{"id":59389,"date":"2024-07-29T12:27:39","date_gmt":"2024-07-29T12:27:39","guid":{"rendered":"https:\/\/content.technikum-wien.at\/?post_type=research-projects&p=59389"},"modified":"2025-10-31T06:18:05","modified_gmt":"2025-10-31T06:18:05","slug":"automatische-detektion-von-storeinflussen-im-monitoring-von-bahnlarm-unter-anwendung-von-ki-adsim","status":"publish","type":"research-projects","link":"https:\/\/content.technikum-wien.at\/forschungsprojekte\/automatische-detektion-von-storeinflussen-im-monitoring-von-bahnlarm-unter-anwendung-von-ki-adsim\/","title":{"rendered":"Automatische Detektion von St\u00f6reinfl\u00fcssen im Monitoring von Bahnl\u00e4rm unter Anwendung von KI (ADSiM)"},"content":{"rendered":"\n
\n
\n

Automatische Detektion von St\u00f6reinfl\u00fcssen im Monitoring von Bahnl\u00e4rm unter Anwendung von KI (ADSiM)<\/h1>\n<\/div>\n<\/div>\n\n\n\n
\n
Home<\/a><\/div>\n\n\n\n
Research<\/a><\/div>\n\n\n\n
ADSiM<\/div>\n<\/div>\n\n\n\n
\n
\n

Um die Klimaziele zu erreichen ist es zwingend notwendig, den Verkehr in gro\u00dfem Ausma\u00df von der Stra\u00dfe auf die Schiene zu verlagern. Mit diesem vermehrten Bahnaufkommen erh\u00f6hen sich allerdings auch die L\u00e4rmemissionen 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 Bremsger\u00e4usche zunehmend an Bedeutung.<\/p>\n\n\n\n


In \u00d6sterreich sind bereits drei acramos\u00ae Messstellen am Streckennetz der \u00d6BB Infrastruktur AG im Einsatz, mit welchen eine achsgenaue Zuordnung der L\u00e4rmemissionen m\u00f6glich ist. Ein Postprocessing der akustischen Messdaten kann aufgrund der zu erwartenden Menge nicht von Experten bew\u00e4ltigt werden.<\/p>\n\n\n\n


Ziel dieses Projekts ist es deshalb, durch den Einsatz von K\u00fcnstliche Intelligenz (KI) folgende Aufgaben zu automatisieren:<\/p>\n\n\n\n

<\/p>\n\n\n\n

<\/p>\n\n\n\n

Fremdger\u00e4usche (Hintergrundger\u00e4usche ohne Bahnbezug. Eine vollautomatische Identifizierung sowohl fehlerhafter Sensoren und Anschl\u00fcsse als auch Flachstellen, Bogenger\u00e4usche, Bremsger\u00e4usche sowie Fremdger\u00e4usche mittels eines einzigem KI-Workflow, geht weit \u00fcber in der Fachliteratur verf\u00fcgbare oder am Markt erh\u00e4ltliche L\u00f6sungen hinaus. Ein derma\u00dfen kontinuierliches und auf KI aufbauendes Bahnl\u00e4rm-Monitoring erm\u00f6glicht es, Rollmaterial mit hoher L\u00e4rmbelastung 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 vertrauensw\u00fcrdigen Daten.<\/p>\n\n\n\n

<\/p>\n\n\n\n

Als Methodik werden verschiedenen KI-Algorithmen aus der Sparte des \u00dcberwachten Lernens angewandt. Das acramos\u00ae Archiv verf\u00fcgt \u00fcber eine gro\u00dfe Anzahl an gelabelten Datens\u00e4tzen, welche als Trainingsdaten verwendet werden k\u00f6nnen, um die oben angef\u00fchrten akustischen Auff\u00e4lligkeiten sowie unauff\u00e4lliges Rollmaterial zu identifizieren. Die so trainierten Klassifikatoren werden auf ungelabelte Datens\u00e4tze angewandt, um Fremdger\u00e4usch zu identifizieren, welche dann in den KI-Workflow integriert werden. Der finale der KI-Workflow wird in die acramos\u00ae Software implementiert und Messungen vor Ort an den Messtationen durchgef\u00fchrt, um den laufenden Betrieb der KI-Algorithmen zu evaluieren.<\/p>\n\n\n\n

<\/p>\n\n\n\n

<\/p>\n<\/div>\n\n\n\n

\n
<\/div>\n\n\n\n
<\/div>\n\n\n\n
\"FFG-Logo\"\/<\/div>\n\n\n\n
<\/div>\n\n\n\n
<\/div>\n\n\n\n
<\/div>\n<\/div>\n\n\n\n
\n

Team und Besetzung<\/h4>\n\n\n\n

Projektleitung:<\/strong><\/p>\n\n\n\n

<\/p>\n\n\n\n