KI-MeZIS - KI-Methoden in der Zustandsüberwachung und bedarfsangepassten Instandhaltung von Schienenfahrzeugstrukturen; Teilvorhaben: Ermittlung von repräsentativen Lastkollektiven für die anforderungsgerechte Auslegung der Schienenfahrzeuge

Abstract

Im Projekt KI-MeZIS wurden geeignete Bauteile des aTL für Sensorausstattung und Zustandsüberwachung identifiziert. Sensoren wurden basierend auf Erfahrungen und Simulationsergebnissen platziert, einschließlich Frontbereich, Bugklappe, Seitenschürze, Kurzkupplung, Fahrwerksaufnahme, Schlingerdämpferaufnahme und Außenhaut. On-Board-Messungen zeigten starke geschwindigkeitsabhängige aerodynamische Kräfte und instationäre Effekte, insbesondere bei besonderen Betriebsbedingungen wie Tunnelauffahrt. Lastkollektive wurden durch direkte Ableitung aus Sensorsignalen und Einsatz künstlicher Intelligenz ermittelt. Ein neuronales Netz, trainiert auf Basis von FE-Modellen, half bei der Vorhersage von Betriebslasten. Sensitivitätsanalysen ergaben, dass Geschwindigkeit und Masse der Impaktoren entscheidende Faktoren sind. Numerische und reale Versuche validierten die Simulationen und lieferten Lerndaten für KI-Methoden. Beschussversuche zeigten, dass Sensoren nahe dem Impactort zum Übersteuern neigen. Schäden traten hauptsächlich an der Kupplungsöffnung und an den Konsolen zur Anbindung an die Mimik auf. Eine genaue Identifikation der Projektilart war nicht möglich, aber die Position des Impakts konnte grob bestimmt werden. Datei-Upload durch TIB In the KI-MeZIS project, suitable components of the aTL were identified for sensor equipment and condition monitoring. Sensors were placed based on experience and simulation results, including the front area, nose flap, side skirt, close coupling, landing gear mount, roll damper mount and outer skin. On-board measurements showed strong speed-dependent aerodynamic forces and transient effects, especially under special operating conditions such as tunnelling. Load spectra were determined by direct derivation from sensor signals and the use of artificial intelligence. A neural network, trained on the basis of FE models, helped to predict operating loads. Sensitivity analyses showed that the speed and mass of the impactors are decisive factors. Numerical and real tests validated the simulations and provided learning data for AI methods. Bombardment tests showed that sensors close to the impact location tend to oversteer. Damage occurred mainly at the coupling opening and at the brackets for connection to the mimic. It was not possible to identify the exact type of projectile, but the position of the impact could be roughly determined.