Titelaufnahme

Titel
Identifikation der Radkräfte eines Eisenbahnwagons bei asynchron gesampelten Messdaten / von Martin Tiefenbacher
VerfasserTiefenbacher, Martin
Begutachter / BegutachterinJörgl, Hanns Peter ; Kozek, Martin
Erschienen2007
UmfangV, 98 Bl. : Ill., graph. Darst.
HochschulschriftWien, Techn. Univ., Dipl.-Arb., 2007
Anmerkung
Zsfassung in engl. Sprache
SpracheDeutsch
DokumenttypDiplomarbeit
Schlagwörter (DE)Eisenbahn / Gleislage - Fahrzeugdynamik / Systemidentifikation / Black-Box Identifikation / Synchronisation / Künstliche Neuronale Netze
Schlagwörter (EN)railway / track set - vehicle dynamics / system identification / black-box identification / synchronization / artificial neural network
URNurn:nbn:at:at-ubtuw:1-18810 Persistent Identifier (URN)
Zugriffsbeschränkung
 Das Werk ist frei verfügbar
Dateien
Identifikation der Radkräfte eines Eisenbahnwagons bei asynchron gesampelten Messdaten [9.97 mb]
Links
Nachweis
Klassifikation
Zusammenfassung (Deutsch)

Das Ziel dieser Arbeit ist die Identifikation eines Black-Box Modells, welches den Zusammenhang zwischen der Gleislage und den Kräften am Rad eines Eisenbahnwagons abbildet. Zu diesem Zweck wurden sowohl lineare als auch nichtlineare Modelle hinsichtlich ihrer Eignung für die Abbildung dieses mathematischen Zusammenhangs untersucht.

Die Messdaten werden auf ihre Charakteristik (Grenzfrequenzen, Filterung, Redundanz) sowie systematische und stochastische Fehler untersucht. Im Zuge mehrerer Messungen derselben Abschnitte der Strecke können Ausreißer erkannt und die Konsistenz der Messungen überprüft werden. Weiters werden einschränkende Eigenschaften der Signale in Hinblick auf eine Identifikation festgestellt. Die Messdaten wurden von vollkommen unabhängigen Messaufbauten im Wegbereich aufgenommen, nämlich dem Oberbau- und dem dynamischen Messwagen, welcher die Fahrzeugreaktion misst. Auf Grund der Variation des Samplingintervalls treten nichtlineare Verschiebungen zwischen den Datensätzen auf. Die Synchronizität wird mittels Kreuzkorrelationsanalyse, redundanter Geschwindigkeitsmessung und einem modellbasierten Ansatz untersucht. Die redundante Geschwindigkeitsmessung führt gegenüber der bewährten Methode der Kreuzkorrelationsanalyse zu keiner Verbesserung. Der modellbasierte Ansatz, welcher den prädizierten und gemessenen Ausgang untersucht, wird mit linearen Modellen und Künstlichen Neuronalen Netzen angewendet.

Infolge verbesserter Synchronizität erzielen lineare Multi-Input Single-Output Modelle hoher Ordnung gute Ergebnisse in der Prädiktion der Radkräfte im niedrigen und mittleren Frequenzband. Die Verwendung von Künstlichen Neuronalen Netzen für die Abbildung des linearen und nichtlinearen Zusammenhangs führt in der vorliegenden Untersuchung zu keiner Verbesserung der Genauigkeit der Prädiktion gegenüber den linearen Modellen.

Zusammenfassung (Englisch)

The aim of the present work is the identification of a black-box model to determine the relationship between track data and dynamic vehicle response of a railway car, in particular the wheel-forces. Thus, the relationship is investigated by linear and non-linear models using a black-box approach.

Track geometry and vehicle response data have been collected and are evaluated in order to identify inherent characteristics (e.g. filtering, cut-off frequencies, redundancy) as well as systematic and stochastic errors.

As track section data have been measured repeatedly, outliers can be detected and the consistency of the measurement procedure is verified.

Furthermore, restrictive characteristics regarding identification procedures are determined. Track data and vehicle response have been recorded in the spatial domain using independent test cars. Variation of the sampling intervals leads to non-linear shifts between the data sets.

A synchronisation analysis is accomplished using cross-correlation, redundant speed signals and a model based approach. Compared to the well established cross-correlation method, redundant speed signals show no improvement. The model based approach is designed to analyse predicted and measured outputs using linear models as well as Artificial Neural Networks. In consequence of the improved synchronisation of the data sets, high-order linear multi-input single-output models result in a high accuracy prediction of the wheel-forces concerning low and medium frequencies. The application of Artificial Neural Networks for the identification of linear and non-linear relationships shows no enhancement regarding prediction accuracy compared to linear models.