用于识别交通工具的特性的方法和装置与流程

本发明涉及一种用于识别轨道导引的交通工具的特性的方法，其中，计轴器在轨道导引的交通工具行驶通过期间获取测量数据，计算机辅助地分析所述测量数据并且在此确定交通工具的速度和轴距，并且计算机辅助地根据所确定的速度和所确定的轴距确定轨道导引的交通工具的特性。此外，本发明涉及一种用于确定轨道导引的交通工具的特性的装置，所述装置包括至少一个用于在交通工具行驶通过期间获取测量数据的计轴器，所述装置包括计算机，所述计算机设置用于，分析所述测量数据并且在此确定交通工具的速度和轴距，以及根据所确定的速度和所确定的轴距确定轨道导引的交通工具的特性。最后，本发明涉及一种计算机程序产品以及用于这种计算机程序产品的提供装置，其中，所述计算机程序产品装备有用于执行这种方法的程序指令。

背景技术：

1、铁路运行中的典型的安全保障技术不识别轨道导引的交通工具(以下也称为轨道交通工具或者列车)的多个特性、例如列车的类型(例如货运列车、区域列车、列车头等)，而是只识别逻辑特性，例如对轨道空置检测路线的占用。另一方面，运行指挥技术识别这种类型并且必要时识别其它的列车特性，但这些特性通常不能作为可靠决定的基础，因为它们本身不具有必要的安全性等级。但对于特定的运行情况中的列车运行仍需要以必要的安全性等级确定列车类型。这在如今通过技术上和运行上的方法的混合、部分地以较大的耗费实现。

2、在瑞士称为列车类别的列车类型是不同铁路列车的类别。列车的划分在考虑到其使用的情况下、按照其对于交通的作用并且基于其在调度上的操作进行。每个列车通过列车类型和列车号被标明。

3、对于列车类型的名称是变化的；因此除了口语的名称之外也存在专业术语的名称即交通学术语、从国家铁路时期通过规定形成的名称以及铁路交通企业的品牌名称。然而，与使用哪些列车类型无关，这些列车类型实现了对行驶中的列车的更准确的说明。这些列车类型例如可以存储在铁路自动化系统中并且用于控制任务。

4、专利文献ep 2 718 168 b1涉及一种用于运行具有至少一个路线装置的铁路安全保障设备的方法，所述方法在考虑在轨道交通工具驶入铁路安全保障设备的接通路线(einschaltstrecke)中时获取到的速度测量变量的情况下执行。在轨道交通工具驶入接通路线中时根据速度测量变量检验是否需要设置校正时间，用于与速度测量变量相应地将报告从所述路线装置进一步传递至配属的铁路安全保障装置。之后检验所设置的校正时间是否应该根据轨道交通工具的至少一个其它的确定行驶时间的影响变量保持有效。

技术实现思路

1、本发明所要解决的技术问题在于，以较少的耗费(例如尽可能在没有需要附加安装的传感器的情况下，在硬件和软件上以较少的计算耗费)足够可靠地识别列车类型，使得所识别的列车类型能够使用在铁路运行的安全保障技术中。为此目的应该提供一种方法和适合于应用所述方法的装置。本发明所要解决的技术问题还在于，提供一种计算机程序产品以及用于这种计算机程序产品的提供装置，通过所述计算机程序产品能够执行前述的方法。

2、该技术问题通过本文开头所述的方法按本发明这样解决，即在检验步骤中，确定标准轴距的模式，方式为给每个所确定的轴距配置(或者说分配)在考虑预设的标准速度的情况下计算的标准轴距，并且将标准轴距在考虑其顺序的情况下组合为模式，将所述模式与(多个)参考模式作比较，并且在识别出所述模式与(一个)参考模式一致的情况下，为所述交通工具配置与所述参考模式相关联的类型作为特性。

3、换而言之，按照本发明规定，由行驶通过期间的计轴器的原始数据确定列车组的轴距。尤其是客运列车如ice(城际特快列车)或者区域列车由固定的单元组成，所述单元通常保持在一起，没有车厢从所述单元中脱开。因此存在模式，所述模式能够通过将这些单元耦连被多重地依次测量并且是彼此类似的。此外，列车在其整体中形成对于这个列车典型的模式。因此，客运列车可以说具有固定的“指纹”，所述指纹只由于测量误差等改变。

4、在列车运行中使用模式识别的优点基本上在于，列车运行的参数、例如铁路道口的关闭时间或者路线的开放能够灵活地与基于所研究的特性的模式识别进行配置的交通工具适配。由此例如可以实现更大的路线利用。其它的示例是对危险重点的可靠识别，对于它们可以采取安全保障措施。

5、与之相反，在货运列车中存在其它的、通常是可变的并且因此不是类似或者相同的模式，取决于哪些和多少单元被耦连在一起(但可以识别作为整体的货运列车的模式)。因此，数据可以显示为多维向量，所述多维向量的分量代表轴之间的距离，即轴1相对于轴2直至轴n-1相对于轴n(对于列车的n个轴，在实际中不超过250个)。

6、术语相同(identical)和类似(similar)的含义应该按照模式识别理解。这表示，模式的比较可能导致，这些模式被评估为相同或者类似(或者评估为不同或者不类似，即不是接近的)。这些评估优选计算机辅助地进行。

7、如果模式比较中的所有检验标准得到的结果是，存在检验标准的一致性，则将模式理解为相同的。因为检验标准基于测量值，所以在此可以确定用于测量的公差区间，检验标准可以处于所述公差区间内，以便被理解为相同的。

8、如果检验标准的分析得出，这些检验标准至少大部分彼此相应，则将模式理解为类似的。在此需要注意的是，如果模式相同，则因此也存在类似性。

9、在问题的答案为是的情况下，即标准至少大部分彼此相应，必须确定执行模式识别。在此，对于所述特性的识别一般适用以下关联。用于识别类似性的标准越严格，所识别的类似的模式实际上总是导致识别出正确列车类型的概率越大。用于识别类似性的标准越不严格，列车类型被错误识别的概率越大。

10、按照本发明的方法在技术上与标准的严格性无关地起作用。然而在运行中需要确定，关于标准的严格性相对于更安全的运行在何处存在最佳(以下还将更多地阐述标准的确定)。

11、对于本发明重要的、增大相同或者类似的模式的识别难度的方面在于，交通工具可能以不同的速度穿过计轴器。如以下还将详细阐述的那样，这影响通过计轴器测量的信号曲线。为了消除这种效应，按照本发明定义标准速度。针对所述方法确定所述标准速度，其中，速度的数值可以自由选择(但随即被确定)。

12、如果所测量的信号现在根据标准速度被归一化(normieren)，则能够由针对标准速度适用的标准距离计算模式。这个模式随即可以与同样针对这个标准速度创建的参考模式作比较。这个参考模式可以有利地与行驶通过计轴器的交通工具的速度无关地用于由标准距离计算的模式的比较。包含在关于列车类型的信号中的信息在不同的速度中不被改变，而是只通过速度被压缩或者拉伸。因此，在数学上看，包含在轴数信号中的信息相对于速度改变是不变量。

13、由于针对特定的列车或者特定的列车类型只需要提供一个参考模式，以便实现与由标准距离获得的模式的比较，因此有利地减少了存储器容量的使用以及在将所述模式与参考模式比较时的计算耗费。因此，按照本发明的方法可以特别高效地执行。此外，能够更快速和更简单地制订运行所述方法的计算环境的配置，这在运行中带来经济性的好处(对此以下还将更多地阐述)。

14、参考模式例如可以存储在存储器装置中。服务器可以提供参考模式，以实现与所确定的模式的比较。其它可能性在于，参考模式存储在形成计轴器的组成部分的存储器装置中。由此能够在技术上将计轴器修改为具有一定的智能，换而言之，修改为自给自足(自主)或者部分自给自足地行动的单元。

15、将参考模式存储在存储器装置中的优点是，这些参考模式在任何时间都是可用的，并且在需要时可以在没有时间延迟的情况下被调取。存储器装置还可以针对路线特定地存储不同的参考模式，因此也只有特定的参考模式可供用于特定路线区段上的特定计轴器。

16、“计算机辅助”或者“计算机实施”与本发明相关地可以理解为以下方法的实施，其中至少一个计算机或者处理器执行该方法的至少一个方法步骤。

17、术语“计算机”或者“电脑”涵盖任何具有数据处理特性的电子设备。计算机例如可以是个人计算机、服务器、手持计算机、移动无线设备和其它以计算机辅助方式处理数据的通信设备、处理器和其它用于数据处理的电子设备，这些设备优选还能够相互连接以形成一个网络。

18、与本发明相关地，“处理器”例如可以理解为转换器、用于产生测量信号的传感器或者电子电路。处理器尤其可以是中央处理单元(英语central processing unit，cpu)、微处理器、微控制器或者数字信号处理器，可能与用于存储程序指令的存储器单元相结合，等等。处理器也可以理解为虚拟化的处理器或者软cpu。

19、与本发明相关地，“存储器单元”例如可以理解为随机存取存储器(英语random-access memory，ram)或者数据存储器(硬盘或者数据载体)形式的计算机可读的存储器。

20、作为“接口”可以在硬件技术上、例如通过线缆连接(或者说有线连接)地或者作为无线电连接实现，和/或者在软件技术上、例如作为一个或者多个计算机程序的各个单独程序模块或者程序部分之间的互相作用实现。

21、“云”应该理解为用于“云计算”(德语rechnerwolke或者datenwolke)的环境。这指的是通过例如互联网的网络的接口提供的it基础设施。它通常包含存储空间、计算能力或者软件作为服务，而无需将这些存储空间、计算能力或者软件安装在使用云的本地计算机上。在云计算框架内提供的服务包括整个信息技术领域并且主要包含基础设施、平台和软件。

22、“程序模块”应该理解为各个单独的功能单元，所述功能单元实现方法步骤的按照本发明的程序流程。这些功能单元可以在唯一的计算机程序中实现，或者可以在多个相互通信的计算机程序中实现。在此实现的接口可以在唯一的处理器内以软件技术实现，或者在使用多个处理器时以硬件技术实现。

23、只要在以下说明中未另作说明，则术语“创建”、“确定”、“计算”、“生成”、“配置”、“修改”等优选是指产生和/或改变数据和/或将数据转换成其它数据的过程。在此，数据尤其作为物理量存在，例如作为电脉冲或者也作为测量值存在。必要的指示、程序指令作为软件被组合在计算机程序中。此外，术语“发送”、“接收”、“读入”、“读出”、“传输”等是指各个单独的硬件组件和/或软件组件通过接口的互相协调作用。

24、按照本发明的一个设计方案规定，每个轴距在考虑交通工具的针对相关的轴距适用的单独速度的情况下被确定。

25、如果一般化地在测量中允许有加速度，则两个相邻车轮之间的加速度可以近似地被视为不变的并且从数据中估计出来。因此，前述说明中的加速度是准恒定的，因为由于交通工具的惯性，至少在两个轴之间总是只会出现可忽略不计的加速度变化。因此，借助速度，即使在存在瞬时(“恒定”)加速度的情况下，也可以将相关计轴器的测量值再往回计算(即归一化)出标准速度(假定加速度为零)。现在针对相关轴距假定的这个标准速度相应于针对这个轴距适用的单独速度。

26、按照本发明的一个设计方案规定，将所述单独速度计算为平均速度，交通工具在定义轴距的轴通过所述计轴器之间的时间段中具有所述平均速度。

27、平均速度有利地代表了一种比较易于计算的标准，所述标准比较好地接近轴与轴之间的实际速度。这例如可以由此计算，即获取从特定的轴通过计轴器直至下个轴(通过所述计轴器)经过的时间并且由此在轴之间的距离已知的情况下(知道属于交通工具的模式，确认分配结果)计算平均速度。所述平均速度也可以通过以下方式计算，即获取特定的轴从通过一个计轴器到通过下一个计轴器经过的时间并且由此在计轴器之间的距离已知的情况下计算速度。

28、按照本发明的一个设计方案规定，由两个通过计轴器根据定义轴距的轴计算的轴速度计算所述平均速度。

29、本发明的这个设计方案的前提是，可以通过所使用的计轴器来测量交通工具的行驶通过的车轮的瞬时速度。在这种情况下，针对每个轴都有速度值可供使用。如果交通工具被加速或者减速(这意味着负加速度)，则针对每个轴的速度测量值都会发生变化。因此对于相关的轴距，定义轴距的轴的速度的平均值有利地形成针对单独速度的良好近似值。

30、按照本发明的一个设计方案规定，在确定轴距之前对信号曲线进行平滑处理

31、平滑化措施考虑到这样的情况，即如果不清楚车轮或者车轮中心何时到达传感器，可能很难准确地在依次相续的车轮之间估计时间间隔，因为原始数据通常或多或少受到干扰或者有噪声。因此，原始的时间序列(计轴器的测量值)通过滤波器、例如通过小波变换或者在简单情况下通过移动平均(moving average)被平滑处理。由此获得足够平滑的时间序列并且例如可以估计车轮中心(作为最大值)或者车轮的其它特征(例如通过阈值)。这些值针对每个车轮被确定并且由此形成用于时间测量的基础。

32、按照本发明的一个设计方案规定，在其它的检验步骤中，确定交通工具的总长度作为交通工具的其它特性。按照本发明的另一个设计方案规定，在方向和/或数值和/或总长度方面对所测量的速度进行可信度检验并且输出可信度检验的结果。

33、由所确定的交通工具模式可以推导出检验条件，通过所述检验条件可以检验信号的可信度，例如速度应该低于路线最大速度(必要时在考虑公差范围的情况下)。或者速度都应该具有相同的符号(否则就会倒着行驶，这在实际条件下至少在自由路线上通常不会发生)。如果可信度检验失败，则对信号进行保守的评估，例如将列车类型设定为未知。

34、在可信度检验之后，应用所有由交通工具或者路线模型产生的静态规则。例如，如果最长的客运列车是500米长，那么所有更长的列车(必要时在考虑公差范围的情况下)都会被自动分类为货运列车。或者速度超过160公里/小时的列车作为客运列车。但也可以通过推导出的数据形成更复杂的规则：例如加速度变化强烈的列车被分类为未知，因为它要么是特殊的运行情况，要么是一次攻击。

35、另一个示例可能是新建路线上的隧道之前的tbv(隧道相遇禁令)。通常在该处不允许调车并且也不允许倒车，甚至在spad(危险时通过的信号(signal passed atdanger)，signalvorbeifahrt)之后也不允许。针对列车类型的路线最大速度是已知的。

36、因此在可信度检验步骤中，由时间序列的原始信号确定重要的物理参数，如对于每个车轮确定速度v、对于依次相续的车轮确定加速度a和列车的长度等。

37、除了获取轴数之外，计轴器由于通常设计为双传感器系统原则上也适合确定其它数据、如以上所述的数据。此外，相对容易实现的是，通过简单的传感器来补充计轴器，所述传感器例如获取行驶通过期间的轴负荷。

38、示例性地可以使用以下测量原理。

39、·列车的行驶方向：通过比较双传感器的影响(例如通过分析信号生成时的时间错移)确定，

40、·在轴行驶通过期间的列车速度：由双传感器的距离例如通过分析信号生成时的时间错移或者在轴距已知的情况下由估计的车轮中心通过的时间间隔确定，

41、·在行驶通过期间的平均速度和/或行驶通过期间的加速度：由不同车轮的平均数或者速度的数值导数确定，

42、·车轮直径：由计轴器的影响的时长确定。

43、从以这种方式确定的参数组中，有利地选择一个适合于应用情况的参数组。例如如果车轮直径对于路线上的所有列车都差不多，就可以省略所述车轮直径。现在，对于所考虑的参数，收集或者测量针对地点特定的代表性数据，并且进行分类，例如客运列车、货运列车。这指的是有限数量的整数或者实数的测量值，例如这可以是速度和轴数，以便在此提供说明性的二维示例。就是说原则上获得一个分类任务，如以下关于图5所述的那样。

44、总的来说，除了需要比较的模式之外，收集其它的参数作为附加的特性使得对交通工具特性的识别更不易出错。有利地可以在列车识别时达到更高程度的可靠性，因此可以更有效地控制列车交通。在现有的列车交通控制任务中需要考虑哪些参数取决于单独情况的给定条件。在设计控制方法时，需要以适当的方式选择参数。

45、按照本发明的一个设计方案规定，针对第一检验步骤和/或所述其它的检验步骤，分析或者说应用机器学习方法。

46、机器学习有利地实现了运行过程的优化，即在运行期间可靠地识别列车特性、尤其是列车类型。由此所述系统也能够自动地适应不断变化的运行条件。例如，当在特定的路线区段上使用新型的客运列车时，可以创建附加的模式。为此目的，例如可以应用神经网络或者其它具有人工智能的装置。

47、在本发明的范围内，人工智能(以下也缩写为ai或者ki)在狭义中理解为计算机辅助的机器学习(machine learning，以下也缩写为ml)。这在此指的是对算法参数化的统计学习，优选用于复杂的应用情况。通过ml，系统根据之前输入的学习数据识别和学习所获取的过程数据中的模式和规律性。借助合适的算法，可以通过ml独立地找到针对出现的问题的解决方案。ml划分为三个领域，即监督学习、无监督学习和强化学习(reinforcementlearning)，更具体的应用例如包括回归和分类、结构识别和预测、数据生成(采样)或者自主行动。

48、在监督学习中，系统通过已知数据的输入和相关输出的关联性进行训练并且以此方式近似地学习到函数关联。在此，这取决于合适的和足够的数据的可使用性，因为如果用不合适的(例如非代表性的)数据训练系统，则系统就会学到错误的函数关联。在无监督学习中，也通过示例数据训练系统，但只通过输入数据并且在没有与已知输出的关联的情况下训练。它学会了如何形成和扩展数据组，什么对于应用情况是典型的以及哪里出现了偏差或者异常。由此能够描述应用情况并且发现错误状态。在强化学习中，系统通过试验和错误来学习，方式为针对给定的问题建议解决方案并且通过反馈函数获得对该建议的积极或者消极的评价。根据奖励机制，人工智能系统会学习执行相应的功能。

49、机器学习例如可以通过人工神经网络(以下对于artificial neural network简称ann)来进行。人工神经网络通常基于许多神经元的交联，例如mcculloch-pitts神经元或者其略微的变型。原则上，其它人工神经元、例如高阶神经元也可以应用于ann中。网络的拓扑结构(连接向节点的分配)必须根据其任务来确定。在构建网络之后跟随的是训练阶段，在这个阶段中，网络会“学习”。在此，网络例如可以通过以下方法进行学习：

50、·发展新的连接

51、·删除存在的连接

52、·改变权重(从神经元j到神经元i的权重)

53、·如果神经元具有阈值，调整神经元的阈值

54、·添加或者删除神经元

55、·激活函数、传播函数或者输出函数的修改。

56、此外，当神经元的激活函数或者网络的学习速率改变时，学习行为也改变。实际上，ann主要通过修改神经元的权重而学习。阈值的调整在此可以通过on神经元进行。由此使得ann能够通过学习算法学习复杂的非线性函数，所述学习算法试图通过迭代或者递归的方式从现有的输入值和期望的输出值中确定函数的所有参数。在此，ann是联结主义范式的实现，因为函数由许多同类的简单部分组成。只有在它们的总和中，行为才变得复杂。

57、按照本发明的一个设计方案规定，只在可信度检验的结果为正时，应用机器学习方法。

58、如已经阐述的那样，附加的优点在于，通过针对路线和交通工具特定的检验条件和可信度条件来辅助人工智能模式识别。在此重要的是，在可信度检验中利用包含在信号中的信息的数学不变性。

59、主要优点是，由此大大降低了需要评估的问题的维度和复杂性，并且需要明显更少的数据来通过机器学习训练和验证人工智能算法。

60、这也增大了所谓的对抗攻击的难度。在人工智能(ai)或者机器学习的情况下，对抗攻击(德语“feindlicher angriff”)理解为使用对抗性的示例(德语“feindlichebeispiele”)来操纵分类结果。一个对抗性的示例是对人工神经网络进行特别操纵的输入信号，所述输入信号故意误导人工神经网络作出错误分类。所述操纵这样进行，使得人类观察者没有注意到所述操纵或者没有认识到它是这样的操纵。例如，在用于识别对象而训练的神经网络中，图像的像素可能会轻微地改变，因此这些改变对人类来说是不可见的，但网络却错误地分配了图像上的对象。在神经网络的所有应用领域中，已经可以证实对于对抗性示例的易受影响性。由于深度神经网络的日益成功及其在安全关键任务中、如在自动驾驶中的使用，人们越来越关注对抗攻击和用于防御或者识别这种对抗性示例的方法。

61、按照本发明的一个设计方案规定，由多次测量的测量数据确定针对所述特性的概率密度。

62、对概率密度的认识使得能够定义分类边界(klassifikationsgrenze)以用于分配特性。在此，该方法有利地在分类边界方面非常稳健，因为对于按照本发明的相对低维的问题，可以从数据中估计出针对不同类别的概率密度(例如通过对测量结果的密度估计)，从而也可以确定针对不正确分类的错误概率。

63、所述技术问题备选地也通过本文开头所述的装置按照本发明由此解决，即所使用的计算机也设置用于在确定特性时执行按照本发明的方法。

64、已经与在上文更详细地描述的方法相关地阐述的优点可以通过该装置实现。关于按照本发明的方法所述的内容也相应地适用于按照本发明的装置。

65、此外，要求保护一种具有用于执行按照本发明的所述方法和/或本发明的实施例的程序指令的计算机程序产品，其中，通过该计算机程序产品能够分别执行按照本发明的方法和/或本发明的实施例。

66、此外要求保护一种用于存储和/或提供计算机程序产品的提供装置。例如，提供装置是存储和/或提供计算机程序产品的存储器单元。备选地和/或附加地，提供装置例如是网络服务、计算机系统、服务器系统，尤其是分布式的、例如基于云的计算机系统和/或虚拟计算机系统，其优选以数据流的形式存储和/或提供计算机程序产品。

67、所述提供以计算机程序产品的程序数据块作为文件、尤其是下载文件，或者作为数据流、尤其是下载数据流的形式进行。然而，这种提供例如也可以作为由多个部分组成的局部下载实现。这样的计算机程序产品例如在使用提供装置的情况下被读入系统，使得按照本发明的方法在计算机上执行。