Titelaufnahme

Titel
Detektion und Verfolgung von Zügen in OTDR Signalen : ein robustes Framework zur Zuglokalisierung in Signalen von optischer Zeitbereichsreflektometrie mit GPGPU Beschleunigung / von Adam Papp
Weitere Titel
Train detection and tracking in OTDR signals :a robust framework for train localization in optical time domain reflectometry (OTDR) singals using GPGPU acceleration
Verfasser / Verfasserin Papp, Adam
Begutachter / BegutachterinKropatsch, Walter ; Litzenberger, Martin
ErschienenWien, 2016
Umfangxv, 64 Seiten : Illustrationen, Diagramme
HochschulschriftTechnische Universität Wien, Diplomarbeit, 2017
Anmerkung
Zusammenfassung in deutscher Sprache
Text in englischer Sprache
SpracheEnglisch
DokumenttypDiplomarbeit
Schlagwörter (DE)OTDR Signalverarbeitung / Erkennung und Verfolgung von Zügen
Schlagwörter (EN)OTDR signal processing / Recognition and Tracking of Trains
URNurn:nbn:at:at-ubtuw:1-96671 Persistent Identifier (URN)
Zugriffsbeschränkung
 Das Werk ist frei verfügbar
Dateien
Detektion und Verfolgung von Zügen in OTDR Signalen [6.88 mb]
Links
Nachweis
Klassifikation
Zusammenfassung (Deutsch)

Diese Masterarbeit untersucht Algorithmen für die Nutzung von optischer Zeitbereichsreflektometrie (optical time domain reflectometry, OTDR) für Verbesserung der Eisenbahnsicherheit. OTDR, oft auch als Distributed Acoustical Sensing (DAS) bezeichnet, misst die Rayleigh-Rückstreuung eines Lichtimpulses in einem Lichtwellenleiter. Das resultierende Signal liefert Informationen über den lokalen Schalldruck in den einzelnen Segmenten, die Positionen entlang des Lichtwellenleiters entsprechen. Mit Hilfe von optischer Zeitbereichsreflektometrie ist es möglich Vibrationen im Boden, die durch verschiedene Quellen verursacht werden können, mit hoher Genauigkeit in Zeit und Ort zu detektieren. In dieser Arbeit wird ein neues Verfahren für die Detektion von Boden-Vibrationen die durch Züge verursacht werden, mittels optischer Signale aus Lichtwellenleitern welche in wenigen Meter Entfernung längs der Eisenbahnstrecken installiert sind, vorgeschlagen. Das hier präsentierte Verfahren lernt die charakteristischen Muster der Vibration von Zügen in der Fourier Domäne mit Hilfe einer Support Vector Machine (SVM).% und es ist robust gegen Hintergrundrauschen im Signal. Es wurde gezeigt, dass es mit einer General Purpose Graphical Processing Units (GPGPU) möglich ist, die Merkmalswerte in Echtzeit zu berechnen. Für die Verfolgung von Zügen wird ein Punkt-basierter kausaler Algorithmus vorgestellt. Das Verfahren zur Zugsverfolgung ist zweistufig um Fehler zu reduzieren und es wurde als Optimierungsproblem gelöst. Obwohl in der Literatur bereits mehrere Algorithmen für die Zugverfolgung mit OTDR Signale demonstriert wurden, wurde diese nie an längeren, realistischen Streckenabschnitten oder mit einer größeren Anzahl von Zügen getestet. In Gegensatz zum bisherigen Stand der Forschung, enthält der Streckenabschnitt der in dieser Arbeit untersucht wurde, vier Zughaltestellen und mehr als zehn Zugtrajektorien über eine Gesamtbeobachtungsdauer von zwei Stunden unter realistischen Bedingungen. Nach unserer Kenntnis wurden in der vorliegenden Arbeit Algorithmen für Zugdetektion- und tracking mit OTDR Signalen zum ersten Mal gegen Grundwahrheiten von Trajektorien aus einem konventionellen Zugtracking-System validiert.

Zusammenfassung (Englisch)

This thesis investigates the use of an Optical Time Domain Reflectometry (OTDR) device for railway safety improvement. OTDR sensing, often also termed Distributed Acoustical Sensing (DAS), measures the Rayleigh backscattering of a light pulse along an optical fiber. The resulting signal provides information on local acoustic pressure at linearly spaced segments, corresponding to positions, along the fiber. Using optical time-domain reflectometry, vibrations in the ground caused by different sources can be detected with high accuracy in time and space. We propose a novel method for the detection of vibrations caused by trains in an optical fiber buried within a few meters from the railway track. The presented method learns the characteristic pattern in the Fourier domain using a Support Vector Machine (SVM) and it becomes robust to background noise in the signal. We show that using a General Purpose Graphical Processing Unit (GPGPU) it is possible to compute feature values relevant for train detection in real-time. For the tracking of trains, a point-based causal algorithm is presented. The tracking has two stages to minimize the influence of false classifications of the vibration detection and is solved as an optimization problem. While several algorithms have been demonstrated in the literature for train tracking using OTDR signals, they have neither been tested on longer recordings nor with a large number of train samples. In contrast to that, our data contain four railway stations and more than ten train trajectory crossings over two hours under realistic conditions. To our knowledge, the presented algorithm is the first one in the literature which is tested against ground truth of train trajectories from a conventional train tracking system.

Statistik
Das PDF-Dokument wurde 35 mal heruntergeladen.