Operative Systeme liefern oft mehr Information, als ein Sensor „offiziell“ messen soll. Genau hier setzt das Konzept des virtuellen Sensors an: vorhandene Signale werden so ausgewertet, dass daraus eine zusätzliche, betriebsrelevante Zustandsinformation entsteht – ohne neue Hardware, aber mit belastbarer Modellierung, Robustheit und Feedback-Schleifen aus dem Feld.
Dieser Artikel beschreibt eine typische Vorgehensweise der Algorithmus Schmiede anhand eines Praxisbeispiels: Weichenmonitoring über Vibrationen beim Überfahren und der konkreten Umsetzung als Virtueller Sensor für Schienenfahrzeuge.
Was ist ein virtueller Sensor?
Ein virtueller Sensor entsteht, wenn ein vorhandener Sensor (z. B. Beschleunigungssensoren am Fahrzeug) zweckentfremdet wird, um eine andere Größe abzuleiten – als Nebenprodukt aus dem Signal.
Im Bahnbetrieb heißt das: Statt zusätzliche Sensorik an der Infrastruktur zu installieren, nutzen wir die Fahrzeuge als mobile Messplattform. Der Nutzen ist operativ: häufiger, flächiger und wirtschaftlicher als punktuelle Messungen.
Zielbild: Weichenzustand erkennen – nur durch Darüberfahren
Die Aufgabenstellung im Beispiel:
- Ein Schienenfahrzeug fährt regelmäßig über eine Weiche.
- Beim Überfahren entstehen Vibrationen.
- Aus diesen Vibrationen soll der Zustand der Weiche abgeleitet werden.
- Die Messung muss nicht perfekt sein, weil viele Überfahrten statistisch zu einer stabilen Aussage führen können.
Der Knackpunkt: Die Vibrationen können auch von anderen Ereignissen stammen (Schwellen, Übergänge, Gleislagefehler). Operativ relevant wird die Lösung nur, wenn sie diese Effekte robust trennt.
Schritt 1: Detektieren, wann wirklich eine Weiche überfahren wird
„Wir messen Vibration, also war das die Weiche“ funktioniert in der Realität nicht zuverlässig. Deshalb wird die Ereigniszuordnung explizit modelliert.
Dazu nutzen wir mehrere Informationsquellen:
- Streckennetz- und Geometriedaten (z. B. Kurvenradien)
- Beschleunigungssignale im Kontext der Fahrzeugdynamik
Aus der gemessenen Querbeschleunigung (Zentrifugaleffekt) lässt sich ableiten, ob und wo sich das Fahrzeug in einer Kurve befindet. - GPS-Position als zusätzliche, aber fehlerbehaftete Beobachtung
GPS kann springen (Häuserschluchten, Tunnel). Gleichzeitig gilt: Das Fahrzeug kann nicht „springen“.
Genau hier entsteht ein statistisches Modell für die GPS Position: Ein Filter-/Schätzmodell kombiniert die unzuverlässige GPS-Beobachtung mit physikalisch plausibler Bewegung und Streckengeometrie. Ergebnis ist eine robuste Positionsschätzung und damit eine bessere Zuordnung: Welche Vibration gehört zur Weiche – und welche zu etwas anderem?
Schritt 2: Vibrationsprofil der Weiche extrahieren
Wenn klar ist, dass ein Überfahrereignis tatsächlich die Weiche betrifft, wird ein reproduzierbares Vibrationsprofil aufgebaut. Über viele Fahrten entsteht eine statistisch belastbare Basis – auch wenn einzelne Messungen verrauscht sind.
Das Ziel ist nicht „Signalverarbeitung als Selbstzweck“, sondern eine stabile Entscheidungsgrundlage im Betrieb: wiederholbar, wartbar, erklärbar.
Schritt 3: Physikalisches Zustandsmodell über das Fourierspektrum
Für die Zustandsbewertung wird ein physikalisch motivierter Zusammenhang genutzt:
- Verändert sich die Mechanik der Weiche (z. B. Spiel, bewegte Teile während der Überfahrt), dann ändern sich die dynamischen Eigenschaften.
- Diese Änderungen zeigen sich im Frequenzbereich: im Fourierspektrum des Vibrationssignals.
Praktische Interpretation im Modell:
- Eine „gesunde“ Weiche hat charakteristische Eigenfrequenzen.
- Bei Abweichungen erwarten wir neue oder verstärkte Peaks bzw. Verschiebungen im Spektrum.
- Damit wird aus „Vibrationen“ eine operationalisierbare Zustandsgröße: Weichenzustand dargestellt als Fourierspektrum der Vibrationen beim Überfahren.
Wichtig ist die Randbedingung aus der Praxis: Das Modell muss mit wechselnden Fahrzeugen, Geschwindigkeiten, Wetter, Beladung und Messqualität umgehen können.
Schritt 4: Benchmarking und Feedback aus dem Instandhaltungsprozess
Algorithmen werden erst dann betrieblich tragfähig, wenn sie gegen reale Befunde rückgekoppelt werden. Deshalb gehört ein Benchmarking-System zur Lösung:
- Der Algorithmus erzeugt Vorhersagen/Alarmierungen.
- Instandhaltungsteams liefern Rückmeldung nach Bestandsaufnahme und Austausch: Wie war der tatsächliche Zustand?
- Diese Labels fließen zurück in Modellkalibrierung und Grenzwertdefinition.
So entsteht ein lernendes, aber kontrolliertes System: nicht „KI als Black Box“, sondern ein belastbarer Entscheidungsprozess mit Rückkopplung aus der operativen Realität.
Warum dieses Vorgehen typisch für die Algorithmus Schmiede ist
Ein Virtueller Sensor Schienenfahrzeuge ist kein Standardprodukt. Er wird relevant, wenn:
- Standardsoftware die physikalische Situation und Randbedingungen nicht abdeckt,
- klassische Automatisierung an Varianz und Unsicherheit scheitert,
- interne Teams keine Kapazitäten haben, um Modell, Robustheit und Produktivsetzung sauber zu Ende zu bringen.
Die Algorithmus Schmiede entwickelt genau solche Lösungen: Planung, Regelung und Optimierung unter realen Randbedingungen – inklusive Simulation, Unsicherheitsbehandlung, Benchmarking und Implementierung in produktive Systeme. Verkauft wird nicht „Mathematik“, sondern Sicherheit und Entscheidungsfähigkeit im laufenden Betrieb.
Referenzmuster: Aus „falschem“ Sensor die richtige Information gewinnen
Ein ähnliches Projektprinzip wurde bereits umgesetzt: Die Bestimmung einer Objektfarbe aus reiner Distanzmessung. Gleiche Kernidee: vorhandene Sensorik liefert Signale, aus denen sich mit Modellierung und Validierung eine neue Zustandsinformation ableiten lässt. Mehr Informationen finden Sie hier.
Nächster Schritt
Wenn Sie ein operatives System haben, in dem Zustände nicht direkt messbar sind, aber Signale „nebenbei“ vorhanden sind (Vibration, Strom, Druck, Positionsdaten, Laufzeiten), dann ist ein virtueller Sensor oft der schnellste Weg zu robuster Entscheidungsfähigkeit.