Virtueller Achsdetektor basierend auf der Analyse von Brückenbeschleunigungsmessungen durch ein vollständig konvolutionales Netzwerk

In der praktischen Anwendung der Methoden für Brücken-Wiegung-in-Bewegung (BWIM) ist die Position der Räder oder Achsen während der Durchfahrt eines Fahrzeugs in den meisten Fällen eine Voraussetzung. Um die Verwendung konventioneller Achsdetektoren und brückentyp-spezifischer Methoden zu vermeiden, schlagen wir eine neuartige Methode zur Achsendetektion vor, die mit Beschleunigungssensoren realisiert wird, die willkürlich auf einer Brücke platziert sind. Um ein Modell zu entwickeln, das so einfach und nachvollziehbar wie möglich ist, wird die Aufgabe der Achsendetektion als binäres Klassifikationsproblem anstelle eines Regressionsproblems umgesetzt. Das Modell wird als vollständig konvolutionales Netzwerk implementiert, um Signale in Form von kontinuierlichen Wavelet-Transformationen zu verarbeiten. Dadurch können Durchgänge beliebiger Länge in einem einzigen Schritt mit maximaler Effizienz verarbeitet werden, während mehrere Skalen in einer einzigen Auswertung genutzt werden. Dies ermöglicht es unserer Methode, Beschleunigungssignale von jedem Standort auf der Brückenstruktur zu verwenden und als virtuelle Achsdetektoren (VADs) zu fungieren, ohne auf spezifische Strukturtypen von Brücken beschränkt zu sein. Um die vorgeschlagene Methode zu testen, haben wir 3787 Zugdurchfahrten analysiert, die auf einer Stahlträgerbrücke einer Fernverkehrslinie aufgezeichnet wurden. Die Ergebnisse der Messdaten zeigen, dass unser Modell 95% der Achsen erkennt, was bedeutet, dass 128.599 von 134.800 zuvor nicht gesehenen Achsen korrekt erkannt wurden. Insgesamt wurden 90% der Achsen mit einem maximalen räumlichen Fehler von 20 cm und einer maximalen Geschwindigkeit von vmax=56,3 m/s erkannt. Die Analyse zeigt, dass unser entwickeltes Modell Beschleunigungssensoren als VADs sogar unter realen Betriebsbedingungen nutzen kann.