Weniger Lärm auf der Schiene: Transferprojekt zur Geräuschdämpfung

Künstliche Intelligenz hilft bei der Erfassung von Lärmquellen. Interview mit Dr. Agnes Eiband

Lärm bringt Stress. Im schlimmsten Fall kann eine starke Geräuschkulisse auch krank machen. Darum setzt sich die Dortmunder Eisenbahn GmbH, eine Tochter der Captrain Deutschland GmbH, dafür ein, dass es auf den Schienen leiser zugeht. Im Transferprojekt mit dem Mittelstand-Digital Zentrum Ruhr-OWL und in Zusammenarbeit mit dem Fraunhofer LBF in Darmstadt überprüft das Unternehmen Lärmquellen und Möglichkeiten der Lärmdämpfung. Im Interview erläutert Projektleiterin Agnes Eiband vom Fraunhofer IML.

Projektpartner

CNA - Center for Transport & Logistics Neuer Adler e.V.
Dortmunder Eisenbahn Infrastruktur GmbH
Fraunhofer IML, Fraunhofer LBF (Mittelstand-Digital Zentrum Darmstadt)

Ort

Nürnberg & Dortmund

genutzte Services

KI-Transferprojekt

Digitalisierung als Herausforderung

Lärmbelästigung in Wohngebieten

Was waren die Ziele des Projekts?

Die Werksbahnen der Dortmunder Eisenbahn GmbH fahren in dicht besiedelten Gebieten. Für Anwohnenden sind Betriebsgeräusche wahrnehmbar, auch wenn die Bahnen bei der Anfahrt von Gleisanschlüssen und Werkstätten auf bis zu 5 km/h runtergedrosselt werden. Wir sind den Hauptlärmquellen in diesem Bereich auf den Grund gegangen und haben geprüft, welche dieser Lärm-Probleme wir aktiv oder auch passiv angehen können.

Gruppenbild auf dem Werksgelände.

Es besteht hier keinerlei Gefahr für die Gruppe.

(Foto: Karina Kampert/Digital Hub Management GmbH)

Lärmüberwachung

Welche Schritte waren auf diesem Weg entscheidend?

Zunächst wurden eine Kamera und ein Mikrophon an einer wichtigen Stelle an den Gleisen genutzt. Bei der Überschreitung eines bestimmten Lärmpegels wurden sie aktiviert und haben Züge bei der Ein- und Ausfahrt aufgezeichnet. Auf diese Weise sind in einem Monat 300 Videos zusammengekommen. 160 Fahrten wurden so festgehalten. Um diese auszuwerten, haben wir mit Künstlicher Intelligenz (KI) gearbeitet. Wir haben die Aufnahme einzeln angesehen und gekennzeichnet, einen frei verfügbaren Algorithmus mit den Daten „gefüttert“ und trainiert, der damit Geräusche erkennen und unterscheiden und die Zuweisung zu dem jeweiligen Gleis und den logistischen Eigenschaften erkennen kann.

Datensammlung

Woran Woran erkennt die KI die Art des Lärms?

An den Frequenzen. Motorgeräusche sind sehr dumpf und sehr lang, Schienenquietschen ist sehr hoch und die Zughupe ist natürlich besonders prägnant. Anschließend mussten die Lärmvorfälle den jeweiligen Prozessen wie zum Beispiel „Beladen“ oder „Ausfahrt“ zugeteilt werden. Auch haben wir die unterschiedlichen Wagentypen berücksichtigt und ausgewertet.

Ausblick

Welche Erkenntnisse haben Sie auf diese Weise erhalten?

Keine erkennbaren Auswirkungen auf den Lärm hatten zum Beispiel die Tageszeit oder die Abnutzung des Gleises. Der Ladezustand oder bestimmte Stellen an Gleisen wie Weichen oder Kurven machten sich hingegen bemerkbar. Zudem haben wir auch schalltechnische Erkenntnisse ausgewertet und mögliche Maßnahmen geprüft – aktive und passive.

Air Noise Cancelling

Welche Möglichkeiten gibt es denn, dem Lärm entgegenzuwirken?

Unter anderem haben wir Air Noise Cancelling (ANC) getestet und mit dem Prinzip Gegenschall gearbeitet. Bei hohen Frequenzen wie dem Schienenquietschen eignet sich diese Technik allerdings nicht und im aktuellen Fall konnten wir den Einsatz von ANC daher nicht empfehlen. Effekte haben so genannte Wayside-Maßnahmen, also zum Beispiel Lärmschutzwände sowie Maßnahmen direkt am Zug. Simulationen haben unter anderem eine gute Wirkung bei Schienenstegdämpfern gezeigt. Sinnvoll ist hier auch ein dauerhaftes KI-Monitoring mit automatisierter Auswertung. So können die Maßnahmen kontinuierlich bewertet werden.

Erfolgsgeschichten

Künstliche Intelligenz