computer oder mehrere Computer mindestens einen Verfahrensschritt des Verfahrens ausführt oder ausführen.

Unter einem "Prozessor" kann im Zusammenhang mit der Erfindung beispielsweise eine Maschine oder eine elektronische Schaltung verstanden werden. Bei einem Prozessor kann es sich insbesondere um einen Hauptprozessor (engl. Central Processing Unit, CPU), einen Mikroprozessor oder einen Mikrokontroller, beispielsweise eine anwendungsspezifische integrierte Schaltung oder einen digitalen Signalprozessor, möglicherweise in Kombination mit einer Speichereinheit zum Speichern von Programmbefehlen, etc. handeln. Bei einem Prozessor kann es sich beispielsweise auch um einen IC (integrierter Schaltkreis, engl. Integrated Circuit), insbesondere einen FPGA (engl. Field Programmable Gate Array) oder einen ASIC (anwendungsspezifische integrierte Schaltung, engl. Application-Specific Integrated Circuit) , oder einen DSP

(Digitaler Signalprozessor, engl. Digital Signal Processor) handeln. Auch kann unter einem Prozessor ein virtualisierter Prozessor oder eine Soft-CPU verstanden werden. Es kann sich beispielsweise auch um einen programmierbaren Prozessor handeln, der mit einer Konfiguration zur Ausführung des genannten erfindungsgemäßen Verfahrens ausgerüstet ist.

Unter einer "Speichereinheit" kann im Zusammenhang mit der Erfindung beispielsweise ein computerlesbarer Speicher in Form eines Arbeitsspeichers (engl. Random-Access Memory, RAM) oder einer Festplatte verstanden werden.

Gemäß einer Ausgestaltung der Erfindung ist vorgesehen, dass das Auswerten durch maschinelles Lernen erfolgt. Vorteilhaft wird das automatische Zugbeeinflussungssystem auf diese Weise mit einer künstlichen Intelligenz ausgestattet, die es erlaubt, automatisch einen Vergleich der Messwerte und/oder der Ortsinformation und/oder der Geschwindigkeitsinformationen mit Mustern

vorzunehmen. Überdies kann vorteilhaft durch die Ausstattung des automatischen Zugerfassungssystems mit einer künstlichen

Intelligenz die Erstellung von Mustern erfolgen bzw. bereits erstellte Muster können optimiert oder bei geänderten

Rahmenbedingungen angepasst werden. Ein solches mit einer künstlichen Intelligenz ausgestattetes Zugbeeinflussungssystem wird dann auch als selbst lernend bezeichnet, wie im Folgenden näher erläutert wird.

Die Ausstattung des Zugsbeeinflussungssystems mit einer

künstlichen Intelligenz hat den großen Vorteil, dass das System auf Änderungen reagieren kann und eine selbstständige Optimierung vornehmen kann. Diese Herangehensweise ist immer dann von besonderem Vorteil, wenn nicht genügend Daten vorliegen, um eine zuverlässige Steuerung/Regelung vorzunehmen, wie dies beispielsweise der Fall ist, wenn das odometrische Verfahren über einen längeren Zeitraum ohne Referenzwerte auskommen muss.

Unter künstlicher Intelligenz (im Folgenden auch mit KI abgekürzt) ist im Rahmen dieser Erfindung im engeren Sinne das

rechnergestützte Machine Learning (im Folgenden auch mit ML abgekürzt) . Es geht dabei um das statistische Lernen der

Parametrisierung von Algorithmen, vorzugsweise für sehr komplexe Anwendungsfälle. Mittels Machine Learning erkennt das System anhand von zuvor eingegebenen Lerndaten Muster und

Gesetzmäßigkeiten bei den erfassten Prozessdaten. Mithilfe geeigneter Algorithmen können durch ML eigen ständig Lösungen zu aufkommenden Problemstellungen gefunden werden. ML gliedert sich in drei Felder - überwachtes Lernen, unüberwachtes Lernen und bestärkendes Lernen (Reinforcement Learning) , mit den

spezifischeren ( Teil- ) Anwendungen Regression und Klassifikation, Strukturerkennung und -Vorhersage, Datengenerierung (Sampling) sowie autonomes Handeln.

Beim überwachten Lernen wird das System durch den Zusammenhang von Eingabe und zugehöriger Ausgabe bekannter Daten trainiert. Dabei kommt es auf die Verfügbarkeit richtiger Daten an, denn wenn das System mit schlechten Beispielen trainiert wird, so lernt es fehlerhafte Zusammenhänge. Beim unüberwachten Lernen wird das System ebenfalls mit Beispieldaten trainiert, jedoch nur mit Eingabedaten und ohne Zusammenhang zu einer bekannten Ausgabe. Es lernt, wie Datengruppen zu bilden und zu erweitern sind, was typisch ist und wo Abweichungen auftreten. Dadurch lassen sich Anwendungsfälle beschreiben und Fehlerzustände entdecken. Beim bestärkenden Lernen lernt das System durch Versuch und Irrtum, indem es zu gegebenen Problemstellungen Lösungen vorschlägt und über eine Feedbackfunktion eine positive oder negative Bewertung zu diesem Vorschlag erhält. Je nach Belohnungsmechanismus erlernt das KI-System, entsprechende Funktionen auszuführen.

Das maschinelle Lernen kann beispielsweise durch künstliche neuronale Netze (im Folgenden kurz ANN für artificial neural network genannt) durchgeführt werden. Gemäß einer Ausgestaltung der Erfindung ist vorgesehen, dass das das maschinelle Lernen mit einem künstlichen neuronalen Netz durchgeführt wird. Vorteilhaft stellen künstliche neuronale Netze eine Umgebung zur Verfügung, die das maschinelle Lernen optimal unterstützt. Dabei kann der zu beherrschende Prozess auch bei Vorliegen weniger Informationen durch das ANN bearbeitet werden, wobei die zur Verfügung stehenden Muster zum Abgleich der odometrischen Daten (vorstehend auch bezeichnet als Messwerte und/oder Ortsinformationen und/oder Geschwindigkeitsinformation) durch fortschreitenden Betrieb optimiert und auf verschiedene Situationen (unterschiedliche Orte, verschiedene äußere Bedingungen wie Wettergeschehen, alterungsbedingte Änderungen) angepasst werden können, ohne dass man diese Situation ausführlich erfassen und beschreiben muss.

Künstliche neuronale Netze basieren meist auf der Vernetzung vieler Neuronen, beispielsweise McCulloch-Pitts-Neuronen oder leichter Abwandlungen davon. Grundsätzlich können auch andere künstliche Neuronen Anwendung in ANN finden, z. B. das

High-Order-Neuron . Die Topologie eines Netzes (die Zuordnung von Verbindungen zu Knoten) muss abhängig von seiner Aufgabe bestimmt werden. Nach der Konstruktion eines Netzes folgt die

Trainingsphase, in der das Netz „lernt". Dabei kann ein Netz beispielsweise durch folgende Methoden lernen:

• Entwicklung neuer Verbindungen

• Löschen existierender Verbindungen

• Ändern der Gewichtung (der von Neuron j zu Neuron i)

• Anpassen der Schwellenwerte der Neuronen, sofern diese

Schwellwerte besitzen

• Hinzufügen oder Löschen von Neuronen

• Modifikation von Aktivierungs- , Propagierungs- oder

Ausgäbefunktion

Außerdem verändert sich das Lernverhalten bei Veränderung der Aktivierungsfunktion der Neuronen oder der Lernrate des Netzes. Praktisch gesehen lernt ein ANN hauptsächlich durch Modifikation der Gewichte der Neuronen. Eine Anpassung des Schwellwertes kann hierbei durch ein on-Neuron miterledigt werden. Dadurch sind ANN in der Lage, komplizierte nichtlineare Funktionen über einen Lernalgorithmus, der durch iterative oder rekursive

Vorgehensweise aus vorhandenen Ein- und gewünschten

Ausgangswerten alle Parameter der Funktion zu bestimmen versucht, zu erlernen. ANN sind dabei eine Realisierung des

konnektionistischen Paradigmas, da die Funktion aus vielen einfachen gleichartigen Teilen besteht. Erst in ihrer Summe wird das Verhalten komplex.

Gemäß einer Ausgestaltung der Erfindung ist vorgesehen, dass das künstliche neuronale Netz ein LSTM-Netz ist, wobei das Netzwerk kontinuierlich oder in regelmäßigen Zeitabständen (quasi kontinuierlich) mit den Messwerten und/oder den Ortsinformationen und/oder den Geschwindigkeitsinformationen gespeist wird.

LSTM steht für Long short-term memory oder zu Deutsch "Langes Kurzzeitgedächtnis”. Es wird vorgeschlagen, LSTM-Netze zu verwenden, um eine Anomalien oder Fehler in einer Messung bei dem odometrischen Verfahren zu identifizieren. Diese Anomalien können identifiziert werden, da sie außerhalb des Bereichs liegen, der bestimmt wird durch die Prognose der LSTM-Netze unter Nutzung bereits verfügbarer Messwerte (von denen es mit der Zeit immer mehr gibt, so dass die Zuverlässigkeit der Ergebnisse des LSTM-Netzes immer zuverlässiger werden) . Um die LSTM-Netze zu trainieren, werden historische odometrische Daten von verschiedenen Sensoren verwendet. Die verwendeten Netze können dann eine Prognose der nächsten Messung, die durchgeführt werden soll, erstellen. Die tatsächlichen Messungen der odometrischen Sensoren werden dann mit den prognostizierten odometrischen Daten der LSTM-Netze

verglichen. Wenn eine Messung/Berechnung odometrischer Daten außerhalb des prognostizierten Bereichs liegt, werden diese als anomal angesehen. Daraus werden dann weitere Maßnahmen abgeleitet.

Gemäß einer Ausgestaltung der Erfindung ist vorgesehen, dass die Muster jeweils zulässige Wertebereiche für die Messwerte und/oder die Ortsinformationen und/oder die Geschwindigkeitsinformationen enthalten . Hierdurch ist im laufenden Betrieb vorteilhaft eine einfache und schnelle Kontrolle der odometrischen Daten einer aktuellen Massemessung/Berechnung möglich, sodass sofort auf Anomalien bzw. Fehler reagiert werden kann. Andererseits werden die aktuellen Messungen gleichzeitig herangezogen, um die ermittelten

Referenzwerte gegebenenfalls in geeigneter Weise anzupassen.

Gemäß einer Ausgestaltung der Erfindung ist vorgesehen, dass bei der Erzeugung der Muster als Ortsinformation der Ort der Entstehung der Messwerte mit dem Muster verknüpft wird.

Mit dieser Ausgestaltung der Erfindung kann vorteilhaft erreicht werden, dass geänderte odometrische Daten lokal bestimmten Abschnitten eines Streckennetzes zugeordnet werden können. Dies ist insbesondere für Variationen vorteilhaft, die aufgrund unterschiedlicher örtlicher Bedingungen im Streckennetz

entstehen. Es wird mit anderen Worten eine ortsabhängige

Abspeicherung von Mustern für den Vergleich der odometrischen Daten möglich. Das macht die Vorhersagen vorteilhaft genauer und die Muster können mit einem engeren Toleranzbereich ausgestattet werden .

Gemäß einer Ausgestaltung der Erfindung ist vorgesehen, dass bei der Erzeugung des Musters eine Zusatzinformation bezüglich des Schienenfahrzeugs, in dem die Messwerte entstanden sind, und/oder bezüglich des verwendeten Messverfahrens und/oder des verwendeten Sensortyps mit dem Muster verknüpft werden.

Mit dieser Ausgestaltung der Erfindung kann vorteilhaft erreicht werden, dass die Muster für odometrische Daten abhängig von verschiedenen Bezugssystemen und den in diesen zum Einsatz kommenden Sensoren erfasst werden können. Auch hier können individuelle Unterschiede auftreten, die bei Vorliegen von Informationen, welcher Zug im Streckennetz unterwegs ist, für das automatische Zugbeeinflussungssystem die Auswahl der geeigneten Muster ermöglichen. Auch hierdurch können individuellere Muster verwendet werden, so dass vorteilhaft Muster mit einem engeren Toleranzbereich verwendet werden können.

Gemäß einer Ausgestaltung der Erfindung ist vorgesehen, dass dieses mit einem Rechner in einem Schienenfahrzeug durchgeführt wird .

Diese Variante unterstützt vorteilhaft insbesondere die Aufnahme Zug-individueller Muster (wie vorstehend beschrieben) , die selbstverständlich nach ihrer Erzeugung auch an eine Leitzentrale weitergegeben werden und dort zentral gespeichert werden können. Außerdem können vorteilhaft Probleme bei der Übertragung der Daten vermieden werden, wenn diese bereits im Zug ausgewertet werden (beispielsweise in Tunneln) . Die künstliche Intelligenz des maschinellen Lernens ist bei dieser Variante vorteilhaft auf mehrere Stellen, nämlich die Schienenfahrzeuge verteilt.

Gemäß einer Ausgestaltung der Erfindung ist vorgesehen, dass dieses mit einem Rechner in einer Leitzentrale für den

Schienenverkehr durchgeführt wird.

Diese Variante unterstützt vorteilhaft die Erstellung einer zentralen Datenbank. Außerdem ist diese Lösung vorteilhaft sehr kostengünstig, da ein zentraler Rechner mit einer künstlichen Intelligenz einer geeigneten Kapazität für die Berechnung gleichzeitig mehrerer Muster ausgestattet werden kann. Ein zentraler Rechner der Leitzentrale kann dann hinsichtlich seiner Kapazität in den meisten Zeiten vollständig ausgelastet werden, weswegen die Rechenkapazität optimiert werden kann. Eine dezentrale Lösung, bei der die Berechnung in den einzelnen Fahrzeugen (Zügen) erfolgt, weist zwangsläufig eine höhere Redundanz auf, weswegen auf der anderen Seite aber eine größere Verfügbarkeit und kürzere Zeitdauer bis zum Vorliegen von

Ergebnissen die Folge ist.

Die genannte Aufgabe wird alternativ mit dem eingangs angegebenen Anspruchsgegenstand (Schienenfahrzeug) erfindungsgemäß auch dadurch gelöst, dass dieses ausgerüstet ist, ein Verfahren nach Anspruch 8 auszuführen. Die hiermit verbundenen Vorteile sind obenstehend in Bezug auf das beanspruchte odometrische Verfahren bereits ausführlich erläutert worden und gelten in gleicher Weise auch für das Schienenfahrzeug. Insbesondere können die in den Unteransprüchen dargestellten Ausgestaltungen des Verfahrens auch in dem Schienenfahrzeug verwirklicht werden.

Die genannte Aufgabe wird alternativ mit dem eingangs angegebenen Anspruchsgegenstand (Leitzentrale) erfindungsgemäß auch dadurch gelöst, dass diese ausgerüstet ist, ein Verfahren nach Anspruch 9 durchzuführen.

Die hiermit verbundenen Vorteile sind obenstehend in Bezug auf das beanspruchte odometrische Verfahren bereits ausführlich erläutert worden und gelten in gleicher Weise auch für die Leitzentrale . Insbesondere können die in den Unteransprüchen dargestellten Ausgestaltungen des Verfahrens auch in dem Schienenfahrzeug verwirklicht werden.

Des Weiteren wird ein Computerprogrammprodukt mit

Programmbefehlen zur Durchführung des genannten erfindungsgemäßen Verfahrens und/oder dessen Ausführungsbeispielen beansprucht, wobei mittels des Computerprogrammprodukts jeweils das

erfindungsgemäße Verfahren und/oder dessen Ausführungsbeispiele durchführbar sind.

Darüber hinaus wird eine Bereitstellungsvorrichtung zum Speichern und/oder Bereitstellen des Computerprogrammprodukts beansprucht. Die Bereitstellungsvorrichtung ist beispielsweise ein

Datenträger, der das Computerprogrammprodukt speichert und/oder bereitstellt . Alternativ und/oder zusätzlich ist die

Bereitstellungsvorrichtung beispielsweise ein Netzwerkdienst, ein Computersystem, ein Serversystem, insbesondere ein verteiltes Computersystem, ein cloudbasiertes Rechnersystem und/oder virtuelles Rechnersystem, welches das Computerprogrammprodukt vorzugsweise in Form eines Datenstroms speichert und/oder bereitstellt . Weitere Einzelheiten der Erfindung werden nachfolgend anhand der Zeichnung beschrieben. Gleiche oder sich entsprechende

Zeichnungselemente sind jeweils mit den gleichen Bezugszeichen versehen und werden nur insoweit mehrfach erläutert, wie sich Unterschiede zwischen den einzelnen Figuren ergeben.

Bei den im Folgenden erläuterten Ausführungsbeispielen handelt es sich um bevorzugte Aus führungs formen der Erfindung. Bei den Ausführungsbeispielen stellen die beschriebenen Komponenten der Aus führungs formen jeweils einzelne, unabhängig voneinander zu betrachtende Merkmale der Erfindung dar, welche die Erfindung jeweils auch unabhängig voneinander weiterbilden und damit auch einzeln oder in einer anderen als der gezeigten Kombination als Bestandteil der Erfindung anzusehen sind. Des Weiteren sind die beschriebenen Aus führungs formen auch durch weitere der bereits beschriebenen Merkmale der Erfindung ergänzbar.

Es zeigen:

Fig.l Ein Ausführungsbeispiel des erfindungsgemäßen

Schienenfahrzeugs, welches dazu eingerichtet ist, ein Ausführungsbeispiel des erfindungsgemäßen

odometrischen Verfahrens auszuführen (schematisch),

Fig. 2 ein Ausführungsbeispiel der erfindungsgemäßen

Leitzentrale, die dazu ausgelegt ist, ein

Ausführungsbeispiel des erfindungsgemäßen

odometrischen Verfahrens durchzuführen (schematisch), und

Fig. 3 ein Ausführungsbeispiel des erfindungsgemäßen

odometrischen Verfahrens, dargestellt als

Flussdiagramm.

In Figur 1 ist ein Schienenfahrzeug SF dargestellt, welches auf einem Gleis GL steht. Das Gleis GL ist Teil eines nicht näher dargestellten Streckennetzes SN (vgl. Figur 2), welches von dem Schienenfahrzeug SF befahren werden kann. Das Schienenfahrzeug gemäß Figur 1 ist eine Lokomotive.

In dem Schienenfahrzeug SF ist eine Einrichtung zur Durchführung eines odometrischen Verfahrens als Blockschaltbild dargestellt. Dieses System weist einen Radsensor RS auf, welcher die Umdrehung eines Rades RD des Schienenfahrzeugs SF zählt und insofern eine Aussage über die Geschwindigkeit und über die Ortsänderung des Schienenfahrzeugs SF anhand von Messwerten eines Messergebnisses (ME1, vgl. Fig.3) beschreiben kann. Außerdem weist das

Schienenfahrzeug SF ein Radar, insbesondere ein Dopplerradar DR auf, mit dem sowohl die Entfernung des Schienenfahrzeugs SF zu Objekten als auch unter Ausnutzung des Dopplereffektes in an sich bekannter Weise die Geschwindigkeit des Schienenfahrzeugs SF ermittelt werden kann. Insofern können die tatsächliche

Geschwindigkeit und der tatsächliche Ort des Schienenfahrzeugs SF parallel mit mehreren Sensoren ermittelt werden, um ggf. Aussagen über Messfehler treffen zu können.

Zur Aufnahme der Radumdrehung des Rades RD durch den Radsensor RS ist eine erste Schnittstelle S1 vorgesehen. Der Radsensor RS ist über eine zweite Schnittstelle S2 mit einem Controller CL verbunden. Das Dopplerradar DR ist über eine dritte Schnittstelle S3 mit dem Controller CL verbunden. Der Controller CL ist insofern für eine erste Auswertung der Messsignale und einem evtl. Abgleich derselben zuständig. Der Controller CL ist dazu eingerichtet, aus den Messwerten des Dopplerradars DR und des Radsensors RS

Ortsinformationen und Geschwindigkeitsinformationen bezüglich des Schienenfahrzeugs SF zu berechnen.

Der Controller CL ist über eine vierte Schnittstelle S4 mit einem Computer oder Rechner CP verbunden. Dieser Rechner empfängt über eine sechste Schnittstelle S6 ein Signal eines Ortungssensors GPS . Der Ortungssensor kann beispielsweise den GPS-Standard nutzen oder auch ein anderes Funktionsprinzip, um die Position des

Schienenfahrzeugs SF unabhängig von den odometrischen Messungen zu bestimmen. Hierdurch kann ein Referenzwert erzeugt werden oder zumindest ein Vergleichswert, der über die sechste Schnittstelle S6 an den Rechner CP gegeben wird. Dieser Vergleichswert kann zumindest dann herangezogen werden, wenn durch Anwendung des odometrischen Verfahrens ein Fehler oder eine Anomalie

festgestellt wird (hierzu im Folgenden mehr) .

Der Rechner CP weist weiterhin eine siebte Schnittstelle S7 zu einem künstlichen neuronalen Netz ANN auf, dessen Architektur gemäß Figur 1 nicht näher dargestellt ist. Das künstliche neuronale Netz ANN ist dazu geeignet, ein maschinelles Lernen dahingehend umzusetzen, dass die Messwerte des Dopplerradars DR und des Radsensors RS sowie die aus den Messdaten ermittelten Orts- und Geschwindigkeitsinformationen einer Plausibilitätsprüfung unterworfen werden können. Anomalien und (wahrscheinliche) Fehler werden dadurch aufgedeckt, dass die betrachteten odometrischen Daten nicht in einem für diese in der entsprechenden Situation festgelegten Erwartungsfenster (Messfenster, Wertefenster) liegen. Dabei vergleicht das künstliche neuronale Netz ANN die aktuellen odometrischen Daten mit einer in einer Speichereinheit SP abgelegten historischen Daten, wobei zu diesem Zweck eine achte Schnittstelle S8 genutzt wird. Die Speichereinheit SP ist über eine neunte Schnittstelle S9 auch mit dem Rechner CP verbunden, sodass über diese weiteren Informationen, wie z. B. der über den

Ortssensor GPS ermittelte Wert, für die Ortsinformation an die Speichereinheit SP weitergegeben werden können.

Die Variante in Figur 1 zeigt ein Beispiel, in dem die Infrastruktur für die Anwendung des erfindungsgemäßen odometrischen Verfahrens in dem Schienenfahrzeug SF zur Anwendung kommt. Das ANN muss in diesem Fall in dem Schienenfahrzeug SF vorgesehen werden und wird vorrangig zur Verarbeitung der in dem Schienenfahrzeug SF erzeugten Daten verwendet. Hierbei bilden der Rechner CP, das künstliche neuronale Netz ANN und die Speichereinheit SP eine Recheneinheit RE. Dies ist jedoch nur beispielhaft zu verstehen. In dem Ausführungsbeispiel gemäß Figur 1 wird die Auswertung der Messwerte durch den Controller CL durchgeführt und die Bearbeitung durch das künstliche neuronale Netz ANN durch den Rechner CP gesteuert. Die Verarbeitung der Messwerte aus dem Radsensor RS und dem Dopplerradar DR könnte direkt durch den Rechner CP vorgenommen werden oder der Controller CL könnte Teil der Recheneinheit RE sein. Darüber hinaus sind auch andere Konfigurationen denkbar, die in Abhängigkeit der Erfordernisse des Einzelfalls für verschiedene Schienenfahrzeuge SF gefunden werden können.

Gemäß Figur 2 ist eine Lösung dargestellt, bei der die

Recheneinheit RE (vgl. Figur 1) in einer Leitzentrale LZ untergebracht ist, wobei die Leitzentrale LZ Teil eines

automatischen Zugbeeinflussungssystems, insbesondere ETCS, ist.

Die Leitzentrale LZ ist mit einer Antenne AT ausgestattet. Ebenso sind ein Schienenfahrzeug SF1 auf einem Streckenabschnitt SA1 eines Streckennetzes SN und ein Schienenfahrzeug SF2 auf einem Streckenabschnitt SA2 und ein Schienenfahrzeug SF3 auf einem Streckenabschnitt SA3 mit Antennen AT ausgerüstet, sodass diese Schienenfahrzeuge mit der Leitzentrale LZ via Funk (nicht näher dargestellt) kommunizieren können. In den Schienenfahrzeugen SF1, SF2, SF3 sind in nicht näher dargestellter Weise ein Dopplerradar DR, ein Radsensor RD und ein Controller CL entsprechend dem Schienenfahrzeug SF gemäß Figur 1 vorgesehen. Auch ein Ortssensor GPS kann, wie in Figur 1 dargestellt, verbaut sein.

Die Schienenfahrzeuge SF1, SF2, SF3 geben somit die Daten an die Leitzentrale LZ weiter, wo diese von dem künstlichen neuronalen Netz ANN in der in Figur 1 beschriebenen Weise verarbeitet werden. Hierbei wird auch eine Speichereinheit SP genutzt, wobei die Rechenkapazität des künstlichen neuronalen Netzes ANN gemäß Figur 2 dazu ausreicht, die Daten mehrerer Schienenfahrzeuge SF1, SF2, SF3 gleichzeitig auszuwerten.

In Figur 3 kann ein Ausführungsbeispiel des erfindungsgemäßen odometrischen Verfahrens nachvollzogen werden. Einer besseren Übersichtlichkeit wegen sind die Systemgrenzen der einzelnen Funktionselemente gemäß Figur 1 und Figur 2, wie z. B. das Dopplerradar DR, der Radsensor RS, der Controller CL, der Rechner CP und das künstliche neuronale Netz ANN eingetragen. Dadurch wird deutlich, in welchen Einheiten die einzelnen Verfahrensschritte gemäß diesem Ausführungsbeispiel des odometrischen Verfahrens durchgeführt werden können.

Im Radsensor RS findet ein erster Messschritt Ml und dem

Dopplerradar DR ein zweiter Messschritt M2 statt. Beide

Messschritte Ml und M2 verwirklichen beispielhaft das

erfindungsgemäße odometrische Verfahren. Dieses könnte auch durchgeführt werden, indem nur einer der beiden Messschritte Ml, M2 durchgeführt wird.

In jedem Fall werden die aus den Messschritten Ml, M2 ermittelten Messergebnisse ME1, ME2, bestehend aus Messwerten, an den

Controller CL weitergegeben, der einen Berechnungsschritt CALC durchführt. Das Berechnungsergebnis BEI wird von dem Controller CL an den Rechner CP zwecks Durchführung eines Bewertungsschrittes EVAL weitergegeben.

Bei dem Bewertungsschritt EVAL werden neben dem Bewertungsergebnis BEI weitere Daten herangezogen. Aus einem

Lokalisierungsschritt LOC des Ortungssensors GPS wird ein

Positionssignal POS erzeugt und im Bewertungsschritt EVAL berücksichtigt. Außerdem wird bezüglich des Zuges oder des Schienenfahrzeugs SF, von dem die Messschritte Ml, M2 durchgeführt wurden, von einem Fahrplan TTB eine Fahrplaninformation FPI berücksichtigt. Zuletzt kann von einem Streckenplan MAP eine Soll-Position SPS ermittelt werden.

Bei dem Bewertungsschritt EVAL werden diese Daten derart miteinander abgeglichen, dass in einem Vergleichsschritt COMP entschieden werden kann, ob die Werte des Berechnungsergebnisses BEI für das weitere Verfahren verwendet werden können. Wenn dies der Fall ist (+), kann das odometrische Verfahren für diesen Messschritt abgeschlossen werden. Die Daten werden an das künstliche neuronale Netz ANN gesendet, welches diese als „neue Daten" NEW in die Datenbank der Speichereinheit SP einbringt, wo sie als zulässige Referenzdaten abgespeichert werden und zukünftig als „alte Daten" OLD abgerufen werden können. Zu diesem Zweck wird außerdem ein Datenabgleich DAT durchgeführt, indem die für diese Messung relevanten Daten als Referenzdaten REF aus der Speichereinheit SP durch den Rechner CP ausgelesen werden. Sollte ein Wertebereich RANGE verlassen werden (-), so ist in dem Verfahren ein Rekursionsschritt REK erforderlich. Diesem gemäß werden einerseits Rekursionsdaten REK für eine Wiederholung des Bewertungsschritts EVAL in dem Rechner CP verwendet, um aus den Ersatzdaten, z. B. der Position POS des Ortungssensors GPS ersatzweise eine Ortsinformation zu ermitteln. Außerdem werden Korrekturdaten KOR an das künstliche neuronale Netz ANN gesendet und führen dort zu einem Optimierungsschritt OPT, der durch ein maschinelles Lernen automatisch durchgeführt wird. Hierbei können die Daten aus dem Rekursionsschritt REP und dem zweiten

Bewertungsschritt EVAL Einfluss nehmen, da diese dazu führen, dass bei einem zweiten Bewerten der Vergleichsdaten COMP der

Wertebereich RANGE eingehalten wird ( + ) . Das künstliche neuronale Netz ANN entscheidet bei Durchlaufen des Optimierungsschritts OPT selbstständig, ob neue Daten NEW in die Speichereinheit SP geschrieben werden, und ob aus der Speichereinheit SP zu dem

Optimierungsschritt OPT abgerufene alte Daten OLD gelöscht werden, um den Verfahrensablauf weiter zu optimieren.

Bezugs zeichenliste

SF, SF1 , Schienenfahrzeug

GL Gleis

SN Streckennetz

RS Radsensor

RD Rad

DR Dopplerradar

Sl, S2, .. Schnittstelle

CL Controller

CP Computer / Rechner

GPS Ortssensor

ANN künstliches neuronales Netz

SP Speichereinheit

RE Recheneinheit

LZ Leit zentrale

AT Antenne

SA1 , SA2 , Streckenabschnitt

Ml, M2 Messschritt

ME1 , ME2 Messergebnis

CALC Berechnungsschritt

BEI Berechnungsergebnis

EVAL Bewertungsschritt

LOC Lokalisierungsschritt

POS Pos itions signal

TTB Fahrplan

FPI Fahrplaninformation

MAP Streckenplan

SPS Soll-Position

COMP Vergleichsschritt

NEW neue Daten

DAT Datenabgleich

RANGE Wertebereich

REP Rekursionsschritt

REK Rekursionsdaten

KOR Korrekturdaten

OPT Optimierungsschritt

OLD alte Daten