Home
Analyse und Simulation von Entstörungsstrategien bei der
Contents
1. Betriebsst rungen durch A Technische Ursachen B Betriebliche Ursachen C Externe Ursachen A1 zentrale Bedien und Anzeigeeinrichtungen A2 zentrale Leit und Sicherungseinrichtungen A3 dezentrale Leit Sicherungs und Energieversorgungseinrichtungen B1 Betriebs und Instand C1 Umwelt haltungsplanung C2 Fahrg ste B2 Betriebs und Instand haltungsdurchf hrung C3 Vandalismus A4 Komponenten an der Streckenperipherie A5 Komponenten in den Bahnh fen A6 Fahrzeug A7 Kommunikationseinrichtungen A8 Fahrweg A9 Bahnhofs und Ingenieurbauwerke B3 Betriebs berwachung und disposition Abbildung 2 Ursachen von Betriebsst rungen Die drei Bereiche werden in den Kapiteln 4 1 4 2 und 4 3 weiter untergliedert 4 1 Technische Ursachen Um die technischen Ursachen von Betriebsst rungen betrachten zu k nnen muss die Struktur des U Bahnsystems definiert sein In Abbildung 3 ist die technische Struktur eines typischen U Bahnsystems dargestellt zentrale Bedien und Anzeigeeinrichtungen T Kommunikation zentrale Leit und Sicherungseinrichtungen nn a o Kommunikation m 1 1 1 1 1 1 1 1 1 PESTELA N L__ 1 4 dezentrale Leit Sicherungs und Energieversor
2. Gleichung 3 Die hier benutzten statistischen Kenngr en entsprechen der Definition nach DIN EN 50126 Die Mean Time Between Failures MTBF wird bewusst nicht benutzt da diese Gr e in verschiedenen Normen und Richtlinien unterschiedlich definiert ist VDI Richtlinie 4001 und DIN EN 50126 cont ra DIN 40041 Dissertation Kai Frederik Zastrow 29 Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen Beide Kenngr en sind unabh ngig von der spezifischen Linienl nge und der Linien auslastung Plankilometer beziehen sich auf den aktuellen Fahrplan das hei t Baustellen planm Biger Pendelverkehr Sonderz ge usw sind ber cksichtigt F r die Anzahl p nktlicher Zugfahrten ist ein Bezug zum Ausma der zul ssigen Ver sp tung notwendig z B bis zu drei Minuten versp tet 5 1 Lille VAL System Der erste Abschnitt des VAL Systems V hicules Automatiques L amp gers wurde 1983 er ffnet Heute existieren zwei Linien mit einer L nge von insgesamt 45 km mit 62 Stationen die alle mit Bahnsteigt ren ausger stet sind Das Automatisierungssystem stammt von MATRA Monatlich gibt es im Durchschnitt zwei technisch bedingte Betriebsst rungen mit einer mittleren Dauer von sechs Minuten und zehn Betriebsst rungen mit einer mittleren Dauer von drei Minuten Alle weiteren technisch bedingten Betriebsst rungen liegen unterhalb einer Minute LIL Das Verh ltnis Istkilometer z
3. Es ist eine starke Streuung der Fahrzeit f r jede vorhandene Soll Zugfolgezeit zu er kennen Eine klare Tendenz l sst sich jedoch ohne weiteres nicht ablesen Dissertation Kai Frederik Zastrow 79 Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen 01 07 41 01 04 48 01 01 55 Fahrzeit SQ 61 eo D N 00 53 17 00 50 24 00 02 00 00 04 00 00 06 00 00 08 00 00 10 00 00 12 00 14 00 4 00 16 00 00 18 00 00 00 20 00 4 00 22 00 4 00 24 00 4 Soll Zugfolgezeit Abbildung 49 Fahrzeit auf der Linie U7 in Abh ngigkeit von der Soll Zugfolgezeit am Startbahnhof Beispiel 8 3 2 6 Zugfolgezeit am Startbahnhof Parameter F In Abbildung 50 ist die Abh ngigkeit der Fahrzeit von der Zugfolgezeit am Startbahn hof f r einen Beispieltag auf der Linie U7 dargestellt 01 10 34 01 07 41 01 04 48 01 01 55 Fahrzeit 00 53 17 00 50 24 00 00 00 00 02 53 00 05 46 00 08 38 00 11 31 00 14 24 00 17 17 00 20 10 00 23 02 Zugfolgezeit Abbildung 50 Fahrzeit auf der Linie U7 in Abh ngigkeit von der Zugfolgezeit am Startbahnhof Beispiel 80 Dissertation Kai Frederik Zastrow Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen Ein systematischer Zusammenhang l sst sich o
4. Kai Frederik Zastrow Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen HeulgeSiualensrrte reine En Betrieb Fahrg ste Anforderungsanalyse Anforderungsanalyse technisch betriebliche marketingbezogene i Strategien Strategien Entst rungsstrategien ber cksichtigen beide Abbildung 35 Verbindung betrieblicher und fahrgastbezogener Anforderungen Die dazu in 7 2 3 hergeleitete Entst rungsstrategie unter Zuhilfenahme von automatisch erfassten Betriebsdaten erfordert eine Betriebssimulation mit der zum Zwecke einer realistischen Fahrplanerstellung auf die Zukunft geschlossen werden soll mit dem Ziel die mittlere Fahrgastversp tung zu reduzieren Es gibt bereits zahlreiche Programme zur Betriebssimulation N K 96 REH 98 die teilweise auch Betriebsst rungen und sehr selten sogar den Einfluss von Fahrg sten ber cksichtigen CUR 80 Dabei werden stets analytische Modelle benutzt die den Betriebsablauf anhand mathematischer Formeln aus Eingangsgr en wie Streckentopo graphie Fahrdynamik der Fahrzeuge und Fahrgastzahlen berechnen F r viele Anwen dungszwecke ist diese Vorgehensweise sinnvoll und ausreichend VSI 95 Die analyti schen Modelle setzen jedoch voraus dass jede St rgr e entweder hinreichend bekannt oder ihr Einfluss vernachl ssigbar ist Gerade f r geringe Versp tungen die gem 6 3 den Hauptt
5. Wir betrachten nun den Folgezug Dazu wird folgende Indizierung benutzt Der erste Index bezeichnet den Bahnhof der zweite den Zug V12 bezeichnet beispielsweise die Versp tung des Zuges 2 bei Abfahrt aus Bahnhof 1 Dissertation Kai Frederik Zastrow 45 Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen Als Zugfolgezeit f r den Folgezug ergibt sich Z Zplan Vo V11 T z Tplan mit Gleichung 12 Vo2 Versp tung s des Folgezuges Zug 2 bei Ankunft im Bahnhof 1 V11 Versp tung s des Zuges 1 bei Abfahrt aus Bahnhof 1 Die zus tzliche Versp tung des Folgezuges bei der Abfahrt aus Bahnhof 1 die er durch eine verl ngerte T r ffnungszeit erh lt ist folglich analog zu den Gleichungen 8 und 9 F Gleichung 13 F AT T Tpian Vo Var E Voz F LaF ME Hieraus wird deutlich dass sich im Spezialfall Voa V11 keine Zusatzversp tung f r den Folgezug ergibt Selbst wenn dieser bei der Ankunft im Bahnhof 1 sogar mehr Ver sp tung hatte als sein Vorg ngerzug Vo2 gt Vo kann er bis zu einer Versp tung von Vo2 Vo L L F seine Versp tung reduzieren Es kann dabei von der realistischen Annahme L gt F ausgegangen werden Ansonsten w rden pro Zeiteinheit mehr Fahr g ste auf dem Bahnhof eintreffen als durch die Fahrgastt ren eines Zuges einsteigen k nnen so dass mit keiner betrieblichen Strategie eine berlastung verhindert werden k nnte
6. nusersssensessensessensensneneenn 65 Abbildung 34 Ist Zustand und Vision der Fahrplanerstellung nuesnseessesnennennnneennennnenenn 66 Abbildung 35 Verbindung betrieblicher und fahrgastbezogener Anforderungen unnenenenen 67 Dissertation Kai Frederik Zastrow 11 Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen Abbildung 36 Aufbau eines Neuronenkomplexes uuennesesssessnersnenseensnnnennnennnnnnnnnnnnnnn nennen nnnennenn 69 Abbildung 37 Mathematisches Modell eines Neurons 22422002200nsenseensensnnnnnennennennen nennen 69 Abbildung 38 Funktionsgraph der Sigmoidfunktion 22420442200rsenseensennsensnenneennennen nenne nennen 70 Abbildung 39 Funktionsgraph des Tangens Hyperbolikus 222422200220nseenenenenennennennennenne nennen 71 Abbildung 40 Phasen beim Einsatz Neuronaler Netze se seeseneesseeesssessesseseesessreseesessteressesressesesesseese 72 Abbildung 41 Beispiel f r die Struktur eines Neuronalen Netzes unnunseessensensnenesneeneennennenne nennen 72 Abbildung 42 Trainingsphase mit dem Backpropagation Algorithmus uesssessesseenneennennenen 73 Abbildung 43 Herleitung der Vorgehensweise zur Modellbildung U Bahnbetrieb 74 Abbildung 44 Ein und Ausgangsparameter des Neuronalen Netzes uneeesssseesneennenneenneenneennennnn 76 Abbildu
7. Anwenden der Ein und Ausg nge der Netzstruktur des Netzes des Netzes As u qualitative quantitative Simulation Merkmale Merkmale E E dw dw AM _ Prozess Prozess amp Prozessmodell N FIN GEN Abbildung 40 Phasen beim Einsatz Neuronaler Netze In der ersten Phase wird anhand qualitativer Prozessmerkmale die Anzahl der Ein und Ausg nge des zu simulierenden Prozesses festgelegt In der zweiten Phase wird die Struktur des Netzes ausgew hlt Dazu wird jedem Eingang ein Eingangsneuron und jedem Ausgang ein Ausgangsneuron zugeordnet Zwischen Eingangs und Ausgangs schicht befindet sich eine beliebige Anzahl versteckter Schichten Diese versteckten Schichten besitzen wiederum eine beliebige Anzahl von Neuronen Der Trainingspro zess in Phase 3 wird umso komplexer je mehr Schichten und Neuronen sich im Netz befinden Das beispielhaft in Abbildung 41 dargestellte MLP Netz besitzt drei Eing n ge zwei Ausg nge und zwei versteckte Schichten 2 Ausgangsneuronen 4 Neuronen I 5 Neuronen 1 i Eingabeschicht versteckte Schichten Ausgabeschicht Abbildung 41 Beispiel f r die Struktur eines Neuronalen Netzes 72 Dissertation Kai Frederik Zastrow Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen Neben MLP Netzen werden in Software Tools h ufig auch Radiale Basis Funktionen Netze RBF Netze angeboten Diese besitzen grunds tzlich nur eine versteckte Schicht Ander
8. Die mittlere Fahrgastwartezeit auf dem Bahnsteig h ngt von der Zugfolgezeit und der Ankunftszeit des Fahrgastes ab Wir gehen im folgenden von einer zuf lligen An kunftszeit des Fahrgastes auf dem Bahnsteig aus die f r dichte Zugfolgen vorausge setzt werden kann NEW 74 Im Betrachtungszeitraum werden die Zugfolgezeiten durchnummeriert von Z bis Zn Die mittlere Wartezeit f r einen Fahrgast der innerhalb der Zugfolgezeit Zx auf dem Bahnsteig eintrifft ist der Erwartungswert von Wk Z Zk E W a Gleichung 25 Die Wahrscheinlichkeit dass ein Fahrgast innerhalb der Zugfolgezeit Z auf dem Bahn steig eintrifft entspricht der Zugfolgezeit Zk bezogen auf die Gesamtzeit P Gleichung 26 Der Erwartungswert der Wartezeit W ber die Gesamtzeit betrachtet betr gt n E W P E W Gleichung 27 k 1 Durch Einsetzen von Gleichung 25 und 26 ergibt sich n Zk E Z E W EZ Gleichung 28 Er i 1 n n D Lz mit E 2 1 und E Z n n Durch Einsetzen der Varianz VAR Z 0 E Z E Z ergibt sich gem NEW 74 Dissertation Kai Frederik Zastrow 57 Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen ah VAR Z T E W gt u 7 Gleichung 29 Der erste Summand E Z 2 entspricht der mittleren Wartezeit wenn es keine Abwei chung von der mittleren Zugfolgezeit gibt das hei t ein einheitlicher Takt ohne Ver sp tu
9. F Tplan gt plan Dissertation Kai Frederik Zastrow 47 Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen Durch Einsetzen in die rekursive Gleichung 19 ergibt sich Z T E Vami Gleichung 21 plan Vim 1 n 5 Z plan plan T plan Van mn 7 plan Die entsprechende analytische Gleichung lautet n m n i 1 elle Vs Leon je pian TF Vol Gleichung 22 i 1 m 1 plan 7 Tptan Zplan planm ige Zugfolgezeit s Geweils bei Abfahrt des Zuges Tplan planm igeT r ffnungszeit s Voi Versp tung des Zuges i bei Ankunft im ersten Bahnhof s Seit den 70er Jahren des 20 Jahrhunderts gibt es Versuche das Ph nomen der Auf schaukelung von Versp tungen zu beschreiben So wird beispielsweise in OSU 72 versucht Konsequenzen f r die Disposition von Buslinien abzuleiten Allerdings wird stets davon ausgegangen dass das Fahrverhalten der Busse nach der Abfahrt vom Li nienbeginn nicht mehr beeinflusst werden kann da beispielsweise kein Betriebsfunk vorhanden ist In den 80er Jahren wird dieses Ph nomen in BER 82 am Beispiel von Stra enbahnlinien untersucht Die mathematische Betrachtung beschr nkt sich hier auf die einmalige St rung eines Zuges und deren Auswirkung auf die Linie Nicht nur bei Nahverkehrssystemen tritt dieses Ph nomen auf sondern beispielsweise auch in Geb uden mit mehreren Fahrst hlen Auch hier werden Fahrg ste den z
10. Kai Frederik Zastrow Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen Leitstelle Schreib Lese Mobiler Datenspeicher Ger t mit Kennung Abbildung 81 Hardwarestruktur der Zugidentifikation und Zuglauf berwachung Alle Zeiten werden durch das System sekundengenau erfasst Die Versp tungsklasse VK dient der Kategorisierung der Versp tung Sie ist wie folgt definiert e VK1 obis 1 Sekunden e VK2 0 bis 60 Sekunden e VK3 61 bis 180 Sekunden e VK4 181 bis Sekunden Die Datens tze werden in sogenannten Wochenarchiven gespeichert Auf diese Weise werden f r jeden Zug auf jedem Bahnhof Ankunfts und Abfahrtsver sp tung erfasst Diese Daten stellen ein detailliertes Prozessabbild des Betriebs dar 9 2 Durchf hrung der Simulation Die Betriebssimulation mit Neuronalen Netzen kann auf einem Personal Computer durchgef hrt werden der ber ein Computernetzwerk mit dem zentralen LISI Server verbunden ist Als erster Schritt ist die Strecke zu definieren f r die Fahrzeiten prognostiziert werden sollen Es kann sich dabei um eine beliebige Teilstrecke der U Bahnlinie handeln An schlie end m ssen die Datens tze ber das Netzwerk eingelesen werden die notwendig sind um alle auf der betrachteten Teilstrecke durchgef hrten Zugfahrten zu analysieren F r jede Zugfahrt k nnen die in Abbildung 44 definierten Ein und Ausgangsparameter ermittelt werden Die somit er
11. P nktliche Fahrten IGesamtzahl Fahrten 99 90 99 88 Abbildung 15 P nktliche Fahrten bis 20 Minuten versp tet Insgesamt sind 99 99 aller Zugfahrten bis zu 20 Minuten versp tet Auf der U5 be tr gt der Wert ebenfalls 99 99 36 Dissertation Kai Frederik Zastrow Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen Ursachen f r Versp tungen Die Versp tungsursachen ergeben sich wie folgt sonstige Vorkommnisse 4 Personalmangel 1 schadhafter Zug 27 schadhafte Betriebsanlagen 31 Abbildung 16 Versp tungsursachen im Bereich von f nf bis 20 Minuten sonstige Wagenmangel Vorkommnisse 1 57 schadhafter Zug 27 schadhafte Betriebsanlagen 15 Abbildung 17 Versp tungsursachen im Bereich ber 20 Minuten Dissertation Kai Frederik Zastrow 37 Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen Betrachtet man die U5 getrennt so ergeben sich die folgenden Ursachen sonstige Vorkommnisse w i 39 agenmange 1 schadhafter Zug 21 schadhafte Betriebsanlagen 39 Abbildung 18 Versp tungsursachen im Bereich von f nf bis 20 Minuten auf der U5 schadhafte Betriebsanlagen 16 sonstige Vorkommnisse 84 Abbildung 19 Versp tungsursachen im Bereich ber 20 Minuten auf der U5 Zu den sonstigen Vorkommnissen z hlen auch Fahrgastunf lle Bei der Berliner U Bahn
12. verl ssig ausgelegt 4 1 4 Komponenten an der Streckenperipherie Zu diesen Komponenten geh ren u a Weichenstellantriebe Gleisfreimeldeeinrichtun gen Komponenten zur Zugbeeinflussung Antennen Signale Pumpen Wehrkammer tore sowie Einrichtungen zur Tunnelbeleuchtung und Notausstiegs berwachung Auswirkungen einer Betriebsst rung Ein Ausfall bewirkt in der Regel eine Betriebsbehinderung Klasse 2 und nur in selte nen F llen einen Betriebsstillstand Klasse 3 Bevor die Komponente wieder in Stand gesetzt wird kann der Betrieb im betreffenden Bereich h ufig mit eingeschr nkter Leistung weitergef hrt werden Hierzu kommen in der Regel R ckfallebenen zum Tra gen wie beispielsweise die Ausgabe von Ersatzfahrauftr gen 4 1 5 Komponenten in den Bahnh fen Hier ist zu unterscheiden in den Fahrbetrieb unmittelbar beeinflussende Komponenten wie Nothaltschalter und Einrichtungen zur Haltestellen Gefahrraum berwachung und Komponenten der Haustechnik und des Fahrgastservices wie Fahrtreppen Aufz ge CCTV Kameras Beschallungs und Ticketingeinrichtungen Auswirkungen einer Betriebsst rung Erstere verhalten sich wie Komponenten an der Streckenperipherie siehe 4 1 4 das hei t sie bewirken in der Regel eine Betriebsbehinderung Klasse 2 die mit Hilfe ei ner R ckfallebene einen eingeschr nkten Betrieb erlaubt Ein Ausfall der Komponenten der Haustechnik und des Fahrgastservices erfordert keine unmittelbaren betrieb
13. Zum Vergleich sind zus tzlich die zuge h rigen Original Fahrzeiten dargestellt 84 Dissertation Kai Frederik Zastrow Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen 01 04 48 01 03 22 01 01 55 01 00 29 4 i 00 59 02 Ir il Ih Hi H 5 i N IEN i 1 ta ANAN MN y l M Simulation amp 00 57 36 IM ha hu i mM NH a un UN Hm Du NEN ll Original i 00 56 10 00 54 43 00 53 17 00 51 50 00 50 24 1 1 1 1 1 1 1 1 1 1 1 1 r HUT 11 ERABSSRABSEBSTERSILERTSRE o O0 O 4 O OyO Og DD OO 9 0 O9 0 oO 0 O9 nm Oo zxyorvxy nnoa van N A O ann nA N NTN O O Q no QOS MLONDO ao Li vv2hHhHh je oO ami T y N O oO je y el q N y k i N oO q m J N Abfahrtszeit am Startbahnhof Abbildung 54 Original und simulierte Fahrzeiten im Vergleich Beispiel Auch wenn sowohl bereinstimmungen als auch Abweichungen zwischen Simulation und Original erkennbar sind ist es schwierig anhand einer solchen Darstellung die Si mulationsg te zu beurteilen Es m ssen dazu Bewertungskenngr en herangezogen werden Bewertungsgr en Im Folgenden werden f nf geeignete Bewertungsgr en definiert mit deren Hilfe die Ergebnisse der weiteren Untersuchungen beurteilt werden k nnen Die Bewertungsgr en berechnen sich aus e dem Mittelwert e dem Mittelwert des Betrages e der Standardabweichung e dem positive
14. findet ein Richtungswechsel statt e Aussetzfahrt Fahrt in ein Bahnsteig oder Aufstellgleis mit anschlie endem Ab r sten des Zuges e Einsetzfahrt Fahrt in ein Bahnsteig oder Streckengleis nach vorherigem Aufr sten des Zuges Dissertation Kai Frederik Zastrow 15 Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen e Linksfahrt Fahrt entgegen der Regelfahrtrichtung eines Streckengleises der Begriff Linksfahrt wird gew hlt weil in Deutschland bei zweigleisigen U Bahnsystemen die Regelfahrtrichtung rechts ist e Pendelfahrt Fahrt auf einem f r andere Z ge gesperrten Gleis in beide Fahrtrich tungen zwischen mindestens zwei Bahnh fen e Kuppelfahrt Fahrt mit stark reduzierter Geschwindigkeit in ein besetztes Gleis zum Ankuppeln an einen anderen Zug e Betriebsfahrt Fahrt ohne Fahrg ste zu betrieblichen Zwecken Der Zug muss nicht an jedem Bahnhof halten e Fahrt auf Ersatzauftrag Fahrt mit reduzierter Geschwindigkeit nach Erhalt eines Ersatzauftrages von der Leitstelle Diese automatische Fahrt darf aus Sicherheits gr nden nur in besonderen F llen ausgef hrt werden und dient Entst rungszwe cken Sie ist mit einer Fahrt auf m ndlichen Auftrag im konventionellen Betrieb vergleichbar Neben diesen automatischen Fahrten sind als R ckfallebene verschiedene personalge f hrte Fahrten denkbar wie z B das Fahren auf Sicht bei Betriebsst rungen 3 2 Bereich Siche
15. hof m Es wird deutlich dass es sich hier um einen rekursiven Zusammenhang handelt da der Wert einerseits von der Versp tung des Zuges bei Ankunft am betrachteten Bahnhof V m 1 n und andererseits von der Versp tung des Vorg ngerzuges bei Ab fahrt vom betrachteten Bahnhof Vm n 1 abh ngt L F Vmn LF Vim 1 n L F Vm n 1 Gleichung 19 Um eine allgemeine analytische Gleichung f r Vmn mit m n IN zu entwickeln ben tigen wir eine Verankerung Diese ergibt sich aus der Randbedingung dass vor dem ersten betrachteten Zug der Betrieb p nktlich gem Fahrplan abl uft also keine Ver sp tungen vorliegen Vmo 0 f r alle m e IN Ferner werden die Anfangsversp tungen eines jeden Zuges als konstante Werte be trachtet Von konst f r alle n e IN Mit Hilfe dieser Randbedingungen und der rekursiven Gleichung 19 l sst sich eine all gemeine analytische Gleichung f r die Versp tung eines beliebigen Zuges n bei der Abfahrt von einem beliebigen Bahnhof m herleiten a m n i 1 m p er Voi Gleichung 20 Vm SEOD mi A L Leistungsf higkeit der Fahrgastt ren eines Zuges Personen s F Fahrgastzufluss zum Bahnhof Personen s Vo Versp tung des Zuges i bei Ankunft im ersten Bahnhof s Anstatt der Parameter F und L k nnen auch die planm ige T r ffnungszeit und die planm ige Zugfolgezeit benutzt werden Hierzu wird Gleichung 7 nach F und L umge formt und L plan F T plan
16. telbarer N he zur Betriebsleitstelle Hier werden in erster Linie die Funktionen des Be reichs Leiten ATS Funktionen ausgef hrt Ein Ausfall einer Komponente bedeutet den Ausfall der zugeh rigen Funktion wie beispielsweise e Zuglauf berwachung e Zuglenkung e Stellwerksbedienung e Telekommunikation e Melde und berwachungsfunktionen e Diagnose Auswirkungen einer Betriebsst rung Ein Ausfall bewirkt einen Betriebsstillstand Klasse 3 Aufgrund der Schwere eines solchen Ausfalls sind die zentralen Leit und Sicherungs einrichtungen in der Regel mit Hilfe von Redundanz hoch zuverl ssig ausgelegt 4 1 3 Dezentrale Leit Sicherungs und Energieversorgungseinrichtungen Zu diesen Komponenten geh ren insbesondere Stellwerke Unterwerke und dezentrale Bereichsrechner Sie bernehmen den streckenseitigen Anteil der ATO und ATP Funktionen sowie der Energieversorgung f r einen bestimmten rtlichen Bereich und dienen der Datenverdichtung zwischen Streckenperipherie und zentraler Leitstelle Auswirkungen einer Betriebsst rung Ein Ausfall bewirkt in dem zugeh rigen rtlichen Bereich einen Betriebsstillstand Klasse 3 Dissertation Kai Frederik Zastrow 21 Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen Aufgrund der Schwere eines solchen Ausfalls sind die dezentralen Leit Sicherungs und Energieversorgungseinrichtungen in der Regel mit Hilfe von Redundanz hoch zu
17. 1 78 1 78 1 77 1 83 1 82 4 78 alle Parameter WohneB iohneC lohneD 1 6 0 ElonneE Hohner HohneG Hohne H 1 0 0 8 0 6 0 4 0 2 2 0 0 0 Mittelwert des Betrages der Abweichung X 5 1 xX 10 1 XH 15 1 X 5 1 X 5 5 1 X 10 1 X 10 10 1 X 20 1 Netzstruktur X 20 20 1 Abbildung 67 Einfluss der Eingangsparameter Mittelwert des Betrages der Abweichung Betriebsdaten Berlin 94 X 30 1 X 50 1 X 30 30 1 X 50 50 1 Dissertation Kai Frederik Zastrow Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen Daten aus Berlin alle Parameter E ohne E EBlohneB DlohneC ohne D ElohnnerF MWMohneG ohne H 3 0 Durchschnitt 2 46 2 5 2 0 2 31 1 5 1 0 0 5 2 33 2 30 2 30 235 2 34 2 29 0 0 2 5 2 0 1 5 1 0 0 5 Standardabweichung der Abweichung 0 0 E b 3 3 3 D 3 x g x X eo x Netzstruktur gt X 20 20 1 Abbildung 68 Einfluss der Eingangsparameter Standardabwei
18. Betrieb und Instandhaltung von der Betriebs und Instandhaltungsplanung abweicht e Fehler bei der Durchf hrung des Betriebs Je h her der Automatisierungsgrad des U Bahnsystems ist desto weniger Handlun gen des Personals sind im Regelbetrieb erforderlich und desto geringer ist die M g lichkeit dass bei der Durchf hrung des Regelbetriebs durch das Personal verur sachte Betriebsst rungen auftreten Bei einem vollst ndig automatisierten U Bahnsystem das alle Funktionen gem Kapitel 3 umfasst k nnen diese St rungen daher theoretisch nicht auftreten e Fehler bei der Durchf hrung der Instandhaltung Wenn die Durchf hrung der Instandhaltung nicht der Instandhaltungsplanung ent spricht kann dies zu St rungen der Betriebsanlagen und Fahrzeuge f hren Dies bedeutet entweder dass diese nicht planm ig einsatzbereit sind oder dass es w h rend des Einsatzes zu St rungen kommt Auswirkungen einer Betriebsst rung Wenn Betriebsanlagen und Fahrzeuge auf Grund von Fehlern bei der Durchf hrung der Instandhaltung nicht planm ig einsatzbereit sind verursacht dies Ausf lle von Zug fahrten Dadurch werden Fahrgaststauungen erzeugt die zu Betriebsbehinderungen Klasse 2 f hren St rungen die w hrend des Einsatzes von Betriebsanlagen und Fahr zeugen auftreten k nnen zu allen in Kapitel 4 1 genannten Auswirkungen f hren 4 2 3 Betriebs berwachung und disposition Fehler bei der Betriebs berwachung und disposition b
19. Electric Railway Systems lt 2 1999 Berln gt ETG Fachbericht 74 VDE Verlag Berlin Offenbach 1999 S 289 293 Giesen U et al Die H Bahn Anlage Universit t Dortmund Eisenbahntechnische Rund schau ETR 6 84 S 519 524 Heister G Gesetzm igkeiten von Zugversp tungen Archiv f r Eisenbahntechnik 34 1979 S 53 58 Hille P Konzepte und Strategien f r KOBS Kernsystem f r eine optimierte Betriebssteue rung Signal Draht 9 97 S 18 97 Hille P Konfliktl sungsmodelle Signal Draht 3 99 S 15 18 H rstel J et al Interaktive Fahrplankonstruktion mit dem Simulationsmodell SIMU VII Eisenbahntechnische Rundschau ETR 9 93 S 589 593 Institut f r Bahntechnik GmbH Forschungsvorhaben MASON Entwicklungsstand in Berlin SELTRAC Entwicklungsstand in Hamburg PUSH Bericht im Auftrag des Bundesmi nisters f r Forschung und Technologie Institut f r Bahntechnik GmbH Berlin 1988 Jansen H Fahrerlos betriebene spurgef hrte Verkehrssysteme Zulassung des People Mo ver auf dem Frankfurter Flughafen ZEV DET Glasers Annalen 7 97 S 396 400 Kratzer K P Neuronale Netze Grundlagen und Anwendungen Carl Hanser Verlag M n chen Wien 1990 Mnich P MASON Modulares Automatisierungssystem mit Sicherheitsverantwortung f r den ffentlichen Nahverkehr in Nahverkehrsforschung 89 Statusseminar X VI Hrsg Industrieanlagen Betriebsgesellschaft mbH im Auftrag des Bundesministers
20. Schlie lich werden die Simulationsergebnisse f r den konventionellen und den automatischen U Bahnbetrieb verglichen und bereits heute vorhandenen M glichkeiten zur Fahrzeitprognose gegen bergestellt Abschlie end wird am Beispiel der Berliner U Bahn aufgezeigt in welcher Form die untersuchte Entst rungsstrategie unter Verwendung Neuronaler Netze in die Praxis umgesetzt werden k nnte Mit Hilfe einer Analyse der vorhandenen Betriebsstruktur werden notwendige Ma nahmen zur Modifizierung dargestellt 4 Dissertation Kai Frederik Zastrow Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen Analysis and Simulation of Anti Disturbance Strategies in Context with the Auto mation of Subway Systems Abstract The aim of this work is to show how operational disturbances in mass transportation systems can be reduced with the aid of automation facilities The focus of this exami nation is an analysis of subway operation and a simulation using neural networks The first step of this investigation is to analyze the basic theoretic and practical aspects of subway operation This leads to functions which might be automated These func tions can be classified into three areas Automatic Train Operation ATO Automatic Train Protection ATP and Automatic Train Supervision ATS Then different types of disturbances are analyzed and classified This information is used as the basis for a quantitative and q
21. U Bahnsystem Beson ders vielversprechend w re dabei die Hinzunahme weiterer Eingangsparameter So b te eine exakte Erfassung der Fahrgaststr me eine gute M glichkeit zur weiteren Verbesse rung der Ergebnisse Eine Voraussetzung zur Anwendung der entwickelten Entst rungsstrategie ist stets dass den Prozesseigenschaften eine regelhafte Systematik zu Grunde liegt Im Gegen satz zu konventionellen Verfahren braucht diese jedoch nicht mit analytischen Mitteln beschreibbar zu sein Eine zweite Voraussetzung ist dass eine hinreichende Anzahl von repr sentativen Betriebsdaten f r die Simulation zur Verf gung steht Diese Voraussetzungen sind au er f r U Bahnsysteme ebenfalls f r andere Verkehrs systeme gegeben Somit kann die Entst rungsstrategie auf weitere Verkehrssysteme adaptiert werden Im Rahmen dieser Thematik k nnten sich weitere Untersuchungen anschlie en Es muss jedoch beachtet werden dass Neuronale Netze keine hellseherischen F hig keiten besitzen und damit auch in Zukunft der Betrieb eines Verkehrssystems niemals hundertprozentig prognostiziert werden kann Dissertation Kai Frederik Zastrow 111 Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen 11 Literatur ACK 98 AEG 92 ARA 84 BER 82 BIE 98 BOY 72 CLA 00 CUR 80 CZE 99 GIE 84 HEI 79 HIL 97 HIL 99 H R 93 IFB 88 JAN 97 KRA 90 MNI 89 MNI 99
22. Zuglenkung Signal Draht 3 98 S 26 27 Pferdmenges S Schaefer H Automatische Konflikterkennung und wissensbasierte Kon fliktl sung in der Streckendisposition Signal Draht 5 95 S 174 177 Rehkopf A Betriebliche Simulation f r den spurgef hrten Verkehr Signal Draht 3 98 S 10 15 Ritter N Automatisierung von U Bahnen unter rollendem Rad Forschungsvorhaben zur berf hrung des laufenden in den automatischen Betrieb bei der U Bahn Berlin vor dem Abschluss Der Nahverkehr 1 2 00 S 8 11 Schnieder E Telematik im Schienenverkehr in Kompendium der Verkehrstelematik Grundwerk Hrsg Evers H TUV Verlag Unternehmensgruppe TUV Rheinland Berlin Brandenburg K ln 1998 Smolka B Untersuchungen zur rechnergest tzten Betriebseinsatzplanung in einem U Bahn System Bericht zum Test von Softwarebausteinen f r die Betriebseinsatzplanung IVB Ingenieurgesellschaft Verkehr Berlin GmbH 1991 Schmidt B K nig Fahrgast Wie Verkehrsbetriebe mit Design und Kommunikation Kunden zur ck gewinnen Verkehr und Technik 7 99 S 283 287 Schnippe C Relevanz von Qualit tskriterien Der PNV im Urteil der Fahrg ste Der Nah verkehr 4 99 S 52 56 Strobel H Die automatisierte Stadtschnellbahn mit flexibler Betriebsf hrung Eine Analyse der wirtschaftlichen und verkehrlichen Innovationspotentiale Der Eisenbahningenieur 4 98 S 34 43 VDV Schrift 399 Anforderungen an Einrichtungen zur Gew hrleistung
23. befriedigend sind Alle Phasen werden im Folgenden n her erl utert 74 Dissertation Kai Frederik Zastrow Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen 8 3 1 Phase la Sammeln von Daten aus dem realen Betrieb Um reale Betriebsdaten sammeln zu k nnen ist eine automatische Betriebsdatenerfas sung notwendig Das hei t die Positionen aller Z ge im U Bahnnetz m ssen ber die gesamte Zeit erfasst und gespeichert werden Diese Funktion wird als Zuglauf berwa chung bezeichnet und durch das ATS System realisiert F r jeden Zug werden Zugposition und Zugnummer kontinuierlich oder punktf rmig erfasst Die Informationen werden von der Streckenperipherie ber dezentrale Einrich tungen zur zentralen Leit und Sicherungsebene bertragen Dort erfolgt ein Abgleich mit den Fahrplandaten Dies erlaubt die Anzeige der aktuellen Soll und Ist Positionen aller Z ge Die Informationen werden gespeichert und archiviert Durch eine Aufbereitung der Archive k nnen Datens tze zum Trainieren und Testen Neuronaler Netze gezielt generiert werden Jeder Datensatz bezieht sich auf eine Zug fahrt und kann alle f r diese Zugfahrt interessierenden Prozessgr en enthalten 8 3 2 Phase 1b Auswahl repr sentativer Datens tze Ziel dieser Phase ist es festzulegen e welche Eingangs und Ausgangsparameter aus den gespeicherten Datens tzen be nutzt werden sollen und e welche der gespeicherten Dat
24. bereinigte Trainingsdaten Berlin 2 o 10 3 27 54 8 9 6 550 _____ 4 93 4 80 D 8 4 7 27 ea 0 Z 6 RBF MLP lt 5 u 4 Q g 3 E 2 E 1 0 HALL SEE ESSCBHSBESSDH Bau 8 8 81 8 8 u 3 8 8 8 0 Ir xg Netzstruktur Abbildung 58 Einfluss von Netzstruktur und Bereinigung der Trainingsdaten 88 Maximale positive Abweichung Betriebsdaten Berlin Dissertation Kai Frederik Zastrow Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen Netzstruktur Zur r 2 34 Z 3 3 323882 S233 gt amp E E E e E a aTa a SI a a a Aa a a Tao a ooa aaa O t E E AE ER FL RT TS ES BES cr SFFK ZI EIEEIIER 2 1 i 5 2 H 3 Fa ig o H T 4 1 gt 5 5 H o 6 H c 2 7 H OUG o LO m 98 4 m Bm U x 8 Oi I U L U U L U m iiia O H E 9 HHF J z g a IH 10 u U 0 Durchschnitt _ o T 1 l 2 a nr 3 Hunbereinigte Trainingsdaten Berlin 4 O bereinigte Trainingsdaten Berlin 5 1 6 7 8 I 9 8 12 z rro 10 8 97 8 81 Zu RBF MLP Abbil
25. besondere Qualit t besitzen da durch die vorhandene R ckkopplung ein schwingungsf higes System entsteht das eine Aufschaukelung von St reinfl ssen erm glicht Dieses Ph nomen wird im Folgenden untersucht 6 2 Ph nomen der Aufschaukelung von Versp tungen In Kapitel 6 2 1 wird das Ph nomen der Aufschaukelung anhand eines mathematisch analytischen Modells analysiert ZAS 99 Die Anwendung der hergeleiteten Formeln auf praktische Betriebsszenarien erfolgt in Kapitel 6 2 2 Inwieweit das Modell auf den realen Betrieb bertragbar ist wird in Kapitel 6 2 3 untersucht 6 2 1 Mathematisches Modell der Aufschaukelung Bei einem Taktverkehr mit einer Zugfolge von unter zehn Minuten kann davon ausge gangen werden dass die Fahrg ste nahezu gleichm ig zu einem Bahnhof str men das hei t ihre Ankunftszeit auf dem Bahnsteig unabh ngig vom Fahrplan ist Betrachtet man nur eine Fahrtrichtung so werden alle auf dem Bahnsteig wartenden Fahrg ste versuchen in einen eintreffenden Zug einzusteigen Damit ergibt sich gem BER 82 die Gleichung Anzahl der Einsteiger F Z L T mit Gleichung 4 F Fahrgastzufluss zum Bahnhof Personen s Z Zugfolgezeit s jeweils bei Abfahrt des Zuges L Leistungsf higkeit der T ren Personen s T T r ffnungszeit s Dissertation Kai Frederik Zastrow Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen Im Fall einer Zugversp tun
26. der Fahrgastsicher heit in Haltestellen bei Fahrbetrieb ohne Fahrzeugf hrer Verband Deutscher Verkehrsunter nehmen K ln Gelbdruck 9 98 VDI Bericht 1184 Neuronale Netze Anwendungen in der Automatisierungstechnik VDI Verlag D sseldorf 1995 VDI Bericht 1219 Simulation und Simulatoren f r den Schienenverkehr VDI Verlag D s seldorf 1995 Wienand B PUSH Prozessrechnergesteuertes U Bahn Automations System Hamburg Schlussbericht des Projektes im Auftrag des Bundesministers f r Forschung und Technolo gie Hamburger Hochbahn AG Hamburg 1985 Zastrow K F Modelling of Track Bound Line Operation in Public Transportation Systems in Process Modelling Hrsg Scholz Reiter B et al Springer Verlag Berlin Heidelberg New York 1999 S 276 290 Zastrow K F Simulation of Subway Operation Using Neural Networks in Proceedings of the 9th IFAC Symposium on Control in Transportation Systems 2000 Hrsg Schnieder E und Becker U TU Braunschweig 13 15 Juni 2000 Volume I S 78 82 Dissertation Kai Frederik Zastrow 113 Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen 12 Normen und Richtlinien DIN EN 50126 Ausgabe 2000 03 Bahnanwendungen Spezifikation und Nachweis der Zuverl ssigkeit Verf gbarkeit Instandhaltbarkeit Sicherheit RAMS Deutsche Fassung EN 50126 1999 Norm Entwurf DIN EN 50129 Ausgabe 2000 11 Bahnanwendungen Sicherheitsrel
27. f r Forschung und Technologie Ottobrunn 1989 S 326 336 Mnich P Elektrische Bahnen auf Erfolgskurs Sind die St ckzahlen zu steigern Eisen bahntechnische Rundschau ETR 3 99 S 103 106 M ller Hellmann A Stand und Entwicklung automatischer U Bahnsysteme in Deutsch land in Internationales Forum zum automatischen U Bahn Betrieb STAR 2000 Tagungs band Hrsg Berliner Verkehrsbetriebe BVG Berlin 2000 S 99 113 Dissertation Kai Frederik Zastrow Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen NEU 98 NEW 74 NWI 98 N K 96 OSU 72 PAR 98 PFE 95 REH 98 RIT 00 SCH 98 SMO 91 SMT 99 SPP 99 STR 98 VDV 98 VNN 95 VSI 95 WIE 85 ZAS 99 ZAS 00 NeuroSystems Benutzerhandbuch C79000 G8200 C143 01 Siemens AG 1998 Newell G F Control of Pairing of Vehicles on a Public Transportation Route Two Vehi cles One Control Point Transportation Science 3 74 S 248 264 Newi H et al Versp tungsanalyse durch Simulation Signal Draht 10 98 S 16 20 N kel K Rehkopf A Betriebsf hrung von Nahverkehrssystemen mit dem Simulations werkzeug TRANSIT Signal Draht 3 96 S 15 18 Osuna E E Newell G F Control Strategies for an Idealized Public Transportation Sys tem Transportation Science 1 72 S 52 72 Par di F Szilva P E Konflikterkennung und l sung durch dynamische
28. gibt es im Monatsdurchschnitt ca drei Fahrgastunf lle Ein Fahrgastunfall verur sacht in der Regel eine Betriebsunterbrechung von ber einer Stunde 5 7 3 Fazit f r Berliner U Bahn Die Verteilung der Ursachen von Betriebsst rungen f r die oben dargestellten Verf g barkeitskenngr en ist in Abbildung 20 dargestellt 38 Dissertation Kai Frederik Zastrow Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen 100 7 90 80 70 60 m O Externe Ursachen E Betriebliche Ursachen E Technische Ursachen 50 40 30 Verteilung der Ursachen 20 10 0 ausgef Fahrplankilometer ausgef Fahrplankilometer U5 Versp tungen 5 bis 20 Minuten Versp tungen 5 bis 20 Minuten U5 Versp tungen ber 20 Minuten Versp tungen ber 20 Minuten U5 Abbildung 20 Ursachen von Betriebsst rungen bezogen auf Verf gbarkeitskenngr en F r ausgefallene Fahrplankilometer sind in hnlichem Ma e technische betriebliche und externe Ursachen verantwortlich Bei Versp tungen zwischen f nf und 20 Minuten berwiegen technische und bei Versp tungen ber 20 Minuten externe Ursachen Auf Grund betrieblicher Ursachen wie Personal und Wagenmangel entstehen vor allem Zugfahrtenausf lle Dies ist sachlich nachvollziehbar da Perso
29. lv Un an e O a p 1 5 I D g 8 1 0 N Oo 5 0 5 3 2 0 0 BEL BEL A A EI DIL BET BIT BEI BET BEL BI BL EL EIN RRZEURKEKREEKAKETRZEETTRTERRR X x xx xxx xX XxX XxX XxX x xX XXX Netzstruktur Abbildung 56 Einfluss von Netzstruktur und Bereinigung der Trainingsdaten Dissertation Kai Frederik Zastrow Mittelwert des Betrages der Abweichung Betriebsdaten Berlin 87 Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen Durchschnitt 3 0 2 90 Hlunbereinigte Trainingsdaten Berlin 59 2 41 2 29 2 37 Llbereinigte Trainingsdaten Berlin En Y70 o 5 0 1 5 C Z 4 5 1 0 4 Q L 4 0 0 5 Ko lt 3 5 0 0 D 3 0 RBF MLP D S 2 5 lt 3 2 0 z 0 8 1 5 4 z 1 0 4 o g 0 5 0 0 SESSE5S See Bean sang saggegeeanggh KERKTRKROEKEEXKERSLTRREERT TBB BB 8 x x x xxx xX xX XX X xX xK X XxX X Netzstruktur Abbildung 57 Einfluss von Netzstruktur und Bereinigung der Trainingsdaten Standardabweichung der Abweichung Betriebsdaten Berlin Durchschnitt 18 17 22 Elunbereinigte Trainingsdaten Berlin 16 0 O
30. nalen Netzes berechnet werden Dies stellt zwar einen gro en Rechenaufwand dar f hrt jedoch zu einer erheblichen Steigerung der Fahrplanqualit t 108 Dissertation Kai Frederik Zastrow Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen 9 4 Systembetrachtung Nach einer Realisierung der aufgef hrten Schritte zur Umsetzung der Entst rungsstra tegie kann der U Bahnbetrieb als ein Regelkreis betrachtet werden siehe Abbildung 83 Das Fahrplansystem BERTA stellt dem Prozess Fahrbetrieb die Soll Werte in Form eines Fahrplans zur Verf gung Die Ist Werte in Form der Fahrzeiten werden durch das System LISI erfasst und archiviert Sie werden durch das System X ausge wertet und f r Simulationen benutzt Die Simulationsergebnisse flie en wiederum in die Fahrplanerstellung ein Das System X kann folglich als Regler verstanden werden Der Fahrplan enth lt neben den Soll Werten f r die Regelgr e Fahrzeit auch Soll Werte f r Gr en die nicht geregelt werden wie die Zugfolgezeit und die Abfahrzeit Simulation mit Modifikation Betriebsdatenerfassung Neuronalen Netzen des Fahrplans System LISI System X Zugidentifikation Datenauswertung Zuglauf berwachung Definition von Betriebsszenarien Datenarchivierung Betriebssimulation System BERTA Fahrplanerstellung Ist Werte Soll Werte Abbildung 83 Der U Bahnbetrieb als Regelkreis Innerhalb des Prozesses Fahrbetrieb
31. oder einer Norm definiert F r eine systematische Vorgehensweise ist jedoch eine definierte Struktur notwendig Daher wurde die folgende Struktur auf Basis einschl giger Erfahrungen aus der Projektarbeit mit Herstellern und Betreibern von Nahverkehrssystemen u a HAN und STA erarbeitet Die Automatisierung von U Bahnsystemen l sst sich in verschiedene Funktionen glie dern um ihren entsprechenden Umfang abzugrenzen In der obersten Betrachtungsstufe ist dabei eine Einteilung in die Bereiche Fahren Sichern und Leiten sinnvoll an die sich die weiteren Untergliederungen anf gen Die Automatisierung dieser drei Bereiche wird im Englischen bezeichnet mit Automatic Train Operation ATO Automatic Train Protection ATP und Automatic Train Supervision ATS Entsprechend Abbildung 1 lassen sich diese drei Grundfunktionen mit dem Begriff Automatic Train Control ATC zusammenfassen Die Summe der Komponenten die diese Funktionen ausf h ren wird auch als ATC System bezeichnet Automatic Train Control ATC Automatic Train Operation Automatic Train Protection Automatic Train Supervision ATO ATP ATS Abbildung 1 Grundfunktionen der Automatisierung In dieser Ausarbeitung ist der Begriff automatischer Betrieb im Sinne von Manless Train Operation MTO definiert d h im Regelfahrbetrieb ist kein Betriebspersonal erforderlich Dies bezieht sich bewusst auf den Fahrbetrieb da selbstverst ndlich a
32. sind empirische Untersuchungen mit unterschiedlichen Strukturen notwendig Sp testens in dieser Phase werden Software Tools zum Modellieren Neuronaler Netze eingesetzt Die Anzahl der einsetzbaren versteckten Schichten und die Anzahl der Neu ronen pro Schicht sind durch die jeweilige Software begrenzt Neben dem Einsatz von MLP Netzen bieten einige Programme auch den Einsatz von RBF Netzen an F r die Simulation des U Bahnbetriebs wird in 8 4 sowohl der Einsatz von MLP als auch von RBF Netzen untersucht 82 Dissertation Kai Frederik Zastrow Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen 8 3 4 Phase 3 Trainieren des Netzes mit den ausgew hlten Datens tzen Sind Netztyp Netzstruktur und die Trainingsdatens tze ausgew hlt so kann die Trai ningsphase durchgef hrt werden Bei den meisten Software Tools wird bereits w hrend des Trainings die aktuelle Fehlerrate angezeigt Das Training kann beendet werden wenn entweder eine festgelegte Fehlergrenze unterschritten oder eine festgelegte Trai ningsdauer erreicht ist Nach Abschluss der Trainingsphase liegt das fertige Prozessmodell vor und kann ange wendet werden 8 3 5 Phase 4 Validieren des trainierten Netzes mit Testdaten Nach der Trainingsphase sollte das erstellte Prozessmodell mit Hilfe von Testdaten auf Plausibilit t berpr ft werden bevor es zu Prognosen ber das reale Prozessverhalten herangezogen wird Die Testdaten
33. sollten nicht aus den Trainingsdaten stammen damit das Neuronale Netz nicht durch pures Auswendiglernen zum Erfolg kommen kann Das Neuronale Netz lernt aus den Erfahrungen mit denen es trainiert wurde Daher sollten die Testdaten f r das System typisch sein und keine au ergew hnlichen Sonder f lle enthalten die nicht vorhersagbar sind 8 4 Bewertung des Einflusses der Simulationsparameter Der Einfluss der Simulationsparameter wird im Folgenden analysiert und bewertet Um eine allgemeing ltige Aussage f r U Bahnsysteme zu erhalten ist es notwendig so wohl konventionell als auch automatisch betriebene Systeme zu ber cksichtigen F r den konventionellen U Bahnbetrieb werden Prozessdaten der Berliner Linie U7 herangezogen BVG Die vollst ndig unterirdisch verlaufende Linie erstreckt sich ber 32 km und besitzt 40 Bahnh fe In der betrachteten Richtung von Rathaus Spandau nach Rudow finden werktags 200 und feiertags 140 Zugfahrten statt Sowohl das Ab fertigen als auch das F hren der Z ge erfolgt manuell durch die Zugfahrer Die Mess reihen stammen aus den Monaten Juni 1998 April 1999 und Januar 2000 jeweils au Berhalb der Schulferien und umfassen insgesamt 1760 Zugfahrten 90 der Zugfahr ten die zuf llig ausgew hlt wurden dienen als Trainingsdaten und die brigen 10 als Testdaten F r den automatischen U Bahnbetrieb werden Prozessdaten der Pariser Linie 14 Meteor herangezogen PAR Die vollst ndig unterirdi
34. zentralen Leitstelle aus Mit einer Zuglauf berwachung werden Orte und Geschwindigkeiten der Z ge inklusive Fahrplanlage kontinuierlich dargestellt Auf Anzeigeeinrichtungen wer den au erdem Gleisbilder mit den eingestellten Fahrstra en angezeigt Die Zust nde aller am Betrieb beteiligten Komponenten werden erfasst und angezeigt Das Fahrgastaufkommen wird ebenfalls erfasst und dargestellt Alle Informationen werden entsprechend ihrer Wichtigkeit protokolliert Im Fall eines Abweichens des Betriebs vom vorgegebenen Fahrplan werden Ma nah men zur Entst rung eingeleitet Hierzu kann der Fahrplan kurzfristig abge ndert wer den um einen Notbetrieb aufrecht zu halten 18 Dissertation Kai Frederik Zastrow Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen 4 Ursachen von Betriebsst rungen In diesem Kapitel wird auf die Ursachen von Betriebsst rungen unter Ber cksichtigung ihrer betrieblichen Auswirkungen eingegangen Dabei werden sowohl im konventio nellen als auch im automatischen Betrieb auftretende Betriebsst rungen betrachtet Die folgenden Definitionen wurden auf Basis einschl giger Erfahrungen aus der Pro jektarbeit mit Herstellern und Betreibern von Nahverkehrssystemen u a HAN und STA erarbeitet und orientieren sich an der Norm DIN EN 50126 Klassifizierung der betrieblichen Auswirkungen von Betriebsst rungen Um eine systematische Vorgehensweise zu erm glichen er
35. 0 0 07 5 0 3 RBF MLP S 0 2 0 2 lt 5 0 1 E 0 1 o o 4 ar T IT T T I A 0 1 0 1 0 2 4 HH 3 3 1 1 12 2 1 2 12 2 1 1 REES ESTTLSLS SR oo 5 o 2 g ne u Netzstruktur Abbildung 60 Einfluss von Netzstruktur und Bereinigung der Trainingsdaten Mittelwert der Abweichung Betriebsdaten Paris Durchschnitt 0 77 980 EI unbereinigte Trainingsdaten Paris 7 10 66 0 68 EI bereinigte Trainingsdaten Paris 1 0 0 9 0 8 0 7 0 6 0 5 4 0 4 0 3 0 2 0 1 4 0 0 Mittelwert des Betrages der Abweichung m TE s Ti E EEE ya T y Li Ji 1 Li amp 1 1 1 oj to to oO oO oO O oO je o y 7I A Sn o ji co oO co je co Q 3 N 9 Netzstruktur Abbildung 61 Einfluss von Netzstruktur und Bereinigung der Trainingsdaten Mittelwert des Betrages der Abweichung Betriebsdaten Paris 90 Dissertation Kai Frederik Zastrow Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen Durchschnitt 3 0 E unbereinigte Trainingsdaten Paris 2 5 2 67 2 12 E bereinigte Trainingsdaten Paris 2 0 4 1 5 1 0 D 4 0 0 5 5 3 5 ze 9 RBF MLP 2 3 0 5 2 5 D S 2 0 5 D 1 5 3 S 1 0 30 5 Ss on 0 0 6 5 1 6 10 1 6 15 1 6 30 1 6
36. 09 nn oOOCOC5 O0 0505 5 cr rc rro 0 0 rror0 070770 0770770070 A N AN Abfahrtszeit Abbildung 48 Fahrzeit auf der Linie U7 in Abh ngigkeit von der Abfahrtszeit Beispiel Neben dem bogenf rmigen Verlauf mit seinem Maximum am fr hen Nachmittag den Minima in den fr hen Morgen und den sp ten Abendstunden sowie den Maxima in den Nachtstunden f llt besonders die alternierende Schwankung zwischen den einander folgenden Z gen auf Diese Paarung von Z gen ist ein typisches Ergebnis des Ph no mens der Aufschaukelung das in Kapitel 6 2 ausf hrlich beschrieben ist Um dies zu ber cksichtigen w re z B die Einf hrung eines zeitbehafteten Parameters sinnvoll der per R ckkopplung genutzt werden k nnte vergleiche Parameter H in 8 3 2 8 8 3 2 5 Soll Zugfolgezeit am Startbahnhof Parameter E Die Zugfolgezeit am Startbahnhof h ngt ber den Fahrplan indirekt auch von der Ab fahrtszeit ab Insofern ist sie mit Angabe der Abfahrtszeit und des Tages eindeutig aus dem Fahrplan ablesbar Allerdings stimmen Soll und Ist Zugfolgezeit nur als Mittel wert berein Einzelne Abweichungen der Zugfolgezeit sind insbesondere f r das Ph nomen der Aufschaukelung von gro er Bedeutung Daher werden die Parameter E und F Soll Zugfolgezeit und Zugfolgezeit am Start bahnhof als Eingangsparameter der Simulation herangezogen Der Verlauf der Fahrzeit ber der Soll Zugfolgezeit ist in Abbildung 49 beispielhaft f r die Linie U7 dargestellt
37. 50 1 6 5 1 6 5 5 1 6 10 1 10 10 1 Netzstruktur Abbildung 62 Einfluss von Netzstruktur und Bereinigung der Trainingsdaten 6 20 1 6 20 20 1 6 30 1 6 30 30 1 6 50 1 6 50 50 1 Standardabweichung der Abweichung Betriebsdaten Paris Durchschnitt 22 28 25 24 52 H unbereinigte Trainingsdaten Paris o EI bereinigte Trainingsdaten Paris a 15 4 60 10 o0 50 Es 40 0 13 64 maximale positive Abweichung 6 5 1 6 10 1 6 15 1 643041 6450 1 6 5 1 6 5 5 1 6 10 1 10 10 1 Netzstruktur Abbildung 63 Einfluss von Netzstruktur und Bereinigung der Trainingsdaten Maximale positive Abweichung Betriebsdaten Paris Dissertation Kai Frederik Zastrow 6 20 1 6 20 20 1 6 30 1 6 30 30 1 6 50 1 6 50 50 1 91 Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen Netzstruktur Ar oO oO T a q To 1 1 1 1 1 i i oo oO oO O De en o nn 19 m 6 30 30 1 maximale negative Abweichung co co co co 0 5 M 10 15 20 25 30 Durchschnitt 5 RBF 35 m EI unbereinigte Trainingsdaten Paris E bereinigte Trainingsdaten Paris 30 28 73 Abbildung 64 Einfluss von Netzstruktur und Bereinigung der Trainingsdaten Maximale negative Abweichung Bet
38. Abbildung 8 Verteilung der Anzahl der Fahrzeugst rungen 0202sssnesnensesnensennnsennnensnsnensennnenen 31 Abbildung 9 Zeitliche Aufteilung der St rungen eesssesessesseressseeeesseseessseesrrsreseesessreressesressesrsreseese 32 Abbildung 10 Verf gbarkeit der Berliner U Bahn 200420022ensensennsennsennnnnnennnennen nennen nennen 33 Abbildung 11 Ursachen f r ausgefallene Fahrplankilometer nnneenseensneenesnennenneennenne nennen 34 Abbildung 12 Ursachen f r ausgefallene Fahrplankilometer auf der US unneeneneennennen 35 Abbildung 13 Ursachen f r Fahrzeugst rungen 00204204sernnenneenseennennnennennnnennenne nennen nennen 35 Abbildung 14 P nktliche Fahrten bis f nf Minuten versp tet ucenseesesensessesnensenensnenenensnenenn nn 36 Abbildung 15 P nktliche Fahrten bis 20 Minuten versp tet u0002000ennenenenennsnnensennenne nennen 36 Abbildung 16 Versp tungsursachen im Bereich von f nf bis 20 Minuten esessessessensessensensneneenn 37 Abbildung 17 Versp tungsursachen im Bereich ber 20 Minuten uscessessensessensneseneesnensennnsensneneen 37 Abbildung 18 Versp tungsursachen im Bereich von f nf bis 20 Minuten auf der US n se 38 Abbildung 19 Versp tungsursachen im Bereich ber 20 Minuten auf der US cneenenessnneenn 38 Abbildung 20 Ursachen von Betriebsst rungen bezogen auf Verf gbarkei
39. Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen vorgelegt von Diplom Ingenieur Kai Frederik Zastrow aus Berlin Vom Fachbereich 10 Verkehrswesen und angewandte Mechanik der Technischen Universit t Berlin zur Erlangung des akademischen Grades Doktor der Ingenieurwissenschaften Dr Ing genehmigte Dissertation Berlin 2000 D 83 Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen vorgelegt von Diplom Ingenieur Kai Frederik Zastrow aus Berlin Vom Fachbereich 10 Verkehrswesen und angewandte Mechanik der Technischen Universit t Berlin zur Erlangung des akademischen Grades Doktor der Ingenieurwissenschaften Dr Ing genehmigte Dissertation Promotionsausschuss Vorsitzender Prof Dr Ing J Siegmann Gutachter Prof Dr Ing P Mnich Gutachter Prof Dr Ing E Schnieder Tag der wissenschaftlichen Aussprache 03 November 2000 Berlin 2000 D 83 Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen Vorwort Die vorliegende Arbeit entstand w hrend meiner T tigkeit als wissenschaftlicher Mit arbeiter der IFB Institut f r Bahntechnik GmbH in Berlin Ich danke Herrn Professor Dr Ing Peter Mnich dem Leiter des Fachgebietes Betriebs systeme elektrischer Bahnen am Institut f r Stra en und Schienenverkehr der TU Ber lin f r seine Unterst tz
40. Anzahl der Neuronen pro Schicht X steht f r die Eingangsschicht Zur Unterscheidung wird f r RBF Netze als Trennzeichen eine Raute benutzt f r MLP Netze ein Bindestrich Zur besseren bersicht sind die Durchschnittswerte separat aufgef hrt In Abbildung 55 ist deutlich zu erkennen dass sich im konventionellen Betrieb die Be reinigung der Trainingsdaten negativ auf den Mittelwert der Abweichung auswirkt Die simulierten Fahrzeiten liegen im Durchschnitt unter den Original Fahrzeiten Dies l sst sich dadurch erkl ren dass es in den Originaldaten mehr positive als negative Versp tungen gibt und sich daher durch die Bereinigung der Trainingsdaten der Mittelwert der Fahrzeit nach unten verschiebt Auff llig sind au erdem erh hte Abweichungen f r RBF Netze mit mehr als 15 Neuronen in der versteckten Schicht F r den Mittelwert des Betrages der Abweichung sind in Abbildung 56 keine signifi kanten Unterschiede zwischen den unterschiedlichen Netzstrukturen zu erkennen Le diglich RBF Netze mit mehr als 15 Neuronen weisen wiederum erh hte Abweichungen auf Gleiches gilt f r die Standardabweichung der Abweichung in Abbildung 57 Die maximale positive Abweichung in Abbildung 58 und die maximale negative Abwei chung in Abbildung 59 zeigen insgesamt schlechtere Ergebnisse f r RBF Netze als f r MLP Netze 86 Dissertation Kai Frederik Zastrow Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahns
41. Bereich Leiten Eine Automatisierung des Bereichs Leiten erfolgt durch Funktionen die dem Begriff Automatic Train Supervision ATS zugeordnet werden Insbesondere der Bereich Leiten ist f r Entst rungsstrategien die den Kern der vorlie genden Ausarbeitung bilden von gro er Bedeutung da in diesem Bereich Ma nahmen zur Entst rung eingeleitet und durchgef hrt werden Der Bereich Leiten l sst sich in vier Unterbereiche aufteilen 3 3 1 Betriebsplanung Die Betriebsplanung erfolgt durch das Erstellen eines detaillierten Fahrplans Dieser enth lt alle notwendigen Angaben f r die Durchf hrung des automatischen Betriebs u a Angaben ber zu befahrende Fahrstra en sowie Fahr Aufenthalts und Kehrzei ten und ber zu benutzende Fahrzeuge Der Fahrplan kann flexibel gestaltet sein in dem er keine Abfahrtszeiten sondern nur Zeittakte f r das Einsetzen von Zugfahrten vorgibt oder sich am aktuellen Fahrgastaufkommen orientiert 3 3 2 Betriebsdurchf hrung Der automatische Betrieb wird gem Fahrplan durchgef hrt Z ge werden entspre chend auf und abger stet Fahrstra en werden eingestellt Fahrauftr ge mit Vorgabe der Fahrtenart und des Fahrprofils werden gegeben usw Dissertation Kai Frederik Zastrow 17 Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen 3 3 3 Betriebs berwachung und disposition Die Betriebs berwachung und disposition erfolgt in der Regel von einer
42. Betriebsdaten Paris 0 204420442rnernenseensennsnnnnennnnnnnnnnn nennen enne nen 91 Abbildung 64 Einfluss von Netzstruktur und Bereinigung der Trainingsdaten Maximale negative Abweichung Betriebsdaten Paris 20442044204rnennennennnennsnnnnnnennnnnnennn nennen nme 92 12 Dissertation Kai Frederik Zastrow Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen Abbildung 65 Beispiel einer Simulation mit einem 5 30 1 Netz RBF ceeessensssesensneneenn 92 Abbildung 66 Einfluss der Eingangsparameter Mittelwert der Abweichung Betriebsdaten Berlin 94 Abbildung 67 Einfluss der Eingangsparameter Mittelwert des Betrages der Abweichung Betriebsdaten STEA ia E AEE es er ENT S E T ana tn N EE ENY 94 Abbildung 68 Einfluss der Eingangsparameter Standardabweichung der Abweichung Betriebsdaten MaX ia EEE m ala E E E E E E 95 Abbildung 69 Einfluss der Eingangsparameter Maximale positive Abweichung Betriebsdaten Berlin 95 Abbildung 70 Einfluss der Eingangsparameter Maximale negative Abweichung Betriebsdaten Berlin 96 Abbildung 71 Einfluss der Eingangsparameter Mittelwert der Abweichung Betriebsdaten Paris 97 Abbildung 72 Einfluss der Eingangsparameter Mittelwert des Betrages der Abweichung Betriebsdaten Abbildung 74 Einfluss der Eingangsparameter Maximale positive Abweichung Betriebsdaten Paris 98 Abbildung 75 Einfluss der Einga
43. Betriebsplanung werden heute durch Men schen durchgef hrt Anhand praktischer Erfahrungen aus dem Betriebsablauf und ent sprechender Statistiken ziehen die Betriebsplaner ihre Schlussfolgerungen f r die Er stellung des Fahrplans CUR 80 H R 93 SMO 91 Dazu werden bereits heute Pro gramme herangezogen die den vorgesehenen Betriebsablauf simulieren BIE 98 NWI 98 VSI 95 Diese Simulationen basieren stets auf einer analytischen Modellbildung des Prozesses U Bahnbetrieb ARA 84 N K 96 Ein Problem ist folglich dass sie nicht alle St rgr en ber cksichtigen k nnen Die Daten die bereits heute in vielen U Bahnsystemen durch eine automatische Be triebsdatenerfassung generiert werden enthalten alle St rgr eneinfl sse Sie werden kontinuierlich w hrend des gesamten Betriebsablaufs erfasst und gespeichert Die dabei entstehenden sehr umfangreichen Datenbanken werden jedoch kaum zur Betriebspla nung benutzt da bisher keine Betriebsplanungssoftware existiert die eine systematische Auswertung aller erzeugten Daten erm glicht In Berlin werden beispielsweise nur durch die ATS Funktion Zuglauf berwachung f r die Linie U7 t glich ca 2 MByte Betriebsdaten generiert W rden diese Daten durch einen intelligenten Algorithmus systematisch ausgewertet w re dies ein m chtiges Mittel f r eine realistische Fahrplanerstellung siehe Abbildung 34 Dissertation Kai Frederik Zastrow 65 Analyse und Simulation von Entst rung
44. Bewertungsgr en Mittelwert des Betrages der Abweichung in Abbildung 67 und Standardabweichung der Abweichung in Abbildung 68 ist zu erkennen dass die Fahrzeit des Vorg ngerzuges Parameter H der einflussreichste Parameter ist Den zweitst rksten Einfluss besitzen die Soll und Ist Zugfolgezeit Parameter E und F Diese beiden Parameter besitzen f r die maximale positive Abweichung in Abbildung 69 den st rksten Einfluss Bez glich der maximalen negativen Abweichung in Abbildung 70 ist eine starke Streuung festzustellen deutlich wird lediglich der starke Einfluss der Fahrzeit des Vorg ngerzuges Parameter H Dissertation Kai Frederik Zastrow 93 Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen is Durchschnitt j o Daten aus Berlin 0 08 H alle Parameter WohneB LjohneC ohneD 0 06 WoheE EHohneF HohneG DlohneH 0 04 0 02 0 00 0 20 0 02 0 04 2 0 15 Ro 3 0 10 A o lt 5 0 05 z Oo 2 g 0 00 1 o Z 0 05 0 10 y a g 7 F T T T zn rT T T S 2 y 5 AL S RR x S x x g xXx g xXx gg xg Netzstruktur x x x x Abbildung 66 Einfluss der Eingangsparameter Mittelwert der Abweichung Betriebsdaten Berlin Dai Es 2 0 Durchschnitt ee aten aus Berlin 18 1 77
45. Die Gesamtversp tung des Folgezuges bei der Abfahrt aus Bahnhof 1 betr gt L F L L F V42 Vo2 Vo2 Vor CPF Vo2 F Vo1 SA Gleichung 14 Wir betrachten nun den Spezialfall dass die Anfangsversp tung bei Ankunft am Bahn hof 1 f r beide Z ge gleich ist Vo Vo2 Vo In diesem Fall ergibt sich die Ge samtversp tung wie folgt L L F L F_ F Vo 1 V9 Xx Gleichung 15 L F 0 0 8 Vi2 Vo IF DaL gt Fistx lt 1 Hieraus wird deutlich dass sich die Versp tung des Folgezuges bereits bei der Abfahrt von Bahnhof 1 reduziert auch wenn sein Vorg ngerzug die gleiche Anfangsversp tung bei Ankunft am Bahnhof 1 hatte Dies r hrt aus der versp teten Abfahrt des Vorg nger zuges her da seit dieser Abfahrt weniger Fahrg ste auf dem Bahnhof eingetroffen sind als nach dem Fahrplan ber cksichtigt wurde Die Zusatzversp tung des dritten Zuges ist am ersten Bahnhof AT Vos V42 s Gleichung 16 Damit wird die Gesamtversp tung des dritten Zuges durch Einsetzen von Gleichung 14 46 Dissertation Kai Frederik Zastrow Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen L L F F Vis Vog Vo3 Vo V 13 Voa Vos Vo2 E NL PPIL F 2 Gleichung 17 V L_y EE y L F bzw die Gesamtversp tung des n ten Zuges am Bahnhof 1 n ni Ks pri izi L F Wir betrachten nun allgemein die Versp tung eines Zuges n bei der Abfahrt vom Bahn
46. Es handelt sich hierbei in der Regel um Messwerte aus dem realen Prozess Realer Prozess ist Neuronales Netz Variation der Gewichte Abbildung 42 Trainingsphase mit dem Backpropagation Algorithmus Der Name Backpropagation bezieht sich auf das Prinzip dass f r jedes Gewicht der Anteil am Ausgangsfehler ermittelt wird und als R ckschluss eine Ver nderung des Gewichtes in die Richtung erfolgt f r die der Ausgangsfehler kleiner wird Nach Abschluss der Trainingsphase kann das trainierte Neuronale Netz in der vierten Phase als Prozessmodell zur Simulation des realen Prozesses benutzt werden Es ist Dissertation Kai Frederik Zastrow 73 Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen sinnvoll zuerst eine Validierung durchzuf hren in der getestet wird ob das Prozess modell hinreichend genaue Ergebnisse liefert Dazu wird in der Regel so vorgegangen dass aus der Gesamtmenge der Messdaten aus dem realen Prozess eine zuf llig ausgew hlte Mehrheit benutzt wird um das Neuronale Netz zu trainieren Die restlichen Messdaten aus derselben Gesamtmenge werden als Testdaten f r die Simulation genutzt Damit ist sichergestellt dass es keine negative Validierung auf Grund einer Inhomogenit t zwischen Trainings und Testdaten gibt Bleibt der Restfehler unzureichend gro so k nnen entweder noch mehr Messdaten zum Trainieren des Netzes herangezogen werden oder die Struktur des Ne
47. M L 00 112 Ackermann T Die Bewertung der P nktlichkeit als Qualit tsparameter im Schienenperso nenverkehr auf Basis der direkten Nutzenmessung Forschungsarbeit des Verkehrswissen schaftlichen Instituts an der Universit t Stuttgart 1998 AEG Bahnsysteme M Bahn Anlagen Konzept Planung Betrieb Brosch re der AEG Bahnsysteme Berlin 1992 Araya S Sone S Traffic Dynamics of Automated Transit Systems with Pre established Schedules IEEE Transactions on Systems Man and Cybernetics Vol 14 4 84 S 677 687 Berg W Innerbetriebliche Gesetzm igkeiten des ffentlichen Linienbetriebes ETH Z rich Institut f r Verkehrsplanung und Transporttechnik IVT Bericht Nr 82 2 1982 Biesenack J Rehkopf A Simulation pre empts metro commissioning problems Metro Report Railway Gazette Yearbook 1998 S 15 16 Boyd R K et al How to Run an Automated Transportation System IEEE Transactions on Systems Man and Cybernetics Vol 2 3 72 S 331 341 Claussen C et al Steuerung von Haltestellen beim automatischen U Bahn Betrieb Erfah rungen mit der Haltestellen Gefahren berwachung in Berlin Der Nahverkehr 1 2 00 S 14 17 Cury J E et al A Methodology for Generation of Optimal Schedules for an Underground Railway System IEEE Transactions on Automatic Control Vol 25 2 80 S 217 222 Czerkewski P Automatisierung von Nahverkehrssystemen am Beispiel der Berliner U Bahn in International Conference
48. Potenzial f r innovative Ma nahmen zur Entst rung Dies gilt insbesondere f r den Bereich Betriebsplanung Deshalb werden f r diesen Bereich zur Ableitung von Entst rungsstrategien weiter unten nochmals die globalen Optimierungsparameter herangezogen Durch eine automatische Betriebsdurchf hrung k nnen viele Betriebsst rungen verhin dert werden So stellt eine automatische Zuglenkung sicher dass die Fahrstra en recht zeitig gem Fahrplan eingestellt werden Durch falsche oder unp nktliche manuelle Stellhandlungen verursachte Betriebsst rungen k nnen somit entfallen Die automati sche Ausgabe von Fahrauftr gen gem Fahrplan ist ebenfalls ein Mittel zur Erh hung der P nktlichkeit Eine automatische Betriebs berwachung ist eine notwendige Voraussetzung f r viele Entst rungsstrategien So kann ohne eine Zuglauf berwachung und Darstellung der Gleisbilder nicht die aktuelle Betriebssituation erfasst werden Folglich k nnen dann auch keine entsprechenden Ma nahmen zur Entst rung eingeleitet werden Die aktuelle Erfassung des Fahrgastaufkommens ist ein sehr m chtiges Hilfsmittel zur Entst rung da Betriebsst rungen durch hohes Fahrgastaufkommen bereits im Vorfeld erkannt wer den k nnen Eine automatische Betriebsdisposition erfordert eine Entwicklung von Notbetrieben und Notfallszenarien als R ckfallebenen bereits w hrend der Betriebspla nung auf die im Folgenden eingegangen wird Mittlere Fahrgastwartezeit auf d
49. U Bahnsysteme sesssesoessessoesoosse 27 Lile VAL System ee ekunsnakeaieeeise 30 Dissertation Kai Frederik Zastrow Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen 5 2 5 3 5 4 5 5 5 6 5 7 5 7 1 5 7 2 5 7 3 5 8 6 6 1 6 2 6 2 1 6 2 2 6 2 3 6 3 6 4 7 7 1 7 1 1 7 1 2 7 1 3 7 2 7 2 1 7 2 2 T23 7 3 8 8 1 8 2 8 3 8 3 1 8 3 2 8 3 2 1 8 3 2 2 8 3 2 3 8 3 2 4 8 3 2 5 8 3 2 6 8 3 2 7 8 3 2 8 8 3 3 8 3 4 8 3 5 8 4 8 4 1 London Docklands Light Railway sesssesssesssocesoossoosssseesssesssesssoossooseos 30 Lyon Limie Diiseisesersesossesocorssossereisre osts ss opostos rasors sos ios essea eosi siso s a ES 31 Paris Linie 14 Meteor seen es 32 Tokio Yurikamome Line un essen 32 Vancouver Sky Train ssssssssssesissssscosssesssstscrsssssssossvscsosssssscsrses covssssscse sss s 32 Berlin Lie 3 22 eeieesnennensherissiseehsenen 33 Kenngr e Istkilometer zu Plankilometer u eessssnerseensenneenn 33 Kenngr e P nktliche Zugfahrten Gesamtzahl der Zugfahrten 35 Fazit f r Berliner U Bahn usage nase ibn 38 Zusammenfassung der Schwachstellenanalyse soesssosssnsssonssnonssonsnnee 39 Charakteristika des U Bahnbetriebs 2 20000000000000000000002000200000000000000 42 Betriebsablauf eines Zuges cessasssessssssessassnnsessn ntessnssnssnssssnetsensneee essen 42 Ph nomen der Aufsch
50. alyse realer Betriebsdaten in Kapitel 4 2 ma chen den erheblichen Einfluss des Ph nomens der Aufschaukelung von Versp tungen auf die Betriebsabwicklung deutlich Es wird anhand der realen Betriebsdaten in Kapi tel 4 4 aufgezeigt dass nicht nur der Betrieb sondern vor allem der Fahrgast durch die ses Ph nomen beeintr chtigt wird Wie in Kapitel 5 2 theoretisch erl utert und in Ka pitel 6 5 f r die automatisch betriebene Pariser U Bahnlinie 14 Meteor praktisch nachgewiesen wird ist der automatische Betrieb ein geeignetes Mittel zur Reduzierung dieses Ph nomens Die mittlere Fahrgastwartezeit auf dem Bahnsteig kann durch den automatischen Betrieb minimiert werden Die mittlere Fahrgastversp tung als weitere Qualit tskenngr e f r den Fahrgast kann durch eine in Kapitel 5 2 3 hergeleitete besonders innovative Entst rungsstrategie mi nimiert werden die eine Simulation des U Bahnbetriebs erfordert Dass der Einsatz Neuronaler Netze ein zur Anwendung dieser Strategie geeignetes Mittel darstellt wird in Kapitel 6 nachgewiesen Dazu werden reale Betriebsdaten einer konventionell be triebenen U Bahnlinie in Berlin und einer automatisch betriebenen U Bahnlinie in Paris vergleichend herangezogen Die Analyse und Bewertung der Betriebssimulation bezieht sich auf die Struktur des Neuronalen Netzes die Bereinigung der Trainingsdaten und den Einfluss der Eingangsparameter Es wird dabei deutlich dass es bei MLP Netzen bez glich der Netzstruk
51. ar Der durch das Axon weitervermittelte Zu stand des Neurons wird durch y k ausgedr ckt Er wird als aktiv bezeichnet wenn Dissertation Kai Frederik Zastrow 69 Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen yi k einen bestimmten Schwellwert berschreitet Die Aktivit t resultiert aus der Anre gung des Neurons durch seine Eing nge und die Gewichte der Verbindungen Die Ge wichte k nnen die Anregung des Neurons f rdern w j gt 0 oder hemmen w lt O F r den Fall w 0 hat der zugeordnete Eingang keinen Einfluss auf die Aktivit t des Neu rons Nach Bildung der Summe wird ein Bias b hinzuaddiert und schlie lich eine Akti vierungsfunktion f u darauf angewendet Mathematisch l sst sich das Verhalten des Neurons wie folgt beschreiben N u k x k w k b Gleichung 30 j 1 N y k f u f Yx k w k b Gleichung 31 j 1 Als Aktivierungsfunktion f u wird in der Regel eine bezogen auf den Nullpunkt punkt symmetrische nicht lineare Funktion benutzt wie die Sigmoidfunktion 4 f u Gleichung 32 1 e 1 9 9 9 8 0 7 9 6 g 9 5 9 3 9 2 9 o 8 6 4 2 0 2 4 6 8 u Abbildung 38 Funktionsgraph der Sigmoidfunktion oder der Tangens Hyperbolikus u u f u tanh u C Gleichung 33 e e 70 Dissertation Kai Frederik Zastrow Analyse und Simulation von Entst rungsstrategien bei der A
52. ariser M tro in Betrieb genommen Die vollst ndig unterirdisch verlaufende und mit Bahnsteigt ren ausger stete Linie bedient sieben Stationen auf einer L nge von 7 2 km Sie ist mit dem Automatisie rungssystem SAET von MATRA ausger stet Das Verh ltnis Istkilometer zu Plankilometer betr gt 99 PAR Die P nktlichkeit betr gt 99 2 F r den Meteor ist P nktlichkeit wie folgt definiert Die Fahrg ste m ssen in der Nebenverkehrszeit maximal sechs Minuten und in der Hauptverkehrszeit maximal drei Minuten warten 5 5 Tokio Yurikamome Line Die Linie Yurikamome wurde 1995 als automatische Hochbahn in Betrieb genommen Sie umfasst zw lf Stationen auf einer L nge von 11 9 km ist vollst ndig aufgest ndert und ist von ihrer Transportkapazit t her mit einer U Bahn vergleichbar Es werden auf den Stationen Bahnsteigt ren benutzt Das Verh ltnis Istkilometer zu Plankilometer betr gt 99 85 TOK Die berwiegende Mehrheit der Betriebsst rungen wird durch Umwelteinfl sse Tai fun und Fahrg ste Missbrauch von Alarmschaltern verursacht Technische St rungen treten haupts chlich im Leitsystem der Fahrzeuge auf 5 6 Vancouver Sky Train Der erste Abschnitt des Sky Train wurde 1986 er ffnet Heute befinden sich auf der L nge von 28 5 km insgesamt 20 Stationen Das automatische Fahren auf elektrische Sicht moving block wird durch das Automatisierungssystem SELTRAC von ALCA TEL erm glicht Anstatt Bahnsteigt ren we
53. ategien bei der Automatisierung von U Bahnsystemen Klardauer betriebsbereit Up Time Up State nicht betriebsbereit PERR Down State Unklardauer Down Time gt Zeit Abbildung 6 M gliche Zust nde einer Betrachtungseinheit F r jede reparierbare Betrachtungseinheit lassen sich somit zwei statistische Kenngr Ben ableiten e die mittlere Klardauer Mean Up Time MUT e die mittlere Unklardauer Mean Down Time MDT Sie k nnen auch auf bestimmte Betriebsst rungen bezogen werden und lassen sich sta tistisch aus einem realen Betrieb ermitteln Aus diesen beiden Kenngr en k nnen weitere statistische Gr en berechnet werden Die Summe von MUT und MDT wird als Taktzeit bezeichnet Die Verf gbarkeit V einer Betrachtungseinheit ergibt sich wie folgt gem DIN EN 50126 y Klardauern _ mittlere Klardauer_ MUT Gesamtzeit Taktzeit MUT MDT Gleichung 1 Verf gbarkeit des Gesamtsystems F r die Betrachtung des Gesamtsystems muss eine andere Berechnungsmethode heran gezogen werden da das Gesamtsystem mehr als nur zwei m gliche Zust nde einneh men kann Die Verf gbarkeit des Gesamtsystems kann bez glich der ausgefallenen Fahrplankilometer ausgedr ckt werden Istkilometer VFahrplankilometer Bl nkilomater Gleichung 2 oder bez glich der versp teten Zugfahrten Anzahl der p nktlichen Zugfahrten Gesamtzahl der Zugfahrten VP nktlichkeit
54. ategien bei der Automatisierung von U Bahnsystemen durch den Zugfahrer Dadurch werden insbesondere geringe Versp tungen verhindert die den gr ten Anteil der Versp tungen bilden siehe 6 3 Der automatische Schutz der Fahrg ste auf den Bahnsteigen vor fahrenden Z gen kann schwere Betriebsst rungen durch unter den Zug gelangte Fahrg ste gem 5 7 2 bei der Berliner U Bahn ca drei pro Monat verhindern Durch eine automatische Ein dring berwachung k nnen m gliche sp tere Betriebsst rungen durch Vandalismus oder unbefugt die Strecke betretende Personen begrenzt werden Besonders effektiv zur Vermeidung von Betriebsst rungen ist der Einbau von Bahnsteigt ren Dadurch werden Fahrgastunf lle g nzlich verhindert Au erdem sammeln sich beim Einsatz von Bahn steigt ren keine Abf lle der auf dem Bahnsteig befindlichen Fahrg ste im Gleis an durch die im Zusammenhang mit Stromschienen leicht Br nde verursacht werden k n nen 7 2 3 Automatisches Leiten ATS Der Automatisierung von Funktionen des Bereichs Leiten kommt eine besondere Be deutung zu da sie wie in 7 1 erw hnt technisch betrieblich und extern verursachte Be triebsst rungen begrenzen kann Da die ATS Funktionen hardwarem ig und funktio nal gesehen an einer zentralen Stelle des U Bahnsystems angesiedelt sind siehe 4 1 2 verm gen sie au erdem im Gegensatz zu den ATO und ATP Funktionen das gesamte System zu beeinflussen Daher besitzen sie ein erh htes
55. auf diese beiden Rahmenbedingungen eingegangen Da der Fahrgast als Kunde f r jeden Verkehrsbetreiber im Mittelpunkt stehen soll wer den als zu optimierende Parameter die in Kapitel 6 4 definierten Qualit tskenngr en aus Sicht der Fahrg ste herangezogen e die mittlere Fahrgastversp tung w hrend der Fahrt und e die mittlere Fahrgastwartezeit auf dem Bahnsteig Beide Qualit tskenngr en sind dann f r den Fahrgast optimal wenn ihre Werte m g lichst klein sind Das Minimum beider Gr en ist also zugleich das Optimum Die im Folgenden hergeleiteten Entst rungsstrategien dienen daher direkt oder indirekt zur Minimierung der mittleren Fahrgastversp tung und wartezeit 7 1 Art der Betriebsst rung 7 1 1 Technische Ursachen Durch Technik verursachte Betriebsst rungen k nnen in der Phase des Systemdesigns durch Ber cksichtigung einer hinreichenden Zuverl ssigkeit und Instandhaltbarkeit der technischen Komponenten begrenzt werden In der Betriebsphase ist es Aufgabe des Instandhaltungskonzepts die Instandhaltung unter betriebswirtschaftlichen Gesichts punkten zu optimieren Dazu werden u a ben tigt e ein Konzept zur Vorhaltung des Instandhaltungs Personals e eine Instandhaltungs Infrastruktur mit Werkst tten und Ersatzteillagern sowie in der Regel e ein Ferndiagnosesystem Eine Priorisierung der Instandhaltungsma nahmen sollte anhand der in Kapitel 4 defi nierten Klassifizierung der Betriebsst rungen erfol
56. aukelung von Versp tungen ccossessssesonsesnnnnene 44 Mathematisches Modell der Aufschaukelung ee 44 Anwendung des Modells der Aufschaukelung e 48 bertragbarkeit des Modells der Aufschaukelung auf den realen Bette AA a ar ea ee 51 Verteilung von Versp tungen sssesssesssecssocssoesssesssesssooesoossooesssessseessossss 54 Sicht der Fahrgaste zsciisinssseusssssosseiksessungnseenengaeneshshnnetsnppenebenshnnekennpegeree 56 Entwicklung von Entst rungsstrategien cossessonsesnnsesonsennnnnennonsennnnnene 60 Art der Betriebsst rums sesssesssesssecssoossoosssosssesssocssoossoosessesssesssoessoossosossos 60 Technische Ursachen a 2er bee ah 60 Betriebliche Ursachen ua el 61 Externe Ursachen za nase 61 Automatisierungsgrad des U Bahnsystems sousssnsssonssnnsssonsssnnsnonsenunne 61 Automatisches Fahren ATO ln 61 Automatisches Sichern AT PD a Een 62 Automatisches Leiten ATSL ER En sell 63 Fazit zu den entwickelten Entst rungsstrategien cursesossssoonsssonsennnnnene 66 Betriebssimulation mit k nstlichen Neuronalen Netzen sssrsssrssssressee 68 Das Prinzip Neuronaler Netze esosssssossssonssssnnssssnsssnsnnssnsnnssnsnnssnnnnssnnnnenne 68 Vorgehensweise beim Einsatz Neuronaler Netze u ssusssonsssosssonsssnnesonenen 71 Vorgehensweise bei der Modellbildung des U Bahnbetriebs 74 Phase la Sammeln von Daten aus dem realen Be
57. ause Fehlen des Vorg ngerzuges Para meter E F und H Das zu untersuchende Neuronale Netz wird anschlie end mit den Trainingsdaten trainiert Zur eigentlichen Simulation werden dann die Testdaten auf das trainierte Netz angewendet Die Bewertung der Simulationsg te erfolgt durch einen Vergleich zwischen den simulierten Fahrzeiten mit den Original Fahrzeiten aus den Testdaten Die Berechnungen werden mit der Software NeuroSystems der Firma Siemens durch gef hrt Neben einer komfortablen Bedienung bietet diese Software die M glichkeit MLP und RBF Netze mit bis zu 100 Eing ngen und zehn Ausg ngen zu generieren Jede versteckte Schicht kann bis zu 50 Neuronen enthalten Bei MLP Netzen gibt es maximal zwei versteckte Schichten bei RBF Netzen typbedingt eine siehe Seite 73 Die Ein und Ausgabe der Daten erfolgt ber ASCII Files Bereits w hrend der Trainingsphase wird der aktuelle Lernerfolg durch die Software angezeigt Das jeweils untersuchte Netz wird solange trainiert bis ein weiterer Lerner folg nicht mehr erkennbar ist Die daraus resultierende Anzahl der Lernschritte liegt f r die untersuchten Betriebsdaten aus Berlin und Paris pro Simulation etwa im Bereich zwischen 100 und 1000 je nach Komplexit t des Netzes Abbildung 54 zeigt das Ergebnis einer typischen Simulation Auf der Abszisse sind die Zugfahrten nach ihrer Abfahrtszeit am Startbahnhof sortiert dargestellt Die jeweiligen Fahrzeiten sind auf der Ordinate aufgetragen
58. bbildung sind die aufeinander folgenden Z ge von rechts nach links dargestellt 48 Dissertation Kai Frederik Zastrow Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen Bahnhof 12 Bahnhof 10 amp oO oO Versp tung s Bahnhof 6 Bahnhof 4 l Bahnhof 2 gt DS a Anfangsversp tung o n dD S a g ANM SR N N N u N pe je 2 2 E Abbildung 24 Betriebsszenario mit einer Prim rversp tung von einer Minute Deutlich ist zu erkennen wie sich die Versp tung an jedem Bahnhof erh ht und auch die nachfolgenden Z ge nach wenigen Bahnh fen betroffen sind Um die Auswirkun gen f r auf den Bahnh fen wartende Fahrg ste zu demonstrieren ist links die mittlere Wartezeit f r einen zuf llig auf dem Bahnhof eintreffenden Fahrgast dargestellt Auf diese Problematik wird ausf hrlich in 6 4 eingegangen Das Betriebsszenario in Abbildung 25 zeigt die Auswirkungen wenn alle Z ge um 20 Sekunden prim rversp tet sind Dies kann beispielsweise aus dem Einrichten einer tempor ren Langsamfahrstelle resultieren Die planm ige Zugfolgezeit Zpian betr gt wieder 180 Sekunden und die planm ige T r ffnungszeit Tpian 30 Sekunden Um das Aufholverhalten der Z ge besser darstellen zu k nnen liegt die technisch m gliche Zugfolgezeit diesmal bei 60 Sekunden Dissertation Kai Frederik Zastrow 49 Analyse und Simula
59. bis Blissestra e ca 13 km zeigt dass die Streuung auf diesem k rzeren Ab schnitt deutlich geringer ist Der mittlere Betrag der Abweichung vom Mittelwert der Fahrzeiten betr gt f r den betrachteten Zeitraum auf der gesamten Linie U7 66 Sekunden w hrend er f r den Teilabschnitt Rathaus Spandau Blissestra e nur 32 Sekunden betr gt Um die Abh ngigkeit zwischen der Fahrzeit Abweichung und der Streckenl nge zu kompensieren werden alle f nf in Kapitel 8 4 definierten Bewertungsgr en auf die mittlere Fahrzeit bezogen sodass sich eine prozentuale Abweichung ergibt die unab h ngig von der Streckenl nge ist 76 Dissertation Kai Frederik Zastrow Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen Fahrzeiten U7 RSP R 01 10 34 01 07 41 01 04 48 01 01 55 Fahrzeit 00 59 02 00 56 10 00 53 17 00 50 24 rrr D o A KALAKI I AREIK IAAI I AA IS g GA EL A Y A D O EYE DOA DVE TEE EEE ANNAT AA NNN Abfahrtszeit Abbildung 45 Fahrzeit auf der gesamten Linie U7 RSP R f r verschiedene Abfahrtszeiten Beispiel Fahrzeiten U7 RSP BLI 00 31 41 00 28 48 00 25 55 00 23 02 4 Fahrzeit 00 20 10 00 17 17 00 14 24 00 11 31 rT CEPE E D DVD E E E E DS K N S Ni EN DO NE ERERSEREFET ERST S EEE KR SEK EIS Abfahrtszeit Abbildung 46 Fahrzeit auf einem Teil de
60. chung der Abweichung Betriebsdaten Berlin Daten aus Berlin alle Parameter EBlohneB DlohneC DlohneD X 30 1 X 30 30 1 X 50 1 X 50 50 1 Durchschnitt 7 6 5 93 6 03 5 5 19 14 73 5 39 EohneE DohnerF HWohneG DohneH 4 3 2 N 1 8 x 7 H 0 6 T s piil T IN g Wi E 2 gs N o UAN X 5 1 X 5 1 X 5 5 1 X 10 1 10 10 1 X 20 1 X 10 1 X 15 1 Netzstruktur gt X 20 20 1 Abbildung 69 Einfluss der Eingangsparameter Maximale positive Abweichung Betriebsdaten Berlin Dissertation Kai Frederik Zastrow X 30 1 X 30 30 1 X 50 50 1 95 Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen Netzstruktur z amp 3 sr 2 8 8 g 2 ke T 10 o o f o o o oO 2 9 T T id a 7 a 9 10 X X xx xx XxX XX X XxX X XX X X G Y ME EEE a a a E S 2 A pi eyi oe l mi IN ENT z 3 2 AU N Al g 6 H H H H H 1 N N P e 8 AHIHI EINS EEEH HEHEH E 0 U PARETI i i E p E 12 Durchschnitt 0 2 Dat
61. dung 59 Einfluss von Netzstruktur und Bereinigung der Trainingsdaten Maximale negative Abweichung Betriebsdaten Berlin F r den automatischen Betrieb ist in Abbildung 60 zu erkennen dass sich die Bereini gung der Trainingsdaten f r den Mittelwert der Abweichung nicht negativ auswirkt Dies ist vor allem darauf zur ckzuf hren dass die Versp tungsverteilung im automati schen Betrieb symmetrischer ist als im konventionellen siehe 6 3 Daher verschiebt sich durch die Bereinigung der Trainingsdaten die mittlere Fahrzeit weniger stark als im konventionellen Betrieb F r den Mittelwert des Betrages der Abweichung in Abbildung 61 und noch deutlicher f r die Standardabweichung der Abweichung in Abbildung 62 die maximale positive Abweichung in Abbildung 63 und die maximale negative Abweichung in Abbildung 64 verschlechtert die Bereinigung die Simulationsergebnisse erheblich F r die Standardabweichung der Abweichung und die maximale positive Abweichung liefert die Simulation f r RBF Netze mit mehr als 15 Neuronen in der versteckten Schicht deutlich schlechtere Ergebnisse Dissertation Kai Frederik Zastrow 89 Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen 7 Durchschnitt 0 15 0 13 0 E unbereinigte Trainingsdaten Paris 0 10 0 09 E bereinigte Trainingsdaten Paris 0 05 0 00 4 0 4 0 05 0 3 s 0 05 Be 0 1
62. e mittlere Fahrzeit der Zugfahrten der Trainingsdatens tze und e die Soll Fahrzeit F r jede dieser Gr en wird die Abweichung von der Fahrzeit gebildet Auf Grund der in 8 4 2 festgestellten Relevanz des Parameters H werden f r die Simulation auch stets die ohne den Parameter H erzielten Ergebnisse mit ber cksichtigt Die Bewertung erfolgt anhand der f nf Bewertungsgr en die in den folgenden Abbil dungen dargestellt sind Die Ergebnisse f r den automatischen und den konventionellen Betrieb werden jeweils als S ulenpaar dargestellt Die ersten drei S ulenpaare repr sentieren die Abweichun gen die aus Fahrzeit Prognosewerten resultieren die nur mit Hilfe der Betriebsdaten ohne Neuronale Netze berechnet wurden Die letzten drei S ulenpaare repr sentieren die Abweichungen die sich aus der Simulation mit Neuronalen Netzen ergeben Dabei sind angegeben e der Durchschnitt aller 13 Simulationsreihen mit allen Eingangsparametern e der Durchschnitt aller 13 Simulationsreihen mit Auslassung des Parameters H e die vom Ergebnis beste Simulationsreihe mit Auslassung des Parameters H Beim Mittelwert der Abweichung in Abbildung 76 l sst sich mit Hilfe der ersten beiden S ulenpaare keine relevante Aussage ber den Betriebsablauf machen da sie nur von der zuf lligen Auswahl der Testdaten aus der Gesamtmenge der Zugfahrten abh ngen Dies gilt sowohl f r den Mittelwert der Abweichung der Fahrzeit des Vorg ngerzuges von der Fahrze
63. ebsstillstand Klasse 3 4 3 2 Fahrg ste Fahrg ste verursachen eine Vielzahl verschiedener Betriebsst rungen Typische St rungen in Verbindung mit Fahrg sten sind u a e Blockierung der Fahrgastt ren e akute Erkrankung e Manipulation von Fahrgastt ren Nothaltschaltern und Einrichtungen der Haltestel len Gefahrraum berwachung e unbefugtes Eindringen in nicht f r Fahrg ste vorgesehene Bereiche e Fahrgastunfall ohne Vorsatz oder Suizid Auswirkungen einer Betriebsst rung Die meisten von Fahrg sten verursachten Betriebsst rungen bewirken eine Betriebsbe hinderung Klasse 2 in seltenen F llen z B Fahrgast unter Zug auch einen Betriebs stillstand Klasse 3 4 3 3 Vandalismus Vandalismus bedeutet die fahrl ssige oder mutwillige Besch digung oder Zerst rung von Fahrzeugen und Betriebsanlagen Dissertation Kai Frederik Zastrow 25 Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen Auswirkungen einer Betriebsst rung In der Regel verursacht Vandalismus unkritische St rungen Klasse 1 die den Kom fort einschr nken Besch digung von Einrichtungen der Fahrgastinformation Sitzen Fenstern etc In besonders schweren F llen kann er auch zu Betriebsbehinderungen Klasse 2 oder Betriebsstillstand Klasse 3 f hren wenn f r den Fahrbetrieb notwen dige Betriebsmittel zerst rt werden z B Fahrzeugfenster oder Komponenten der Zug sicherungstechni
64. edeuten dass im gest rten Be trieb die Entst rung im Rahmen der durch das System gegebenen M glichkeiten sub optimal durchgef hrt wird Dies beruht auf Fehlentscheidungen die aus einer Nichtbe 24 Dissertation Kai Frederik Zastrow Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen achtung der festgelegten Entst rungsstrategien bzw Inkompetenz der Entscheidungs tr ger resultieren Auswirkungen einer Betriebsst rung Fehler bei der Durchf hrung von Entst rungsma nahmen im gest rten Betrieb verursa chen keine neue Betriebsst rung sondern verl ngern die Dauer der bestehenden Be triebsst rung 4 3 Externe Ursachen 4 3 1 Umwelt St rungen durch Umwelteinfl sse entstehen dann wenn Niederschlag Blitzschlag elektromagnetische Einfl sse Wind Umgebungstemperatur Luftfeuchtigkeit oder geologische Ver nderungen die in der Systemauslegung ber cksichtigten Grenzwerte berschreiten Diese Einfl sse bewirken z B Aufr stprobleme von Fahrzeugen Prob leme beim Stellen von Weichen einen verminderten Reibungsbeiwert der Kraft bertra gung Rad Schiene oder sogar eine Blockierung der Strecke durch Hindernisse wie um gefallene B ume Auswirkungen einer Betriebsst rung Im Fall von Zugfahrtausf llen oder der Verminderung der zul ssigen H chstgeschwin digkeit kommt es zu Betriebsbehinderungen Klasse 2 Bei einer Streckenblockierung durch Hindernisse kommt es zum Betri
65. eil der Versp tungen ausmachen k nnen die St rgr en h ufig jedoch nicht identifiziert geschweige denn analytisch beschrieben werden Au erdem ist es unm g lich so komplexe Prozesse wie beispielsweise das Verhalten der Fahrg ste exakt durch eine analytische Formel zu beschreiben Um alle St rgr en zu ber cksichtigen bietet es sich stattdessen an wie in 7 2 3 vorge schlagen zur Betriebssimulation die umfangreichen Daten einer automatischen Be triebsdatenerfassung als Eingangswerte zu benutzen Da bisher auf dem Markt keine Software zur Fahrplanerstellung mittels automatisch erfasster Betriebsdaten verf gbar ist muss ein intelligenter Algorithmus f r diese Auf gabe entwickelt werden Grunds tzlich sind verschiedene mathematisch statistische Verfahren zur Verarbeitung der Betriebsdaten denkbar z B Verfahren zur Mittelwert bildung der Fahrzeiten Eine abschlie ende Er rterung welches Verfahren hierzu am geeignetsten ist ist nicht Ziel dieser Ausarbeitung und w rde ihren Rahmen sprengen Im n chsten Kapitel wird stattdessen als erster Schritt in diese Richtung ein vielver sprechendes innovatives Verfahren zur Betriebssimulation auf Basis automatisch er fasster Betriebsdaten ausf hrlich untersucht und bewertet Dissertation Kai Frederik Zastrow 67 Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen 8 Betriebssimulation mit k nstlichen Neuronalen Netzen Wie die vorh
66. em Bahnsteig Wie in 6 4 gezeigt h ngt die mittlere Fahrgastwartezeit auf dem Bahnsteig neben der planm igen Zugfolgezeit Zylan also dem Takt von der Varianz der Zugfolgezeit Z ab W hrend eine Erh hung der planm igen Zugfolgezeit den Einsatz von zus tzlichen Fahrzeugen bedeutet ist die Reduzierung der Varianz der Zugfolgezeit ohne den Ein satz zus tzlicher Fahrzeuge m glich Dazu kann ein Regulierungsalgorithmus benutzt Dissertation Kai Frederik Zastrow 63 Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen werden Sobald ein Zug eine bestimmte Versp tung erreicht hat bei der davon ausge gangen werden kann dass er diese nicht mehr abbauen kann wird der gesamte Fahr plan um eine feste Zeit nach hinten versetzt Damit wird eine Aufschaukelung von Ver sp tungen und die Paarbildung von Z gen zu Gunsten einer Reduzierung der Varianz der Zugfolgezeit verhindert Diese Ma nahme ist in der Praxis nur in Zusammenhang mit der Funktion automatisches Fahren sinnvoll da bei einer Verschiebung des Fahr plans Orte und Zeiten der Dienstabl sung von Fahrern ebenfalls verschoben w rden Mittlere Fahrgastversp tung w hrend der Fahrt Versp tungen k nnen trivialer Weise dadurch verhindert werden indem der Fahrplan dem tats chlichen Betriebsablauf angepasst wird Dies ist in der Regel nicht der Fall da der Fahrplan meist durch Rundung der tats chlichen Fahr Aufenthalts und Kehrzeite
67. em f r die Strecke optimalen Fahrprofil Dadurch wird die P nktlichkeit erh ht Besonders dra matisch zeigt sich dies an der Versp tungsverteilung der automatisch betriebenen Pari ser Linie 14 Meteor in Kapitel 6 3 Nur bei einer automatischen Abfertigung und ei nem automatischen Fahren des Zuges sind solche berwiegend im Sekundenbereich liegenden Versp tungen erzielbar 7 2 2 Automatisches Sichern ATP Eine Automatisierung der Funktionen des Bereichs Sichern erh ht die Betriebssicher heit wodurch insbesondere schwere Betriebsst rungen wie Auffahrten oder Zugent gleisungen verhindert werden Die Funktionen automatische Fahrwegsicherung und Zugvollst ndigkeits berwachung sind notwendig um ein akzeptables Sicherheitsniveau zu gew hrleisten und sind daher heute in allen U Bahnsystemen realisiert In welchem Ma e die Funktion der automatischen Abstandshaltung Betriebsst rungen verhindern kann h ngt von ihrem Automatisierungsgrad ab In der ersten Automatisie rungsstufe handelt es sich um Streckenbl cke deren Besetzung dem Zugfahrer ber Lichtsignale angezeigt wird dieses Sicherheitsniveau liegt unter dem der existierenden U Bahnsysteme ist jedoch auf vielen Nahverkehrsstrecken anzutreffen Eine wesentli che Erh hung der Sicherheit und Reduktion von Betriebsst rungen erfolgt durch die Einf hrung einer Zugbeeinflussung die einen Zug automatisch bremst wenn er ein Halt zeigendes Signal berf hrt mindestens dieses S
68. en aus Berlin H alle Parameter WohneB WDlohnneC ohne D Wohe E Hohner Mohn G E ohne H 4 6 8 L TE 259 8 20 8 08 7 85 8 08 8 51 8 8 86 10 10 34 12 Abbildung 70 Einfluss der Eingangsparameter Maximale negative Abweichung Betriebsdaten Berlin F r die Simulation des automatischen Betriebes gibt es bez glich des Eingangspara meters Tag Parameter B keine Aussage weil sich die verf gbaren Betriebsdaten nur auf eine Woche beziehen Da somit f r jeden Tag nur eine Messreihe vorhanden ist existiert keine hinreichende Basis von Trainingsdaten um das Verhalten bez glich des Tages zu untersuchen Im automatischen Betrieb ist f r die mittlere Abweichung in Abbildung 71 eine starke Streuung festzustellen die keine klare Tendenz erkennen l sst Das Auslassen von Pa rametern f hrt teilweise sogar zu leicht besseren Werten F r den Mittelwert des Betrages der Abweichung in Abbildung 72 zeichnet sich ein hnliches Bild wie im konventionellen Betrieb ab Die Fahrzeit des Vorg ngerzuges Parameter H besitzt den st rksten Einfluss und die Soll und die Ist Zugfolgezeit Pa rameter E und F besitzen den zweitst rksten Einfluss Genau die gleiche Tendenz ist f r die Standardabweichung der Abweichung in Abbildung 73 erkennbar Allerdings treten hier bei RBF Netzen mit mehr als f nf Neuronen in der versteckten Schicht In stabili
69. en kann sowohl f r den konventionellen Betrieb in Berlin 0 10 als auch f r den automatischen Betrieb in Paris 0 12 als hinreichend zuf llig be trachtet werden Die mittlere Abweichung von der Soll Fahrzeit drittes S ulenpaar zeigt das f r die betrachteten Testdaten die Soll Fahrzeit in Berlin im Durchschnitt um 0 37 zu gering bemessen ist und in Paris um 0 06 zu hoch Die durch die Simulation mit Neuronalen Netzen berechneten Fahrzeiten liegen f r Berlin im Durchschnitt nur um 0 0028 zu niedrig Selbst wenn bei der Simulation der Parameter H ausgelassen wird liegen die berechneten Fahrzeiten im Durchschnitt nur um 0 0060 zu niedrig Die Simulationen f r Paris besitzen zwar prozentual etwas h here Abweichungen es ist jedoch die unterschiedliche Linienl nge zu beachten So betr gt eine Abweichung von 0 1 f r die Berliner Linie U7 3 45 s w hrend der gleiche prozentuale Wert f r die Pariser Linie 14 nur 0 61 s bedeutet Insgesamt hei t das dass es sich hier um Simulati onsfehler von im Durchschnitt unterhalb einer Sekunde handelt Dissertation Kai Frederik Zastrow 101 Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen F r den Mittelwert des Betrages der Abweichung in Abbildung 77 ergeben sich insge samt h here Werte Die mittlere Abweichung von der Fahrzeit des Vorg ngerzuges erstes S ulenpaar ist in Berlin 2 38 deutlich h her als in Paris 0 83 D
70. en zu halten beschr nken sich die Betrachtungen auf den U Bahnbetrieb einer Linie Dennoch k nnen die meisten As pekte auch auf ein gesamtes U Bahnsystem oder andere Verkehrssysteme bertragen werden wie z B Busse Trams und S Bahnen Mit dieser Ausarbeitung ist die Hoffnung verbunden dass durch die Anwendung der beschriebenen Entst rungsstrategien in Zukunft die oben genannten Ziele Leistungs steigerung Kostensenkung und Qualit tssteigerung n her r cken und die Verkehrsun ternehmen ihre Kundenorientierung und Wirtschaftlichkeit verbessern k nnen Dissertation Kai Frederik Zastrow 3 Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen 1 Zusammenfassung und englisches Abstract Ziel der Arbeit ist es aufzuzeigen wie durch den Einsatz von Automatisierungsein richtungen Betriebsst rungen reduziert werden k nnen Als Arbeitsschwerpunkte erfol gen eine Analyse des U Bahnbetriebs und eine Simulation des Betriebs mit Hilfe von Neuronalen Netzen Zum einen wird anhand grundlegender theoretischer und praktischer Aspekte der U Bahnbetrieb dahingehend analysiert welche Funktionen in einem U Bahnsystem auto matisiert werden k nnen Allgemein lassen sich diese Funktionen in die Bereiche Fah ren ATO Sichern ATP und Leiten ATS gliedern Zum anderen werden verschie dene Arten von Betriebsst rungen analysiert und in ihren Auswirkungen klassifiziert um anschlie end die Schwachstelle
71. enden Fahrg ste eingestiegen sind z B um den Aufbau von Versp tungen zu verhindern Die Zeit T5 entspricht der Dauer vom Ausl sen des T rschlie befehls bis zum endg l tigen Schlie en aller Fahrgastt ren Durch Fehlverhalten von Fahrg sten die die Warn signale nicht beachten kann es zu einem mehrfachen T rschlie versuch kommen der die Abfahrt des Zuges entsprechend verz gert Die Zeit T8 ist nur durch den Aufbau des Fahrzeugs bedingt und daher konstant Die Zeit T9 ergibt sich ausschlie lich aus der Fahrzeugeinsatzplanung Gem der in Kapitel 4 vorgenommenen Aufteilung der Ursachen von Betriebsst run gen werden die Zeiten T1 bis T von unterschiedlichen Gr en beeinflusst e Technische Ursachen beeinflussen die Zeiten T1 T3 T4 T5 T6 T7 und T8 e Betriebliche Ursachen beeinflussen die Zeiten T2 T3 T4 T6 T7 und T9 e Externe Ursachen beeinflussen die Zeiten T1 T3 T4 T5 T6 und T7 Neben diesen Einflussfaktoren auf einen Zug gibt es Wechselwirkungen zwischen den Z gen Die Zeiten T2 T3 T6 und T7 k nnen direkt von anderen Z gen beeinflusst werden indem diese das Einstellen von Fahrstra en und somit die Weiterfahrt eines Zuges verhindern Die Beeinflussung erfolgt also nicht nur in einer Richtung von den genannten Faktoren auf einen betrachteten Zug sondern auch als R ckkopplung von einem Zug auf andere Z ge und auf den Faktor Fahrg ste Auf andere Z ge entsteht die direkte R ckkopp lung indem d
72. ens tze zum Trainieren des Neuronalen Netzes geeig net sind Jeder vorhandene Datensatz bezieht sich auf eine Zugfahrt von einem bestimmten Be triebspunkt zu einem anderen Betriebspunkt Die Auswahl der Betriebspunkte h ngt davon ab auf welchen Teil des Fahrplans sich die Simulation beziehen soll Die Simu lation kann f r alle interessierenden Betriebspunkte der Linie z B Bahnh fe durchge f hrt werden so dass ein beliebig vollst ndiges Prozessabbild entsteht sofern die ent sprechenden Datens tze vorhanden sind Bei der Auswahl der Datens tze f r das Training des Neuronalen Netzes ist darauf zu achten dass sie keine au ergew hnlichen Ereignisse enthalten wie beispielsweise Be eintr chtigungen des Zugverkehrs durch Fahrgastunf lle Es kann davon ausgegangen werden dass solche Unf lle nicht vorhersagbar sind Daher tragen Trainingsdaten die solche Ereignisse enthalten zur Verschlechterung der Simulationsergebnisse bei In wieweit sich eine sorgf ltigere Filterung der Trainingsdaten auf die Simulationsg te auswirkt wird in 8 4 1 untersucht Da es das Ziel der Simulation ist gem der in 7 2 3 beschriebenen Entst rungsstrate gie aus den Betriebsdaten einen realistischen Fahrplan zu entwickeln ist die Fahrzeit eines Zuges zwischen zwei betrachteten Betriebspunkten inklusive Haltezeiten der f r die Simulation relevante Ausgangsparameter Die aus den Betriebsdaten zu gewinnen den m glichen Eingangsparameter A bi
73. eople Mover auf dem Flughafen Frankfurt am Main JAN 97 Insofern kann was automatisch betriebene U Bahnsysteme betrifft von einem Tech nologievorsprung Japans und Frankreichs auf diesem Gebiet gesprochen werden Tokio w Nokohama gt Osaka Kobe Hiroshima Taipei Abbildung 4 Automatische U Bahnsysteme weltweit In Abbildung 4 sind alle automatisch betriebenen U Bahnsysteme weltweit dargestellt Daneben gibt es noch eine Vielzahl von automatischen Flughafenzubringern und Peo ple Movern die sich jedoch in Bauart Kapazit t und Betriebskonzept von den genann ten Systemen unterscheiden und daher nicht aufgef hrt sind Automatischer Betrieb Dissertation Kai Frederik Zastrow 27 Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen bedeutet siehe Kapitel 1 dass f r den Regelfahrbetrieb kein Betriebspersonal erfor derlich ist F r eine Schwachstellenanalyse sind detaillierte Betriebsdaten notwendig die jedoch auf Grund des Konkurrenzdrucks schwierig zu erhalten sind In diesem Kapitel werden recherchierte Daten aus den Jahren 1996 bis 2000 von den automatisch betriebenen U Bahnsystemen Lille London Lyon Paris Tokio und Vancouver analysiert und ausge w hlte Kenngr en dargestellt Die Ergebnisse k nnen zum Teil auf weitere St dte bertragen werden da viele Automatisierungs Komponenten in mehreren St dten ein gesetzt werden sodass von hnlichkeiten im Au
74. er Personalvertretungen Au erhalb Deutschlands wurden diese Produkte jedoch eingesetzt und weiterentwi ckelt z B SELTRAC in Vancouver London und Kuala Lumpur Heute existieren weltweit zahlreiche automatisch betriebene U Bahnsysteme w hrend es in Deutschland neben den People Movern am Flughafen Frankfurt Main und an der Universit t Dort mund sogenannte H Bahn bisher kein einziges gibt siehe Kapitel 3 2 Dissertation Kai Frederik Zastrow Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen In den 90er Jahren gerieten die Verkehrsunternehmen vermehrt unter wirtschaftlichen Druck sodass wieder mehrere Pilotanwendungen zum automatischen Betrieb Berlin Frankfurt Main und N rnberg entstanden M L 00 Entsprechend dieser Entwicklung ist es vorstellbar dass zu Beginn des dritten Jahrtausends die in den letzten 25 Jahren entstandenen Erfahrungen zum automatischen Betrieb auch in Deutschland umgesetzt werden um auch hier von den oben genannten Vorteilen der Automatisierung profitie ren zu k nnen Einerseits bringt die Automatisierung f r den Betrieb neue St rungsarten mit sich an dererseits er ffnen sich durch die Automatisierung innovative M glichkeiten der Ent st rung die in konventionellen Verkehrssystemen nicht eingesetzt werden k nnten Die vorliegende Ausarbeitung ist aus dieser Motivation heraus entstanden Ihr Ziel ist es aufzuzeigen wie durch Einsatz von Automatisierun
75. er Zug die f r ihn eingestellten Fahrstra en f r andere Z ge blockiert Auf die Fahrg ste entsteht die direkte R ckkopplung trivialerweise indem der Zug die Fahrg ste von einem zum anderen Bahnsteig bef rdert und damit die Anzahl der auf dem Bahnsteig wartenden Fahrg ste ver ndert Zur bersicht sind in Abbildung 23 die Einflussgr en auf die Fahrplanlage eines Zu ges dargestellt wobei sich der Bereich externe Einfl sse gem Kapitel 4 in Umwelt Vandalismus und Fahrg ste gliedert Dissertation Kai Frederik Zastrow 43 Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen Betriebliche Handlungen Le m Vandalismus Andere Z ge g ne g Fahrg ste Technik Abbildung 23 Einflussgr en auf die Fahrplanlage eines Zuges Versp tungen die direkt durch Technik betriebliche Handlungen Umwelt oder Van dalismus verursacht sind werden als Prim rversp tungen bezeichnet Versp tungen durch andere Z ge als Folgeversp tungen Der Anteil der durch Fahrg ste verursachten Versp tungen der lediglich auf die Fahrplanlage des betrachteten Zuges zur ckzuf h ren ist z B Ansammlung wartender Fahrg ste auf Grund einer Zugversp tung gilt als Folgeversp tung sonstige durch Fahrg ste verursachte Versp tungen als Prim rver sp tungen Es wird deutlich dass die Einflussgr en andere Z ge und Fahrg ste eine
76. ereinigung der Trainingsdaten Zur Untersuchung des Einflusses der Netzstruktur und der Bereinigung der Trainings daten werden Simulationsreihen mit Daten aus dem konventionellen und dem automati schen Betrieb durchgef hrt Eingesetzt werden MLP und RBF Netze unterschiedlicher Struktur Jede Simulationsreihe wird zweimalig aufgenommen mit unbereinigten und bereinigten Trainingsdaten Wie bereits in 8 3 2 dargestellt kann die Bereinigung der Trainingsdaten dazu dienen nicht vorhersagbare vom Betrag untypisch gro e Versp tungen vor dem Trainieren des Netzes zu eliminieren Aufgrund ihrer unterschiedlichen Versp tungsverteilung siehe Abbildung 29 und Abbildung 30 werden f r die Betriebsdaten aus Berlin und Paris unterschiedliche Grenzen f r die maximale absolute Versp tung gew hlt Zur Bereinigung der Trainingsdaten aus Berlin werden Datens tze mit einem Betrag der Versp tung ber drei Minuten eliminiert 6 5 der Trainingsdaten Die Bereinigung der Trainingsdaten aus Paris erfolgt durch eine Eliminierung von Datens tzen mit ei nem Betrag der Versp tung ber einer Minute 1 7 der Trainingsdaten Die Bewertung des Einflusses der Netzstruktur und der Bereinigung der Trainingsdaten erfolgt anhand der f nf Bewertungsgr en die in den folgenden Abbildungen f r den konventionellen und den automatischen Betrieb dargestellt sind Auf der Abszisse sind jeweils die untersuchten Netzstrukturen dargestellt Die Zahlen bezeichnen die
77. erigen Kapitel zeigen ist der Prozess U Bahnbetrieb so komplex und so vielen St rgr en unterworfen dass sich mit Hilfe eines analytischen Modells nur Teil aspekte beschreiben lassen wie z B das Ph nomen der Aufschaukelung siehe Kapitel 6 2 In vielen Anwendungsbereichen bei denen kein hinreichend genaues analytisches Pro zessmodell vorliegt jedoch umfangreiche Betriebsdaten zur Verf gung stehen werden k nstliche Neuronale Netze im Folgenden nur als Neuronale Netze bezeichnet mit gro em Erfolg eingesetzt So ist die Anwendung Neuronaler Netze in der Verfahrens technik der Fertigungstechnik sowie in den Bereichen Mustererkennung und Qualit ts pr fung bereits seit Anfang der 90er Jahre des 20 Jahrhunderts ein bliches und zu verl ssiges Hilfsmittel zur Prozesssimulation VNN 95 Da f r den U Bahnbetrieb beim Einsatz einer automatischen Betriebsdatenerfassung die erforderlichen Betriebsdaten zur Verf gung stehen ist es naheliegend f r die in 7 2 3 hergeleitete Entst rungsstrategie zur Betriebssimulation ein Neuronales Netz als intelli genten Algorithmus einzusetzen In diesem Kapitel wird daher untersucht ob Neuronale Netze ein geeignetes Mittel sind um das Prozessverhalten des U Bahnbetriebs vorherzusagen und auf welche Wei se sie zur Simulation des U Bahnbetriebs eingesetzt werden k nnen Dazu wird zun chst in 8 1 das Prinzip Neuronaler Netze erl utert und in 8 2 die gene relle Vorgehensweise beim Ei
78. ert der Abweichung Betriebsdaten Paris 14 Durchschnitt r 0o 1 2 1 17 Daten aus Paris 1 0 0 82 0 82 EB alle Parameter Lohne C ohne D 0 8 0 72 0 75 0 72 0 71 WoheE HlohneF HMohneG ohne H 0 6 0 4 0 2 14 0 0 3 3 1 2 1 _ 1 0 Pi 3 2 0 8 H D S 3 0 6 H m 8 0 4 Oo z S 0 2 H SZ 0 0 i T ii T T T ii T T T T T r 1 A A A A T SER 8888 Ras i RR EEE E Netzstruktur X x x x Abbildung 72 Einfluss der Eingangsparameter Mittelwert des Betrages der Abweichung Betriebsdaten Paris Dissertation Kai Frederik Zastrow Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen Daten aus Paris Durchschnitt 3 5 E alle Parameter lohneC ohne D 3 0 3 02 Wohe E Hohner HohneG ohne H o 2 5 2 20 7 2 0 1 67 1 76 7 71 1 79 4 70 2 1 5 I 6 1 0 5 0 5 I 0 0 4 a o EEE ll Standardabweichung der Abweichung X 10 1 m X107 0 l T T T T T T 5 oO Wo oo o o o o x 0 TOQ Ab o iR x x X a pB Netzstruktur gt x x x x Abbildung 73 Einflus
79. esssee 106 9 2 Durchf hrung der Simulation esssssssosssssonsesnonsesnonnennnnsennnnsennonsnnnnnne 107 9 3 Modifikation des Fahrplans se ssessseessooesosssssesssesssocssoosssoossoosssossssesssoses 108 9 4 Systembetrachtung u 109 10 Fazit und Ausblick auskennen 110 11 Literatur un ueaslliskeiinsiiiie 112 12 Normen und Richtlinien ss sesseresaocsessscsssesuensssnessnensennnnseshn unseren 114 13 Weitere Quellen ississssscscssisosssorscecssssesoesvssssssecovissusitestsces sesiscosossscestiestseoses 115 Lebenslauf arte 116 Dissertation Kai Frederik Zastrow Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen 2 2 Abk rzungsverzeichnis ASCII ATC ATM ATO ATP ATS BERTA BOStrab CCTV CENELEC DIN ELA EN IEC IH ISO LISI MDT MLP MOBY V MTO MUT PC QM PUSH RAMS RBF RLFoF SCADA SELTRAC SIL STAR SW UITP VDI VDV American Standard Code for Information Interchange Automatic Train Control Asynchronous Transfer Mode Automatic Train Operation Automatic Train Protection Automatic Train Supervision Produktbezeichnung des Fahrplanverwaltungssystems der Berliner U Bahn Stra enbahn Bau und Betriebsordnung Closed Circuit Television Comit Europ en de Normalisation Electrotechnique Europ isches Komitee f r Elektrotechnische Normung Deutsches Institut f r Normung Elektrische Lautsprecher Anlage Europ ische Norm International E
80. evante elektronische Systeme f r Signaltechnik Deutsche Fassung prEN 50129 1999 DIN 40041 Ausgabe 1990 12 Zuverl ssigkeit Begriffe VDI Richtlinie 4001 Blatt 2 Ausgabe 1986 06 Begriffsbestimmungen zum Gebrauch des VDI Handbuches Technische Zuverl ssigkeit VDV 422 Ausgabe 1999 08 Grunds tzliche Anforderungen an Automatisierungs und Leitsysteme 114 Dissertation Kai Frederik Zastrow Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen 13 Weitere Quellen BVG HAN LIL LON LYO PAR STA TOK VAN BVG Berlin Betreiber Berliner U Bahn Projekt Handbuch f r die Betriebsleitstelle der Berliner U Bahn 1996 Transpole Direction de la Production Lille Betreiber VAL Docklands Railway Management Ltd London Betreiber Docklands Light Rail SEMALY Ing nierie des Transport Publics Lyon Betreiber Ligne D R gie Autonome des Transports Parisiens RATP Paris Betreiber M t or Projekt STAR Forschungsvorhaben Berliner U Bahn berf hrung des Lau fenden in den Automatischen Betrieb 1996 2000 Tokyo Waterfront New Transit Tokyo Betreiber Yurikamome Line British Columbia Rapid Transit Co Ltd Vancouver Betreiber Sky Train Dissertation Kai Frederik Zastrow 115 Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen Lebenslauf Name Geburtstag Geburtsort Staatsangeh rigkeit Famil
81. existiert ein zweiter Regelkreis Der Regler ist in diesem Fall der Zugfahrer und im Fall eines automatischen Betriebs der Computer der die Zugfahrten entsprechend den vorgegebenen Soll Werten regelt Der durch das System X realisierte Regler wird folglich nur aktiv wenn der in den Fahrprozess integrierte Regler also der Zugfahrer seine Aufgabe nicht mehr zufrieden stellend erf llen kann Dissertation Kai Frederik Zastrow 109 Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen 10 Fazit und Ausblick Die in Kapitel 5 entwickelten Entst rungsstrategien zeigen deutlich dass sowohl der Automatisierungsgrad des U Bahnsystems gegliedert in die Bereiche automatisches Fahren ATO automatisches Sichern ATP und automatisches Leiten ATS siehe Kapitel 1 als auch die Art der Betriebsst rung gegliedert in technische betriebliche und externe Ursachen siehe Kapitel 2 bedeutenden Einfluss auf m gliche Entst rungsma nahmen besitzen Die Schwachstellenanalyse Kapitel 3 zeigt f r reale automatisch betriebene U Bahnsysteme dass wie auch bei konventionellen U Bahnsystemen betriebliche und externe Einfl sse gegen ber technischen berwiegen Beim Vergleich der Verf gbar keiten automatischer Systeme f llt insbesondere der Einsatz von Bahnsteigt ren positiv ins Gewicht Die mathematisch analytischen Herleitungen zur Charakteristik des U Bahnbetriebs wie auch die darauf bezugnehmende An
82. f gbarkeits Kenngr e Istkilometer zu Plankilometer Gleichung 2 ergibt sich wie in Abbildung 10 dargestellt BVG Istkilometer Plankilometer 100 00 99 80 99 60 99 40 99 20 u1 U12 U15 U2 U4 U5 U6 U7 U8 u9 Netz Abbildung 10 Verf gbarkeit der Berliner U Bahn Dissertation Kai Frederik Zastrow 33 Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen Es ergibt sich ein Mittelwert von 99 59 ber alle Linien Der Wert der U5 liegt bei 99 81 Ursachen f r ausgefallene Fahrplankilometer Die Ursachen f r ausgefallene Fahrplankilometer ergeben sich wie in Abbildung 11 dargestellt schadhafte schadhafter Zug Betriebsanlagen 28 7 dm sonstige Vorkommnisse 29 Wagenmangel 15 Personalmangel 21 Abbildung 11 Ursachen f r ausgefallene Fahrplankilometer Beim Wagenmangel handelt es sich um Defizite in der Instandhaltungsplanung sowie in der Einteilung von Standz gen die als Reserve vorgehalten werden Zu sonstigen Be triebsvorkommnissen geh ren solche die durch Fahrg ste Umwelteinfl sse oder Feu erwehreins tze verursacht sind Gem der Aufteilung in Kapitel 4 k nnen die Bereiche Betriebsanlagen und schad hafter Zug als technische Personalmangel und Wagenmangel als betriebliche und die sonstigen Betriebsvorkommnisse als externe Ursachen eingeordnet werden Betrachtet man die U5 getrennt so ergeben sich die Ursachen wie in Abb
83. folgt eine betriebliche Klas sifizierung der St rungen in Anlehnung an DIN EN 50126 e Klasse 1 Unkritische St rung Die St rung wirkt sich nicht auf den Fahrbetrieb aus sie hat meist nur komfortein schr nkende Folgen St rungen der Klasse 1 sind beispielsweise Teilausf lle der Fahrgastraumheizung Ausf lle von Fahrtreppen und Ausf lle der Fahrgastinforma t on e Klasse 2 Kritische St rung Betriebsbehinderung Der Fahrbetrieb wird durch die St rung behindert er kann jedoch weiterhin auf recht erhalten werden St rungen der Klasse 2 sind beispielsweise Beeintr chtigun gen am Gleisoberbau die zur Einrichtung einer Langsamfahrstelle f hren St run gen der Haltestellen Gefahrraum berwachung die die Weiterfahrt mit Hilfe einer R ckfallebene erlauben und St rungen von Hilfsbetrieben eines Zuges die eine verlangsamte Weiterfahrt erfordern e Klasse 3 Signifikante St rung Betriebsstillstand Der Fahrbetrieb ist durch die St rung an mindestens einer Stelle unterbrochen St rungen der Klasse 3 sind beispielsweise unter den Zug gelangte Fahrg ste Zugent gleisungen und auffahrten technische St rungen die eine Weiterfahrt des Zuges verhindern Ursachen f r Betriebsst rungen Die Ursachen f r Betriebsst rungen lassen sich gem Abbildung 2 in drei Bereiche gliedern Dissertation Kai Frederik Zastrow 19 Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen
84. g durch die Simulation eine gr ere Ver besserung f r Paris um 1 97 als f r Berlin um 0 61 erzielt wird Differenz zwi schen dem dritten und vierten S ulenpaar Sogar bei Auslassung des Parameters H ergibt sich eine Verbesserung durch die Simulation E Automatischer Betrieb Paris Linie 14 Meteor O Konventioneller Betrieb Berlin Linie U7 4 0 3 64 3 41 Sai Q z 2 99 3 0 2 85 2 5 2 31 2 0 1 67 Standardabweichung der Abweichung 1 5 4 1 0 0 5 4 0 0 Fahrzeit des mittlere Fahrzeit Soll Fahrzeit Simulation Simulation ohne Simulation ohne Vorg ngerzuges durchschnitt Parameter H d Param H beste Abbildung 78 Bewertung der Eignung zur Simulation des U Bahnbetriebs Standardabweichung der Abweichung Die maximale positive und die maximale negative Abweichung in Abbildung 79 und Abbildung 80 besitzen eine geringere Aussagekraft als die vorhergehenden Bewer tungsgr en da sie sich nur auf die jeweils am schlechtesten prognostizierte Zugfahrt beziehen vergleiche Seite 85 Dennoch ist festzustellen dass verglichen mit der dem Fahrplan entstammenden Soll Fahrzeit durch die Simulation erhebliche Verbesserungen erzielt werden k nnen Dissertation Kai Frederik Zastrow 103 Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen EI Automatischer Betrieb Paris Linie 14 Meteor O Ko
85. g ergibt sich Z Zplan Vo T 5 Tplan mit Gleichung 5 Zplan planm ige Zugfolgezeit s Vo Versp tung s bei Ankunft im Bahnhof Tplan planm ige T r ffnungszeit s Setzt man Gleichung 5 in Gleichung 4 ein und l st die Gleichung nach der T r ff nungszeit auf so ergibt sich F Zpian T Vo Tpian L F l T Gleichung 6 F r planm ig eintreffende Z ge gilt der Spezialfall von Gleichung 1 Anzahl der Einsteiger F Zplan L Tplan F Z Ma Gleichung 7 Taan plan L Die zus tzliche Versp tung eines Zuges bei der Abfahrt die durch eine verl ngerte T r ffnungszeit entsteht ergibt sich durch Einsetzen von Gleichung 6 und Gleichung 7 in AT T Tpian Vo Gleichung 8 Die Gesamtversp tung bei der Abfahrt des Zuges betr gt folglich F L V F SF Vi Vo AT Vo 1 T Gleichung 9 Setzt der Zug die Fahrt fort und ist der Fahrgastzufluss am n chsten Bahnhof wie am ersten so betr gt die Gesamtversp tung bei der Abfahrt vom n chsten Bahnhof F L L p V E Volp Gleichung 10 V3 V 1 und bei der Abfahrt vom m ten Bahnhof entsprechend L Vm Vol Gleichung 11 L F Die Gesamtversp tung steigt also mit jedem weiteren Bahnhof exponentiell an so dass aus einer kleinen Anfangsversp tung Vo bei entsprechend konstantem Fahrgastzufluss zu den Bahnh fen bald gro e Versp tungen resultieren k nnen ohne dass eine weitere St rung vorliegen muss
86. gen So muss bei einer Betriebsst rung der Klasse 3 schnellstm glich die Instandsetzung eingeleitet werden Bei einer Betriebsst rung der Klasse 2 sollte die Instandsetzung ebenfalls schnellstm glich ein geleitet werden im Fall einer Fahrzeugst rung jedoch erst nach dem Aussetzen des Zuges Da bei Betriebsst rungen der Klasse 1 der Fahrbetrieb nicht beeintr chtigt ist sollte auch die Instandsetzung den Betriebsablauf nicht behindern und ggf erst nach Ende des Betriebstages erfolgen Eine Begrenzung technisch verursachter Betriebsst rungen kann au er durch eine Er h hung der Zuverl ssigkeit und Instandhaltbarkeit vor allem durch den Bereich Be 60 Dissertation Kai Frederik Zastrow Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen triebsplanung und durchf hrung erzielt werden Hierzu ist eine Automatisierung von Funktionen des Bereichs Leiten ATS m glich wie sie in 7 2 3 beschrieben wird 7 1 2 Betriebliche Ursachen Das Verhindern und Begrenzen von betrieblich verursachten Betriebsst rungen ist eine der komplexesten Aufgaben von Entst rungsstrategien da es schwierig ist die konkre ten Ursachen f r M ngel in der Betriebs und Instandhaltungsplanung zu identifizieren Neben lokalspezifisch organisatorischen Ma nahmen auf die nur im konkreten Einzel fall eingegangen werden k nnte existiert die M glichkeit betrieblich verursachte Be triebsst rungen durch eine Auto
87. gfahrten ee 16 Fahrgastsicherheib sense een dus 17 Bereich Leiten scesesiesesiieossrsstesssosnestesse brors eo ses oeeie se n Eees 17 Beilrichsplanuns inneres a a e aE 17 Betriebsdurchf brung essen 17 Betriebs berwachung und disposition u ucsssessssessseensnensnnnnnennnennnnen nn 18 Ursachen von Betriebsst rungen uursss0sssssonssnsnnssnsnnnsnsnnssnsnnnnnnnnsnnnnnenne 19 Technische Urs chen u aa eine 20 Zentrale Bedien und Anzeigeeinrichtungen usensensennenennenenenn 21 Zentrale Leit und Sicherungseinrichtungen enennennennnn 21 Dezentrale Leit Sicherungs und Energieversorgungseinrichtungen 21 Komponenten an der Streckenperipherie unsesssesssesnsennsneessennnennnnnn nn 22 Komponenten in den Bahnh fen uenssennennsnnesnenneennennnn 22 Fahr e g ncen a em nenn 22 Kommunikationseinrichtungen aueh 23 Fahrweg ntaa tan ea a a a a e a a a a T 23 Bahnhofs und Ingenieurbauwerke unsesssessseessennnnensnennnsennne nennen 23 Betriebliche Ursachen 2 220 23 Betriebs und Instandhaltungsplanung eeenennenenennnn 23 Betriebs und Instandhaltungsdurchf hrung enee 24 Betriebs berwachung und disposition ursuesssessssesnsensnensnenenseenne nennen 24 Externe Ursachen u 25 Umwelt es 25 Bahrvasten lan nennen 25 Vandalksnus zerlegen ass 25 Schwachstellenanalyse automatisierter
88. gseinrichtungen Betriebsst run gen reduziert und damit der Betriebsablauf optimiert werden kann Einf hrend wird dazu in Kapitel 1 erl utert welche Funktionen die Automatisierung umfassen kann um den entsprechenden Umfang eines Automatisierungssystems ab grenzen zu k nnen Anschlie end werden in Kapitel 2 die Ursachen m glicher St run gen analysiert und ihr Einfluss auf den Betrieb entsprechend klassifiziert Die H ufig keit und die Art der in realen automatisierten U Bahnsystemen auftretenden Betriebs st rungen werden in Kapitel 3 in einer Schwachstellenanalyse untersucht Daraufhin werden in Kapitel 4 die Charakteristika des Prozesses U Bahnbetrieb auf Grund ma thematischer Modelle analysiert so dass auf dieser Basis Schlussfolgerungen f r Ent st rungsstrategien gezogen werden k nnen Anschlie end werden in Kapitel 5 aus den bisherigen Untersuchungsergebnissen Entst rungsstrategien zur Optimierung des Be triebsablaufs abgeleitet In Kapitel 6 werden die Einsatzm glichkeiten k nstlicher Neu ronaler Netze zur Betriebssimulation als Teil einer in Kapitel 5 entwickelten Entst rungsstrategie untersucht die alle betrieblichen und technischen Eigenschaften des U Bahnbetriebs in einem integrierten Zusammenhang ber cksichtigt Abschlie end wird in Kapitel 7 beispielhaft aufgezeigt wie die in Kapitel 6 untersuchte Strategie auf ein konkretes U Bahnsystem umgesetzt werden kann Um die Ausarbeitung in einem bersichtlichen Rahm
89. gungseinrichtungen Kommunikation Kommunikation Kae AU a Er Fe nn EEE Eeu Kommu Komponenten an der Komponenten in 9 nikation Streckenperipherie den Bahnh fen Fahrweg Bahnhofsbauwerke Ingenieurbauwerke Abbildung 3 Technische Struktur eines typischen U Bahnsystems 20 Dissertation Kai Frederik Zastrow Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen 4 1 1 Zentrale Bedien und Anzeigeeinrichtungen Die zentralen Bedien und Anzeigeeinrichtungen befinden sich in der Betriebsleitstelle Sie bilden die Mensch Maschine Schnittstelle der ATS Funktionen Im Regelbetrieb ist die Aufgabe des Betriebspersonals in der Betriebsleitstelle das berwachen des Betriebsablaufs Im gest rten Betrieb muss das Personal aktiv durch dispositive Ma nahmen in das Betriebsgeschehen eingreifen Auswirkungen einer Betriebsst rung Sobald eine weitere Betriebsst rung auftritt die dispositive Ma nahmen des Personals erfordert kann dieses nicht mehr eingreifen Das bedeutet dass es in kurzer Zeit zu einem Betriebsstillstand Klasse 3 kommt Aufgrund der Schwere eines solchen Ausfalls sind die zentralen Bedien und Anzeige einrichtungen in der Regel mit Hilfe von Redundanz hoch zuverl ssig ausgelegt 4 1 2 Zentrale Leit und Sicherungseinrichtungen Die zentralen Leit und Sicherungseinrichtungen befinden sich in der Regel in unmit
90. h die Versp tungen der Z ge die mit einer verringerten Zugfolgezeit fahren Z ge 1 4 7 und 11 Genau dieses Ph nomen wurde durch das mathematische Modell vorhergesagt und in Abbildung 25 dargestellt In Abbildung 27 ist der Betrieb auf der Berliner Linie Ul am fr hen Abend eines Werktags dargestellt Die planm ige Zugfolgezeit Zpian betr gt 300 Sekunden 52 Dissertation Kai Frederik Zastrow Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen 250 200 150 100 Bahnhof Ql oO Abweichung von der planm igen Zugfolgezeit s Abbildung 27 Entstehung von Zugpaaren im realen Betrieb Das bereits durch das mathematische Modell vorhergesagte Ph nomen der Bildung von Zugpaaren ist in Abfolge der Bahnh fe deutlich zu erkennen So steigt die Zugfolgezeit bei den in der Abbildung hinten dargestellten Bahnh fen f r die Z ge 1 3 5 7 und 9 erheblich an Dagegen nimmt die Zugfolgezeit bei den brigen Z gen f r dieselben Bahnh fe ab Auf Grund der sich gegen Ende aufbauenden Versp tungen der Z ge 1 und 3 gelingt es den Z gen 2 und 4 ihre bis dorthin kontinuierlich steigende Versp tung wieder abzubauen Zusammenfassend ist aus dem Vergleich des mathematischen Modells der Aufschau kelung mit realen Betriebsdaten zu folgern dass das Modell zwar nicht f r die vollst n dige Simulation des realen U Bahnbetriebs einer Linie ausreicht dass es sich jedoch gut dazu eigne
91. hne weiteres nicht erkennen Ein Vorteil f r die Benutzung der Zugfolgezeit am Startbahnhof als Eingangsgr e ist dass es bei Variation derselben m glich ist verschiedene Fahrplanvarianten zu simulie ren Dies ist eine sehr g nstige Eigenschaft zur Fahrplanoptimierung 8 3 2 7 Soll Fahrzeit Parameter G Es ist anzunehmen dass sich die im Fahrplan angegebene Soll Fahrzeit auf die echte Fahrzeit auswirkt In Abbildung 51 ist die Fahrzeit in Abh ngigkeit von der Soll Fahrzeit f r einen Bei spieltag auf der Linie U7 dargestellt U7 RSP R 01 09 07 01 06 14 01 03 22 a amp N hi X 01 00 29 A i i 00 57 36 2 z 00 54 43 3 ei K d 00 51 50 00 55 00 00 56 00 00 57 00 00 58 00 00 59 00 01 00 00 Soll Fahrzeit Abbildung 51 Fahrzeit auf der Linie U7 in Abh ngigkeit von der Soll Fahrzeit Beispiel Obwohl generell eine starke Streuung der Werte zu beobachten ist steigen die Mittel werte der Fahrzeit mit steigender Soll Fahrzeit 8 3 2 8 Fahrzeit des Vorg ngerzuges Parameter H In Abbildung 52 ist die Abh ngigkeit der Fahrzeit von der Fahrzeit des Vorg ngerzuges f r einen Beispieltag auf der Linie U7 dargestellt Dissertation Kai Frederik Zastrow 81 Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen U7 RSP R 01 09 07 01 06 14 01 03 22 01 00 29 Fa
92. hnsystemen Inwieweit sich die anhand des mathematischen Modells berechneten Szenarien auf den realen Betrieb bertragen lassen wird im Folgenden betrachtet 6 2 3 bertragbarkeit des Modells der Aufschaukelung auf den realen Betrieb Das in 6 2 1 entwickelte Modell der Aufschaukelung setzt einen konstanten Fahrgastzu fluss F zum Bahnhof voraus wie er bei fahrplanm igen Zugfolgen von unter zehn Minuten angenommen werden kann NEW 74 das hei t die Fahrg ste richten ihre Ankunftszeit nicht nach dem Fahrplan Bei welcher Zugfolge ein solches Verhalten noch vorausgesetzt werden kann h ngt von der Kenntnis der Fahrg ste ber den Fahr plan ab Au erdem sind auch bei kurzer Zugfolge Schwankungen des Fahrgastzufluss m glich Beispielsweise bei Gro veranstaltungen wie z B Fu ballspielen ist es denkbar dass der Fahrgastzufluss F zeitweise die Leistungsf higkeit der T ren L er reicht Die Leistungsf higkeit der T ren L ist in der Realit t ebenfalls nicht konstant Sie h ngt vom Besetzungsgrad des Zuges ab So kann beispielsweise bei stark besetzten Z gen trotz langer T r ffnungszeiten T ein nur langsamer Fahrgastwechsel erfolgen Im Modell werden zun chst nur die Einsteiger betrachtet da diese durch eine Versp tung des Zuges ansteigen Der Einfluss der Aussteiger wird erst sp ter deutlich wenn die zus tzlich eingestiegenen Fahrg ste den Zug verlassen und damit nach der mittleren Fahrgastfahrtl nge den Zug nochma
93. hrzeit 00 54 43 00 51 50 00 51 50 00 54 43 00 57 36 01 00 29 01 03 22 01 06 14 01 09 07 Fahrzeit des Vorg ngerzuges Abbildung 52 Fahrzeit auf der Linie U7 in Abh ngigkeit von der Fahrzeit des Vorg ngerzuges Beispiel Die eigene Fahrzeit und die des Vorg ngerzuges sind f r die Z ge identisch deren Fahrzeit sich auf der eingezeichneten Diagonale befindet Die Punkte unterhalb der Di agonalen repr sentieren Z ge deren Fahrzeit unterhalb der ihres Vorg ngerzuges liegt F r Z ge oberhalb der Diagonalen liegt die eigene Fahrzeit ber der des Vorg ngerzu ges Dank der Verbindung der Punkte aufeinander folgender Z ge ist erkennbar dass die Differenz der Fahrzeiten zweier aufeinander folgender Z ge in vielen F llen alter niert Dies ist der Fall wenn die Verbindungslinie zwischen zwei Punkten die Diago nale schneidet Eine Ursache daf r ist die bereits in 6 2 aufgezeigte Paarbildung ver sp teter Z ge Diese Tatsache wird dadurch best rkt dass das Schneiden der Diagonale vorzugsweise im h heren Fahrzeitbereich zu erkennen ist also bei versp teten Z gen f r die auch das Ph nomen der Paarbildung mathematisch vorhergesagt wurde 8 3 3 Phase 2 Festlegen einer geeigneten Struktur des Neuronalen Netzes In dieser Phase wird die Anzahl der versteckten Schichten zwischen Eingabe und Aus gabeschicht festgelegt ebenso die Anzahl der Neuronen pro versteckter Schicht Da es hierzu keine feste Regel gibt
94. icherheitsniveau besitzen alle heu tigen U Bahnsysteme In einem weiteren Schritt kann die durch Sicherungsfunktionen eingeschr nkte Streckenkapazit t erh ht werden indem die L nge der Streckenbl cke verk rzt oder die Fahrt auf elektrische Sicht im Bremswegabstand erm glicht wird Dies vermindert die Mindestzugfolgezeit vergleiche Auswirkung auf das Ph nomen der Aufschaukelung in 6 2 2 und schafft neue Freiheitsr ume bei der Entst rung Die automatische Sicherung gegen Geschwindigkeits berschreitungen ist eine wichtige Funktion zur Verhinderung von Betriebsst rungen wie Entgleisungen oder Auffahrten auf Grund eines zu kurzen Bremsweges zum Gefahrenpunkt In vielen U Bahnsystemen wird heute nur die zul ssige Streckenh chstgeschwindigkeit berwacht Als weitere Ma nahme w re es sinnvoll jede Geschwindigkeitseinschr nkung zu berwachen z B auch tempor re Langsamfahrstellen wodurch weitere Betriebsst rungen verhindert werden k nnten Die automatische Detektion von Entgleisungen kann das Ausma von Betriebsst run gen verringern Mindestens im Zusammenhang mit der Funktion automatisches Fahren ist diese Funktion die ansonsten vom Zugfahrer ausgef hrt wird unentbehrlich Das automatische ffnen und Schlie en der Fahrgastt ren richtet sich durch die Auto matisierung exakt nach dem Fahrplan im Gegensatz zu einer manuellen Bedienung 62 Dissertation Kai Frederik Zastrow Analyse und Simulation von Entst rungsstr
95. ie Antriebsmotoren ben gerade soviel Kraft aus dass die aktuelle Ge schwindigkeit Vsou gehalten wird e Bremsen Die Bremsen und oder die Antriebsmotoren verz gern den Zug mit einem festgelegten negativen Beschleunigungsverlauf bis zu einer vorgegebenen Ge schwindigkeit vsoi e Anhalten Die Bremsen und oder die Antriebsmotoren verz gern den Zug mit ei nem festgelegten negativen Beschleunigungsverlauf bis zur Geschwindigkeit v 0 e Halt Die Bremsen halten den Zug im Stillstand v 0 3 1 2 Umsetzen eines Fahrprofils Unter Zuhilfenahme der Grundfunktionen des Fahrens wird ein bestimmtes Fahrprofil umgesetzt Dieses kann beispielsweise eine zeitoptimierte oder eine energieoptimierte Fahrweise ber cksichtigen Randbedingungen f r das Fahrprofil sind die Strecken und Fahrzeugparameter Die Einhaltung der Randbedingungen wird durch den Bereich Si chern berwacht Die Auswahl eines Fahrprofils im Rahmen der Randbedingungen erfolgt durch den Bereich Leiten 3 1 3 Umsetzen der Fahrtenart Die betrieblichen Randbedingungen f r eine Zugfahrt h ngen von der Fahrtenart ab deren Auswahl ebenfalls durch den Bereich Leiten erfolgt Fahrtenarten lassen sich wie folgt gliedern e Regelzugfahrt Fahrt mit Fahrg sten von einem vorgegebenen Startbahnhof zu ei nem vorgegebenen Zielbahnhof mit Halt an Zwischenbahnh fen nach Fahrplan e Kehrfahrt Fahrt auf zwei nacheinander eingestellten Fahrstra en bevor die zweite Fahrstra e befahren wird
96. ie gr Bere Differenz der Fahrzeit zweier aufeinander folgenden Z ge in Berlin macht deut lich dass sich das Ph nomen der Aufschaukelung siehe 6 2 im konventionellen Be trieb wesentlich st rker bemerkbar macht als im automatischen Dies liegt einerseits am individuellen Abfertigungs und Fahrverhalten der Zugfahrer das deutlich leichter Auf schaukelungen von Versp tungen und Zugpaarbildungen entstehen l sst als ein auto matisch gef hrtes System Andererseits ist es durch eine automatische Zugfolgerege lung im automatischen Betrieb wesentlich einfacher dieses unerw nschte Verhalten zu unterbinden siehe 7 2 3 Die Versp tung eines Zuges entspricht der Abweichung von der Soll Fahrzeit Der Mittelwert des Betrages der Versp tung drittes S ulenpaar liegt f r die Pariser Li nie 14 0 98 deutlich unter dem der Berliner Linie U7 2 14 Dies kann ebenfalls auf den automatischen Betrieb zur ckgef hrt werden in dem der Fahrplan sekundenge nau durch einen Computer umgesetzt wird Sowohl f r den konventionellen als auch f r den automatischen Betrieb sind die Ab weichungen des Durchschnitts der mit allen Eingangsparametern durchgef hrten 13 Simulationsreihen geringer als die Abweichungen der Soll Fahrzeit von der realen Fahrzeit Eine Verbesserung des Fahrplans durch Neuronale Netze ist also m glich wobei das Potenzial in Berlin gr er ist als in Paris da der Pariser Fahrplan bereits bes ser dem realen Betrieb entsprich
97. iell schlechtere Simulationsergebnisse Daher wird in den weiteren Untersuchungen auf eine Bereinigung der Trainingsdaten verzichtet 8 4 2 Einfluss der Eingangsparameter Zur Untersuchung des Einflusses der Eingangsparameter werden Simulationen mit Da ten aus dem konventionellen und dem automatischen Betrieb durchgef hrt Die Simu lationsreihen werden mit allen Eingangsparametern und mit Auslassung jeweils eines Eingangsparameters durchgef hrt so dass anschlie end betrachtet werden kann wie sich die Ergebnisse ver ndern Der Parameter A Streckenabschnitt spielt dabei eine besondere Rolle da er nicht wie die anderen Parameter ausgelassen sondern nur variiert werden kann Die Abh ngigkeit zwischen der Fahrzeit Abweichung und der Streckenl nge wird in 8 3 2 1 ausf hrlich erl utert Die Bewertung des Einflusses der Eingangsparameter erfolgt anhand der f nf Bewer tungsgr en die in den folgenden Abbildungen f r den konventionellen und den auto matischen Betrieb dargestellt sind In Abbildung 66 ist zu erkennen dass sich im konventionellen Betrieb der Mittelwert der Abweichung bei Auslassung eines Parameters vom Betrag erh ht Besonders stark wirken sich die Soll und Ist Zugfolgezeit Parameter E und F und die Soll Fahrzeit Parameter G aus Allerdings sind die Abweichungen sehr gering im Durchschnitt unter 0 1 so dass auch bei Auslassung eines Parameters noch zufriedenstellende Ergebnisse erzielt werden Bei den
98. ienstand Schulbildung 1976 1979 1979 1983 1983 1990 Juni 1990 Studium Okt 1990 Apr 1995 1994 1994 95 Apr 1995 Kai Frederik Zastrow 18 Mai 1971 Berlin deutsch verheiratet Vorschule und Grundschule in Berlin Kladow Grundschule und Orientierungsstufe in Osterholz Scharmbeck Niedersachsen Gymnasium in Osterholz Scharmbeck Niedersachsen Abitur Studium der Elektrotechnik an der TU Berlin Studienarbeit am Fraunhofer Institut f r Produktionsanlagen und Konstruktionstechnik IPK Berlin Diplomarbeit in der Forschungsabteilung der Firma Renault in Paris Frankreich Diplom Praktika und Berufserfahrung Jul Sep 1990 M r Apr 1991 Feb 1992 Sep 1994 Okt 1994 M r 1995 seit Mai 1995 116 Grundpraktikum bei der Siemens AG in Berlin Schwei en Drehen Fr sen Werkstudentent tigkeit bei der Siemens AG in Berlin Leiter plattenfertigung Studentische Hilfskraft am IPK Berlin im Bereich Prozess technik Praktikum in der Forschungsabteilung der Firma Renault in Paris Frankreich Wissenschaftlicher Mitarbeiter bei der IFB Institut f r Bahn technik GmbH in Berlin im Bereich Betriebsleitsysteme und Kommunikationstechnik Dissertation Kai Frederik Zastrow
99. ildung 12 dar gestellt 34 Dissertation Kai Frederik Zastrow Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen sonstige Vorkommnisse 50 Personalmangel 14 Wagenmangel 3 schadhafter Zug schadhafte 18 Betriebsanlagen 15 Abbildung 12 Ursachen f r ausgefallene Fahrplankilometer auf der U5 F r das gesamte Netz ergibt sich der durch schadhafte Z ge verursachte Anteil wie in Abbildung 13 dargestellt E Ausr stung sonstiges Fahrgastber 24 1 Antrieb Energie p N o E Ausr stung Fahrerber 19 Bremsen 11 Zugsicherung 3 Fahrwerk Hilfsbetriebe 1 Wagenkasten 11 1 T ren 16 Abbildung 13 Ursachen f r Fahrzeugst rungen 5 7 2 Kenngr e P nktliche Zugfahrten Gesamtzahl der Zugfahrten Eine weitere Kenngr e ist der prozentuale Anteil der p nktlichen Zugfahrten zur Ge samtzahl der Zugfahrten Gleichung 3 Es wird dabei unterschieden zwischen Versp tungen ber f nf Minuten und Versp tungen ber 20 Minuten Dissertation Kai Frederik Zastrow 35 Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen P nktliche Fahrten IGesamtzahl Fahrten 100 00 99 50 99 00 98 50 98 00 97 50 Abbildung 14 P nktliche Fahrten bis f nf Minuten versp tet Insgesamt sind 99 25 aller Zugfahrten bis zu f nf Minuten versp tet Auf der U5 betr gt der Wert 99 70
100. isten U Bahnlinien eingef hrt ist LISI steht f r ein B ndel von Automatisierungsma nahmen in den Bereichen Betriebsleittechnik Zugsicherungstechnik und Fahrgastinformation und service Der f r die betrachtete Entst rungsstrategie relevante Bestandteil des LISI sind die ATS Funktionen Zugidentifikation und Zuglauf berwachung An allen betriebsrelevanten Orten einer mit LISI ausger steten U Bahnlinie in der Re gel bei Gleisverzweigungen Aufstellgleisen und Bahnhofsein und ausfahrten befin den sich im Gleis zwischen den Schienen Schreib Lese Ger te Typ MOBY V Diese sind ber Datenkonzentratoren die die Informationen mehrerer Schreib Lese Ger te zusammenfassen und ein Feldbussystem mit der zentralen Leitstelle verbunden siehe Abbildung 81 Dort befinden sich f r jede Linie ein zentraler Server sowie Bedien platzrechner mit Mensch Maschine Schnittstellen Jeder Zug besitzt einen mobilen Datenspeicher der bei der berfahrt ber ein Schreib Lese Ger t die Kennung des Zuges bermittelt Ein entsprechendes Telegramm wird an den zentralen Server in der Leitstelle bertragen Dieser vergleicht die Information mit dem aktuellen Fahrplan und erzeugt einen Datensatz in einer ORACLE Datenbank Die Datens tze enthalten folgende Parameter e Datum e Zeitpunkt der Erfassung e Zugnummer e Bahnhof e Ankunft oder Abfahrt e Soll Zeitpunkt gem Fahrplan e Versp tung und e Versp tungsklasse 106 Dissertation
101. it des jeweils betrachteten Zuges erstes S ulenpaar als auch f r den Mittelwert der Abweichung der mittleren Fahrzeit der Zugfahrten der Trainingsdaten von der Fahrzeit des jeweils betrachteten Zuges zweites S ulenpaar Letztere stellt lediglich das Verh ltnis des Mittelwertes der Fahrzeiten der Zugfahrten der Trainings daten zum Mittelwert der Fahrzeiten der Zugfahrten der Testdaten dar 100 Dissertation Kai Frederik Zastrow Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen E Automatischer Betrieb Paris Linie 14 Meteor O Konventioneller Betrieb Berlin Linie U7 0 2 0 o 0 12 0414 012 010 0 10 0 11 o 1 0 1 0 06 e 2 0 01 0 00 0 0 e 0 00 0 01 oO lt 5 0 1 ke E S 0 2 0 3 0 4 0 37 Fahrzeit des mittlere Fahrzeit Soll Fahrzeit Simulation Simulation ohne Simulation ohne Vorg ngerzuges durchschnitt Parameter H d Param H beste Abbildung 76 Bewertung der Eignung zur Simulation des U Bahnbetriebs Mittelwert der Abweichung Das zweite S ulenpaar kann folglich als Indikator f r die Zuf lligkeit der Auswahl der Testdaten aus der Gesamtmenge der Prozessdaten dienen Bei einer mittleren Abwei chung von 0 besitzen die Fahrzeiten der Zugfahrten der Trainings und der Testdaten exakt den gleichen Mittelwert Die f r die untersuchten Simulationsreihen erfolgte Auswahl der Testdat
102. k In diesem Fall spricht man auch von Sabotage 26 Dissertation Kai Frederik Zastrow Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen 5 Schwachstellenanalyse automatisierter U Bahnsysteme Nachdem die Funktionen der Automatisierung definiert und m gliche Ursachen f r Betriebsst rungen beschrieben sind sollen nun die Schwachstellen realer automatisch betriebener U Bahnsysteme untersucht werden Seit den fr hen 80er Jahren des 20 Jahrhunderts existieren weltweit zahlreiche auto matisch betriebene U Bahnsysteme Schwerpunktm ig stammen diese aus Japan und Frankreich siehe Abbildung 4 zwei L ndern die schon fr hzeitig die Vorteile des automatischen schienengebundenen Personennahverkehrs erkannt und sich entspre chend zu Nutze gemacht haben In Deutschland wurden zwar Ende der 70er Jahre Systeme zum automatischen U Bahnbetrieb entwickelt wie beispielsweise PUSH in Hamburg WIE 85 und SELTRAC in Berlin IFB 88 sie kamen jedoch nicht ber die Erprobungsphase hinaus zum praktischen Einsatz Das gleiche gilt f r die automatisch betriebene M Bahn AEG 92 die Ende der 80er Jahre auf einer Teststrecke in Berlin mit Fahrg sten erprobt wurde Lediglich zwei fahrerlose Verkehrsmittel die auf Grund ihrer Bauart jedoch nicht als U Bahn zu bezeichnen sind befinden sich in Deutschland heute im Regel Einsatz e die H Bahn auf dem Gel nde der Universit t Dortmund GIE 84 und e der P
103. km Das hier eingesetzte Automatisierungssystem von MATRA mit der Bezeichnung MAGGALY Metro Au tomatique Grand Gabarit de 1 Agglom ration Lyonnaise erm glicht das automatische Fahren auf elektrische Sicht moving block Zugunsten einer Infrarot berwachung wurde auf Bahnsteigt ren verzichtet Die Unverf gbarkeit des Gesamtsystems liegt im Mittel bei 1 5 18 Minuten pro Tag von 20 Stunden Betrieb Das Verh ltnis Istkilometern zu Plankilometern betr gt 98 5 LYO 43 der St rungen sind auf technische Ursachen zur ckzuf hren wie Fahrzeugst rungen 27 St rungen an Betriebsanlagen 11 ATC Komponenten 3 und Infrarot Bahnsteiggleissicherung 2 57 der St rungen sind durch externe Einfl sse bedingt wie Fahrg ste im Bahnsteig gleis 14 Manipulation der Infrarot Bahnsteiggleissicherung 11 Ausl sung der T rkanten berwachung 9 Fehlausl sung der Infrarot Bahnsteiggleissicherung 8 Mi brauch von Notrufsprechstellen 5 Fehlalarm ohne bekannte Ursache 5 Vandalismus und Sabotage 4 Dissertation Kai Frederik Zastrow 31 Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen ATC System 0 an IR Bahnsteiggleis sicherung 0 Umfeld 57 schadhafter Zug 27 schadhafte Betriebsanlagen 11 Abbildung 9 Zeitliche Aufteilung der St rungen 5 4 Paris Linie 14 Meteor Im Herbst 1998 wurde Meteor die Linie 14 der P
104. lectrotechnical Commission Instandhaltung International Standardization Organisation Leit Informations und Sicherungssystem Mean Down Time Multi Layer Perceptron Produktbezeichnung der Firma SIEMENS Manless Train Operation Mean Up Time Personal Computer Qualit tsmanagement Prozessrechnergesteuertes U Bahn Automations System Hamburg Reliability Availability Maintainability Safety Radial Basis Function BOStrab Richtlinie f r den Fahrbetrieb ohne Fahrzeugf hrer Supervisory Control And Data Acquisition Produktbezeichnung der Firma Alcatel SEL Safety Integrity Level Systemtechnik f r den Automatischen Regelbetrieb Software Union Internationale des Transports Publics Verein Deutscher Ingenieure Verband Deutscher Verkehrsunternehmen Dissertation Kai Frederik Zastrow Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen 2 3 Nomenklatur Baugruppe Gem Instandhaltungskonzept tausch und pr fbare Einheit Betriebsst rung Betriebslage bei der die Leistungsf higkeit des U Bahnsystems gem der Spezifikation eingeschr nkt ist oder mindestens eine Versp tung vorliegt die einen definierten Grenzwert berschreitet Betrieb automatischer Betriebsform bei der der Regelfahrbetrieb kein Betriebspersonal erfordert Betrieb konventioneller Betriebsform bei der der Regelfahrbetrieb Betriebspersonal erfordert Entst rungs
105. lenanalyse dass hier das gr te Potenzial f r Entst rungsstrategien liegt Dissertation Kai Frederik Zastrow 41 Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen 6 Charakteristika des U Bahnbetriebs In diesem Kapitel werden typische Charakteristika des U Bahnbetriebs analysiert so dass darauf aufbauend im folgenden Kapitel Entst rungsstrategien definiert werden k nnen 6 1 Betriebsablauf eines Zuges Ein wesentlicher Teilprozess des U Bahnbetriebs ist der Betriebsablauf eines Zuges Dieser ist in Abbildung 22 schematisch dargestellt T1 Zug r stet sich auf y T2 Zug wartet auf Fahrauftrag y T3 Zug f hrt nach einem vorgegebenen la Fahrprofil zum Bahnsteig vy T4 Zug gibt Fahrgastt ren frei und T6 Zug f hrt nach einem vorgegebenen wartet bis festgelegte Aufenthaltszeit Fahrprofil in die Kehranlage erreicht ist und Fahrauftrag vorliegt A y T5 Zug schlie t die Fahrgastt ren y T7 Zug f hrt nach einem vorgebenen Fahrprofil in die Aufstellanlage v T8 Zug r stet sich ab v T9 Zug steht abger stet in der Aufstellanlage Abbildung 22 Betriebsablauf eines Zuges Die in Abbildung 22 dargestellten Zeiten sind f r jeden Zug im Fahrplan ber cksichtigt und festgelegt Befehle zum Auf und Abr ste
106. lichen Gegenma nahmen da es sich lediglich um unkritische St rungen Klasse 1 handelt die nach dem entsprechenden Instandhaltungskonzept beseitigt werden 4 1 6 Fahrzeug Die Komponenten eines Fahrzeugs besitzen f r den Fahrbetrieb eine sehr unterschiedli che Relevanz Dementsprechend vielschichtig sind auch die Auswirkungen eines Aus falls Auswirkungen einer Betriebsst rung Ein Betriebsstillstand Klasse 3 kann u a durch einen Ausfall des Antriebssystems des Bremssystems sowie der ATO und ATP Komponenten bewirkt werden Eine Betriebsbehinderung Klasse 2 kann u a durch einen Ausfall der Fahrgastt ren von Hilfsbetrieben sowie einen Teilausfall des Antriebssystems bewirkt werden Unkritische St rungen Klasse 1 k nnen u a durch den Ausfall von Komponenten der Fahrgastinformation und durch Teilausf lle der Fahrgastraumheizung und der Fahr gastraumbeleuchtung bewirkt werden 22 Dissertation Kai Frederik Zastrow Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen 4 1 7 Kommunikationseinrichtungen Kommunikationseinrichtungen dienen zur Verbindung aller bisher aufgef hrten techni schen Ebenen Sie dienen zur bertragung von Steuerbefehlen von h heren zu tieferen Ebenen von Meldungen von tieferen zu h heren Ebenen sowie Sprach und Bild In formationen Auswirkungen einer Betriebsst rung Zu einem Betriebsstillstand Klasse 3 kommt es beim Ausfall der bert
107. ls verz gern Zur Verifizierung der mit Hilfe des mathematischen Modells abgeleiteten Aussagen werden nun reale Betriebsszenarien herangezogen Bei den vorliegenden Messdaten BVG ist die Darstellung der Versp tung eines Zuges im Vergleich zur planm igen Abfahrtszeit nicht hinreichend aussagekr ftig da insbe sondere zwischen den Unterwegsbahnh fen die Differenz zwischen planm iger und realer Fahrzeit stark schwankt Daher wird als geeignete Messgr e die Abweichung des Zeitpunkts der Zugabfahrt von der planm igen Zugfolgezeit herangezogen In Abbildung 26 ist diese f r die Berliner Linie U2 am Nachmittag eines Werktags dar gestellt Die planm ige Zugfolgezeit Zpian betr gt 200 Sekunden Dissertation Kai Frederik Zastrow 51 Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen 200 150 100 50 Abweichung von der planm igen Zugfolgezeit s Abbildung 26 Realer Verlauf der Abweichung von der planm igen Zugfolgezeit Zun chst sind im Vergleich zu den mit mathematischen Modellen berechneten Be triebsszenarien Abbildung 24 und Abbildung 25 starke Streuungen erkennbar die auf die variierenden Fahrgastzufl sse F zu den einzelnen Bahnh fen zur ckgef hrt werden k nnen Als Tendenz ist jedoch zu erkennen dass die Z ge die mit einer vergr erten Zugfolgezeit fahren ihre Versp tung vergr ern Z ge 3 5 8 und 12 Umgekehrt ver ringern sic
108. matisierung von Funktionen des Bereichs Leiten ATS zu reduzieren siehe 7 2 3 7 1 3 Externe Ursachen Umweltbedingte Betriebsst rungen k nnen in der Phase des Systemdesigns durch eine gro z gige Auslegung gegen ber Umwelteinfl ssen begrenzt werden In der Betriebs phase sind im Rahmen der Betriebsplanung und durchf hrung spezielle Ma nahmen festzulegen z B bei Eisgl tte verringerte Verz gerung der Z ge sowie Anpassung des Fahrplans Wenn es sich um Betriebsst rungen der Klasse 3 handelt ist hier wie bei technischen Ursachen eine schnellstm gliche R umung der Strecke und Instandsetzung notwendig Durch Vandalismus bedingte Betriebsst rungen verhalten sich von der Entst rung her genau wie technisch bedingte siehe 7 1 1 Au er durch eine vandalismusresistente Auslegung des Systems ist eine Begrenzung zeitlich durch eine geeignete Instandhal tung m glich Gegen durch Fahrg ste verursachte Betriebsst rungen k nnen ebenfalls in der Phase des Systemdesigns Vorbeugungen getroffen werden So sollten alle Betriebsmittel mit denen der Fahrgast in Kontakt kommt so ausgef hrt sein dass ihr Missbrauch nur er schwert m glich ist Beispielsweise kann eine Vielzahl von Betriebsst rungen wie das Eindringen der Fahrg ste in das Lichtraumprofil des Zuges durch den Einbau von Bahnsteigt ren grunds tzlich verhindert werden Bei Betriebsst rungen der Klasse 3 ist ebenso wie bei technischen Ursachen eine schnellstm gliche R
109. n erstellt wird Eine exakte Vorausberechnung des Betriebsablaufs ist auf Grund der vielen St rgr en selbstverst ndlich nur in gewissen Grenzen m glich Die meisten St rgr en Technik Fahrg ste externe Einfl sse sind f r den Betreiber nur schwer beeinflussbar und k n nen daher nicht in die Regelung des Betriebs einbezogen werden wie in Abbildung 32 dargestellt ist Technische Einfl sse Externe Einfl sse z B Weichenst rung z B Fahrgast erkrankt Vandalismus Soll Fahrplan E Black Box gt Ist Fahrzeiten U Bahnbetrieb Betriebliche Einfl sse z B Fehlhandlung des Personals Abbildung 32 Prozess U Bahnbetrieb als Black Box Eine Steuerung des Prozesses kann jedoch indirekt erfolgen Wenn es m glich ist bei spielsweise durch eine Prozesssimulation zuverl ssige Prognosen ber das Prozessver halten zu treffen so k nnen diese als Soll Vorgaben f r den realen Prozess benutzt werden Eine solche Prozesssimulation ben tigt eine hinreichende Betriebserfahrung siehe Abbildung 33 64 Dissertation Kai Frederik Zastrow Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen rleulge Salon resp Soll Fahrplan Black Box Be Ist Fahrzeiten U Bahnbetrieb 7 gt Lernen aus Betriebserfahrung Ausrichten des Soll Fahrplans gem Betriebserfahrung Abbildung 33 Fahrplanerstellung mit Hilfe von Betriebserfahrung Vergleichbare Aktivit ten im Rahmen der
110. n Betrieb symmetri scher als im konventionellen Bei der Berliner U Bahn betr gt der Anteil der Versp tungen im Bereich von 3 bis 3 Minuten 97 Bei der Pariser Linie 14 M t or betr gt der Anteil der Versp tungen im gleichen Bereich 99 im Bereich von 5 bis 5 Sekunden liegen 81 der Ver sp tungen Es wird deutlich dass eine solche Versp tungsverteilung nur im automati schen Betrieb erreicht werden kann bei dem das Abfertigen und das Fahren der Z ge nicht durch Fahrer sondern durch Computer erfolgt Vereinfachend l sst sich die Regel ableiten Je kleiner der Betrag der Versp tung desto h ufiger tritt die Versp tung auf 6 4 Sicht der Fahrg ste Bisher wurden schwerpunktm ig technisch betriebliche Gesichtspunkte des U Bahnbetriebs betrachtet Aus Sicht der Fahrg ste gibt es jedoch weitere Anforderungen wie die folgenden Beispiele zeigen e Der Ausfall einer Zugfahrt bei einem 20 Minutentakt wirkt sich f r den Fahrgast sehr viel schwerwiegender aus als beispielsweise bei einem Drei Minutentakt Be trieblich gesehen handelt es sich jedoch um das gleiche Ereignis e Findet bei einem fahrplanm igen F nf Minutentakt jede Zugfahrt mit exakt 20 Minuten Versp tung statt ergibt sich nach dem ersten versp teten Zug f r den Fahrgast keine Beeintr chtigung mehr auch wenn die Z ge nicht nach dem Fahr plan fahren und damit eine betriebliche St rung vorliegt Diese Beispiele zeigen dass es einerseits f r de
111. n Fahrgast wichtige Qualit tskriterien gibt deren Einhaltung durch den Betrieb nicht a priori optimiert wird MNI 99 und andererseits dass betriebliche Abl ufe m glicherweise auch dann optimiert werden wenn sie keine Wirkung auf den Fahrgast haben Um dies zu ber cksichtigen werden zwei aus Sicht der Fahrg ste wesentliche Quali t tskenngr en bez glich des U Bahnbetriebs eingef hrt e die mittlere Fahrgastversp tung w hrend der Fahrt X Istfahrzeit Planfahrzeit alleFahrg ste E Fanrgasiverspatung Anzahlder Fahrg ste Gleichung 23 Gem repr sentativer Umfragen in Deutschland SPP 99 sind diese beiden Kenngr en aus Sicht der Fahrg ste die wichtigsten Selbstverst ndlich gibt es noch weitere f r den Fahrgast wichtige Qualit tskenngr en wie H he der Fahrpreise Sicherheit Sauberkeit Freundlichkeit des Personals etc Die Optimierung dieser Kenngr en ist jedoch nicht Gegenstand dieser Ausarbeitung 56 Dissertation Kai Frederik Zastrow Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen e die mittlere Fahrgastwartezeit auf dem Bahnsteig Wartezeit alleFahrg ste E Fahrgastwartezeit f l el Anzahlder Fahrg ste Gleichung 24 Die erste Kenngr e kann dadurch optimiert werden dass der Fahrplan die realen Fahr zeiten zwischen den Bahnh fen wiederspiegelt Wie dies erreicht werden kann wird in den Kapiteln 7 und 8 er rtert
112. n Maximum und e dem negativen Maximum der Abweichung der simulierten von der Original Fahrzeit jeweils bezogen auf die mittlere Fahrzeit der Zugfahrten der Testdaten f r den betrachteten Streckenabschnitt Der Bezug auf die mittlere Fahrzeit dient dazu die Ergebnisse f r verschiedene Stre ckenabschnitte miteinander vergleichen zu k nnen so dass alle Bewertungsgr en in Prozent darstellbare relative Abweichungen sind Die bez glich der Simulationsg te aussagekr ftigsten Bewertungsgr en sind der Mit telwert des Betrages der Abweichung und die Standardabweichung der Abweichung da diese alle Daten der jeweiligen Simulationsreihe bewerten Um eine Kompensation von positiven und negativen Abweichungen zu ber cksichtigen wird au erdem der Mittel wert der Abweichung ohne Betragsbildung betrachtet Die Bewertungsgr en positi ves und negatives Maximum der Abweichung dienen dazu das maximale Fehleraus ma der Simulation absch tzen zu k nnen Dissertation Kai Frederik Zastrow 85 Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen Anhand dieser Bewertungsgr en werden die nachfolgenden Untersuchungen durchge f hrt Sie betrachten e den Einfluss der Netzstruktur e den Einfluss der Bereinigung der Trainingsdaten und e den Einfluss der Eingangsparameter In den folgenden Unterkapiteln werden diese Schritte ausf hrlich beschrieben 8 4 1 Einfluss der Netzstruktur und der B
113. n realer automatisierter U Bahnsysteme in Lille London Lyon Paris Tokio Vancouver und Berlin quantitativ und qualitativ zu unter suchen Das beim Linienbetrieb mehrerer Z ge auftretende Ph nomen der Aufschaukelung von Versp tungen steht im Mittelpunkt der darauf folgenden mathematischen Herleitungen und einer Analyse realer Betriebsdaten Nach einer Betrachtung der Versp tungsver teilungen von automatischen und konventionellen U Bahnsystemen wird die Sicht der Fahrg ste er rtert Die daraus abgeleiteten Qualit tskenngr en sind Ausgangspunkt f r die Entwicklung von Entst rungsstrategien Diese erfolgt sowohl bez glich der Art der Betriebsst rungen als auch bez glich des Automatisierungsgrades des U Bahnsystems Abschlie end wird eine besonders vielversprechende Entst rungsstrate gie die eine Simulation des U Bahnbetriebs erfordert vertieft betrachtet Zur Anwendung dieser Strategie wird untersucht ob Neuronale Netze ein geeignetes Mittel sind um das Prozessverhalten des U Bahnbetriebs vorherzusagen und auf wel che Weise sie zur Simulation des U Bahnbetriebs eingesetzt werden k nnen Dazu werden reale Betriebsdaten sowohl einer konventionell betriebenen U Bahnlinie in Berlin als auch einer automatisch betriebenen U Bahnlinie in Paris herangezogen Die Analyse und Bewertung der Betriebssimulation bezieht sich auf die Struktur des Neu ronalen Netzes die Bereinigung der Trainingsdaten und den Einfluss der Eingangspa rameter
114. n werden gem Fahrplan gegeben Fahr auftr ge werden gegeben wenn die Abfahrtszeit gem Fahrplan erreicht und die ent sprechende Fahrstra e eingestellt ist Die Zeit T1 ist durch den Aufbau des Fahrzeugs bedingt Sie besitzt einen konstanten Anteil Aktivierung und Selbsttest der Fahrzeugkomponenten sowie einen Anteil der von der Umgebungstemperatur abh ngt Vorheizzeit T2 ist eine Pufferzeit die dazu dient Toleranzen beim Aufr sten und fahrplanbedingte Wartezeiten im Fahrzeugumlauf auszugleichen Sie sollte aus energetischen Gr nden so weit wie m glich minimiert werden Die Zeiten T3 T6 und T7 sind durch Eigenschaften des Fahrzeugs und der Strecke be dingt Gleistopologie zul ssige H chstgeschwindigkeit Beschleunigungsverm gen etc Ferner ist ma geblich inwieweit eine energieoptimale oder eine zeitoptimale Fahrweise gew nscht ist 42 Dissertation Kai Frederik Zastrow Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen Die Zeit T4 ist dann optimal wenn sie exakt der Zeit entspricht die die Fahrg ste zum Aus und Einsteigen ben tigen Sie kann f r jeden Bahnhof eine ggf auch tageszeitab h ngig festgelegte Konstante sein oder sich dynamisch am Fahrgastaufkommen orien tieren In bestimmten Betriebssituationen kann es auch notwendig sein die Fahrgastt ren mit den blichen akustischen und optischen Warnsignalen zu schlie en bevor alle auf dem Bahnsteig wart
115. nal und Wagen entweder zur fahrplanm ig vorgesehenen Zeit zur Verf gung stehen oder nicht das hei t diese Ursache macht sich weniger auf Versp tungen bemerkbar Die Verf gbarkeit der Linie U5 liegt sowohl auf die ausgefallenen Fahrplankilometer als auch auf die Versp tungen bezogen ber dem Durchschnitt des gesamten U Bahnnetzes Die Ursachen hierf r h ngen jedoch nicht mit dem automatischen Betrieb zusammen und sollen daher im Rahmen dieser Analyse nicht weiter untersucht werden 5 3 Zusammenfassung der Schwachstellenanalyse In Abbildung 21 ist die Verf gbarkeit bez glich der ausgefallenen Fahrplankilometer vergleichend f r die analysierten automatischen U Bahnsysteme dargestellt Die Anga ben f r London und Paris enthalten keine Nachkommastellen und sind daher nur als Tendenz zu interpretieren Neben der Verf gbarkeit konnten weitere Parameter wie beispielsweise spezifische Kosten f r Betrieb und Instandhaltung f r die betrachteten Systeme nicht ermittelt werden Daher k nnen die folgenden Darstellungen nicht f r Aussagen ber das Kos ten Nutzen Verh ltnis der entsprechenden Systeme herangezogen werden Dissertation Kai Frederik Zastrow 39 Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen 100 99 98 97 96 95 94 93 92 91 90 Lille London Lyon Paris Tokio Vancouver Istkil
116. nem der sieben normalen Wochentage vergleichbar ist k nnen die Zif fern ab 8 benutzt werden Eine weitere Sonderstellung nehmen die Schulferien ein die ebenfalls durch die Hinzunahme weiterer Ziffern dargestellt werden k nnen 8 3 2 3 Soll Abfahrtszeit am Startbahnhof Parameter C Da die Tageszeit eng mit dem Fahrgastaufkommen und ber den Fahrplan indirekt auch mit dem Zugtakt zusammenh ngt ist zu vermuten dass sich die Abfahrtszeit ma geb lich auf die Fahrzeit auswirkt Daher werden die Parameter C und D Soll Abfahrtszeit und Abfahrtszeit am Start bahnhof als Eingangsparameter der Simulation herangezogen Der Verlauf der Fahrzeit ber der Soll Abfahrtszeit entspricht etwa Abbildung 48 78 Dissertation Kai Frederik Zastrow Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen 8 3 2 4 Abfahrtszeit am Startbahnhof Parameter D In Abbildung 48 ist der Verlauf der Fahrzeit der Linie U7 von Rathaus Spandau nach Rudow ber der Abfahrtszeit f r einen Beispieltag dargestellt Fahrzeiten U7 RSP R 01 01 55 01 00 29 00 59 02 f I 00 57 36 E 57 EL 00 56 10 00 54 43 00 53 17 TT T T T N T T T T T TTT N O vo oa yo oo no nr op vo lI SSN OQOODMNAN a aan NA Q a an N OT A xy NYTN2X2 NY N von co x n 0Q A g GN G G G G GGO GG GNN DH GG oG GG O A O NO NO xy NO xy Ten en an vn QAYNANA lt O O O OO 9 oo O0 N 2 vo vo nn 9
117. ng 45 Fahrzeit auf der gesamten Linie U7 RSP R f r verschiedene Abfahrtszeiten Beispiel 77 Abbildung 46 Fahrzeit auf einem Teil der Linie U7 RSP BLI f r verschiedene Abfahrtszeiten Beispiel a uu le S E EAE eng T N E EEE T 77 Abbildung 47 Fahrzeit auf der Linie U7 f r zwei verschiedene Wochentage Beispiel 78 Abbildung 48 Fahrzeit auf der Linie U7 in Abh ngigkeit von der Abfahrtszeit Beispiel 79 Abbildung 49 Fahrzeit auf der Linie U7 in Abh ngigkeit von der Soll Zugfolgezeit am Startbahnhof Beispiel E E AA 80 Abbildung 50 Fahrzeit auf der Linie U7 in Abh ngigkeit von der Zugfolgezeit am Startbahnhof MEINT D EAT AS A E T AAA E EEE T N E O ETS 80 Abbildung 51 Fahrzeit auf der Linie U7 in Abh ngigkeit von der Soll Fahrzeit Beispie 81 Abbildung 52 Fahrzeit auf der Linie U7 in Abh ngigkeit von der Fahrzeit des Vorg ngerzuges Beispiel TE E EEE E ST E S E E E E SE 82 Abbildung 53 Vorgehensweise zur Bewertung der Simulationsparameter uersesseessessensesseenneneneenn 84 Abbildung 54 Original und simulierte Fahrzeiten im Vergleich Beispiel neneeee 85 Abbildung 55 Einfluss von Netzstruktur und Bereinigung der Trainingsdaten Mittelwert der Abweichung Betriebsdaten Berlin 2004200rnsensennsennenennsnnnnennn nennen ennennne 87 Abbildung 56 Einfluss von Netzstruktur und Bereinigung der Trainingsdaten Mi
118. ngen oder Verfr hungen gefahren wird Der zweite Summand wird umso gr er je mehr die einzelnen Z ge von der mittleren Zugfolgezeit abweichen Au erdem wird er gr er je k rzer die Zugfolge bei gleichbleibender Varianz ist das hei t bei gro en Zugfolgen bezogen auf die Varianz bleibt dieser Einfluss gering Die Bedeutung der Gleichung 29 sei anhand eines Beispiels erl utert Auf einer Linie wird planm ig eine Zugfolge von exakt f nf Minuten gefahren Die mittlere Wartezeit f r einen Fahrgast mit zuf lliger Ankunftszeit betr gt folglich zwei Minuten und 30 Sekunden Durch eine Betriebsst rung kommt es zu einer Aufschaukelung der Zug folgen dieser Linie so dass sich nun Zugfolgen von drei und sieben Minuten abwech seln Obwohl die mittlere Zugfolge immer noch f nf Minuten betr gt erh ht sich die mittlere Wartezeit eines Fahrgastes um 16 auf zwei Minuten und 54 Sekunden Es muss daher ein betriebliches Ziel sein die Streuung der Zugfolgezeit zu minimieren Nun soll betrachtet werden wie sich die Streuung der Zugfolgezeit im Streckenverlauf bei einem realen nicht automatisch geregelten U Bahnsystem verh lt Es werden dazu Messdaten der Berliner Linie Ul herangezogen die am Nachmittag eines Werktags aufgenommen wurden Die aus den Messdaten mit Gleichung 29 berechnete mittlere Wartezeit ist in Abbildung 31 dargestellt Die planm ige Zugfolgezeit Zy an betr gt 180 Sekunden das hei t bei einer exakten Einhaltung der
119. ngsparameter Maximale negative Abweichung Betriebsdaten Paris 99 Abbildung 76 Bewertung der Eignung zur Simulation des U Bahnbetriebs Mittelwert der Abweichung VEE NEEE E I EEA AE EE E EE E E FHNERFREFREEERE 101 Abbildung 77 Bewertung der Eignung zur Simulation des U Bahnbetriebs Mittelwert des Betrages der Ab weichUn S eanan a a a a aae a a ee N ESS 102 Abbildung 79 Bewertung der Eignung zur Simulation des U Bahnbetriebs Standardabweichung der Abweichung ce m e e E E E E A A E O EE EN 103 Abbildung 80 Bewertung der Eignung zur Simulation des U Bahnbetriebs Maximale positive Abweich n gih a ERR E RE NEEE EAE RE EE R Eaa 104 Abbildung 81 Bewertung der Eignung zur Simulation des U Bahnbetriebs Maximale negative TABIAT ETa AA A EE E E T A E E EE 104 Abbildung 82 Hardwarestruktur der Zugidentifikation und Zuglauf berwachung e 107 Abbildung 83 Grunddaten des Fahrplanverwaltungssystems BERTA Beispiel BVG 108 Abbildung 84 Der U Bahnbetrieb als Regelkreis u 002200200snseensnnnnsnensnennennennennnennn nennen 109 Dissertation Kai Frederik Zastrow 13 Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen 3 Funktionen der Automatisierung In diesem Kapitel wird definiert welche Funktionen in einem U Bahnsystem automati siert werden k nnen Die Funktionen der Automatisierung sind bisher nicht einheitlich in einem Standard
120. nsatz Neuronaler Netze dargestellt Anschlie end wird in 8 3 die spezielle Vorgehensweise bei der Prozessmodellbildung des U Bahnbetriebs mit Neuronalen Netzen beschrieben und schlie lich in 8 4 der Einfluss der Simulationspa rameter ausf hrlich untersucht ZAS 00 8 1 Das Prinzip Neuronaler Netze Neuronale Netze sind besonders geeignet komplexe und nichtlineare Abh ngigkeiten nachzubilden Ihr Verhalten wird durch Lernen anhand exemplarischer Daten antrai niert Neuronale Netze sind adaptionsf hig das hei t sie k nnen sich auch in neuen bisher nicht aufgetretenen Situationen anpassen und sinnvolle Aussagen treffen Dies ist eine Eigenschaft die auch dem menschlichen Gehirn innewohnt Bereits um 1940 entwickelten W S McCulloch und W Pitts ein Modell dass die Funktionsweise menschlicher Nervenzellen nachbildet Nach einer Phase der Anfangseuphorie in den 50er Jahren des 20 Jahrhunderts in der man von k nstlichen Elektronengehirnen sprach kam es in den 60er und 70er Jahren mangels ausreichender Rechenleistung und Speicherkapazit t der auf dem Markt verf gbaren Computer zu einer Stagnation Somit ist die Renaissance Neuronaler Netze in den sp ten 80er Jahren der bis dahin stark angestiegenen Rechenleistung und Speicherkapazit t der Computer zu verdanken KRA 90 Seitdem werden Neuronale Netze nicht mehr nur in Laboren sondern verst rkt auch in kommerziellen und industriellen Anwendungen eingesetzt Das Prin
121. ntieren in der Reihenfolge der Zahlen e den Abstand zwischen den Betriebspunkten in Metern e die Mindestfahrzeit e die zugsicherungstechnisch bedingte Mindestzugfolgezeit e die planm ige Fahrzeit A und e die planm ige Fahrzeit B Alle Zeiten sind in Sekunden angegeben Die Fahrzeiten verstehen sich inklusive ver kehrlicher Haltezeiten an den Bahnsteigen Die Fahrzeiten A und B dienen dazu tages zeitlich bedingte Unterschiede in der Fahrzeit zu ber cksichtigen B l 5311 5301 gt Be 1196 90 90 150 120 u H _1866 150 90 180 180 ze So 5291 m __1866 150 90 180 180 zilo NET 1196 90 30 150 12 90 30 150 120 Tk A __150 30 30 30 30 B ll Bu 1196 00 90 150 120 A 17167120 90 150 150 7 150 80 20 200 ON 512 gt u Sa C5296 Cs i Er i __250 60 30 60 60 l E 5308 gt 5306 gt Abbildung 82 Grunddaten des Fahrplanverwaltungssystems BERTA Beispiel BVG Zur Umsetzung der betrachteten Entst rungsstrategie w re eine grundlegende Modifi zierung des Fahrplanverwaltungssystems BERTA notwendig Alle angegebenen Fahr zeiten m ssten anstatt bisher starr festgelegt in Abh ngigkeit der in 9 2 ber cksichtig ten Eingangsparameter variabel sein Das hei t die Fahrzeiten f r jede Verbindungsli nie m ssten f r jede in den Fahrplan aufzunehmende Zugfahrt mit Hilfe eines Neuro
122. nventioneller Betrieb Berlin Linie U7 40 35 33 57 30 25 20 15 12 06 10 o 9 14 9 11 6 49 maximale positive Abweichung 5 0 Fahrzeit des mittlere Fahrzeit Soll Fahrzeit Simulation Simulation ohne Simulation ohne Vorg ngerzuges durchschnitt Parameter H d Param H beste Abbildung 79 Bewertung der Eignung zur Simulation des U Bahnbetriebs Maximale positive Abweichung EI Automatischer Betrieb Paris Linie 14 Meteor O Konventioneller Betrieb Berlin Linie U7 Fahrzeit des Simulation Simulation ohne Simulation ohne Vorg ngerzuges mittlere Fahrzeit Soll Fahrzeit durchschnitt Parameter H d Param H beste 0 5 4 10 8 84 10 92 15 20 25 30 35 maximale negative Abweichung 40 39 87 40 42 39 61 38 81 45 Abbildung 80 Bewertung der Eignung zur Simulation des U Bahnbetriebs Maximale negative Abweichung 104 Dissertation Kai Frederik Zastrow Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen Fazit zur Eignung Neuronaler Netze zur Simulation des U Bahnbetriebs Durch eine Betriebssimulation mittels Neuronaler Netze k nnen die Fahrzeiten sowohl im automatischen als auch im konventionellen Betrieb deutlich zuverl ssiger berechnet werden als mit den bisher vorhandenen Mit
123. ometer Plankilometer Abbildung 21 Vergleich der Verf gbarkeit von U Bahnsystemen Da das VAL System in Lille bereits seit 1983 im Einsatz ist handelt es sich um das am meisten ausgereifte System es besitzt die h chste Verf gbarkeit Jedoch ist der Sky Train in Vancouver trotz seiner langen Betriebserfahrung seit 1986 nicht das System mit der zweith chsten Verf gbarkeit London und Lyon weisen zwar absolut gesehen hohe aber relativ die niedrigsten Verf gbarkeiten auf Diese Tatsachen legen die Schlussfolgerung nahe dass bei Systemen ohne Bahnsteigt ren London Lyon Vancouver auf Grund zus tzlicher Betriebsst rungen grunds tz lich von einer geringeren Verf gbarkeit ausgegangen werden muss Bei diesen extern verursachten Betriebsst rungen handelt es sich um Vorf lle bei denen Fahrg ste auf dem Bahnsteig st rzen und in das Lichtraumprofil des Zuges geraten potentielle Selbstm rder vor einfahrende Z ge springen und sich Personen aus Leichtsinnigkeit auf das Bahnsteiggleis begeben Aus Kostengr nden werden von den Betreibern anstatt Bahnsteigt ren teilweise alter native Systeme zur Haltestellen Gefahrraum berwachung favorisiert CLA 00 Dies ist auch bei den aktuellen Pilotprojekten zum automatischen Betrieb in Berlin Frank furt am Main und N rnberg der Fall Gegen ber Bahnsteigt ren besitzen diese Systeme jedoch zwei entscheidende Nachteile e Die Manipulation des Sys
124. ooo 5 N NA NANA Q e 000 Intervallobergrenze s Abbildung 29 Typische Versp tungsverteilung auf der Berliner Linie U7 9000 2 8000 7000 5 6000 5000 E 4000 5 3000 O 2000 z 1000 0 Hm a aaa ceo92oo0o2209009 0020209002929 092090092090090096 0 SOON NO SO SO y N NO SO OS NIOOSUYTYO O8 5S ac u om cn i cr TUT U NS N NA 9 Intervallobergrenzen s Abbildung 30 Typische Versp tungsverteilung auf der Pariser Linie 14 Meteor Im Gegensatz zum Fernverkehr treten auch Abfahrtsverfr hungen auf Das r hrt daher dass im Fernverkehr sehr viel gr ere Abst nde zwischen den Bahnh fen liegen als im Nahverkehr und bei jedem Bahnhof exakt die Abfahrtszeit mit der aktuellen Uhrzeit verglichen wird Deshalb tritt ein zu fr hes Abfahren im Fernverkehr fast niemals auf Sowohl beim konventionellen als auch beim automatischen Betrieb liegt das Maximum der Versp tungen im Bereich von wenigen Sekunden Es f llt jedoch auf den ersten Dissertation Kai Frederik Zastrow 55 Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen Blick auf dass das Maximum im automatischen Betrieb sehr viel schmaler ist als im konventionellen das hei t der Betrag der Versp tung ist hier im Durchschnitt deutlich geringer Au erdem ist die Versp tungsverteilung im automatische
125. own how a developed anti disturbance strategy using neural networks could be applied to a real subway system An analysis of the present operational structures and the modification measures necessary to incorpo rate a neural network anti disturbance strategy are also presented Dissertation Kai Frederik Zastrow 5 Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen 2 Verzeichnisse 2 1 Inhaltsverzeichnis 0 1 2 2 1 2 2 2 3 2 4 3 3 1 3 1 1 3 1 2 3 1 3 3 2 3 2 1 3 2 2 3 3 3 3 1 3 3 2 3 3 3 4 1 4 1 1 4 1 2 4 1 3 4 1 4 4 1 5 4 1 6 4 1 7 4 1 8 4 1 9 4 2 4 2 1 4 2 2 4 2 3 4 3 4 3 1 4 3 2 4 3 3 5 1 Einleitung 4 ers inienlseiisiuehnurehe 2 Zusammenfassung und englisches Abstract ssssssosssssonssssnnssnsnnnssnnnnennene 4 Verzeichnissen aan 6 Inhaltsverzeichnn 2 2322 8 6 Abk rzungsverzeichnis iecsessiessegoissssmsensnpsegsnssssnenesenhennssenkerksnsnenseebenteeee 9 Nomenklatur ssessstsesssssssssavesss sskssnnsensistessstessundisnenunpsheteingenehnsnnehiehtennensnnnkhen 10 Abbildungsverzeichnis oesssesssesssecssoossoosssossssesssesssocssosssosssseessoessoossosssos 11 Funktionen der Automatisierung ssesssesssecssoocesoossoosssseessecesoosssoossoossos 14 Bereich Fahren en 14 Grundfunktionen des F hrens s 2 15 Umsetzen eines Fahrprofils m ua 15 Umsetzender Fahrtenarl ssnin E a iE 15 Bereich Sichern aan ea 16 Sichern von Zu
126. planm igen Zugfolgezeit w rde die mittlere Wartezeit 90 Sekunden betragen Zun chst f llt auf dass die mittlere Wartezeit bereits am ersten aufgef hrten Bahnhof deutlich ber dem Optimalwert von 90 Sekunden liegt Au erdem ist ein Anstieg der mittleren Wartezeit im Streckenverlauf zu beobachten 58 Dissertation Kai Frederik Zastrow Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen 124 122 120 118 116 mittlere Wartezeit s 114 112 110 GR GR KBO KBO PR PR HO HO MO MO GO GO KUS KUS NM NM WT WT Bahnhof Abbildung 31 Reale mittlere Wartezeit bei einem Drei Minutentakt Die Ergebnisse zeigen dass die Streuung der Zugfolgezeit im Streckenverlauf tenden ziell zunimmt und damit die mittlere Wartezeit auf dem Bahnsteig ansteigt Dissertation Kai Frederik Zastrow 59 Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen 7 Entwicklung von Entst rungsstrategien In diesem Kapitel werden Entst rungsstrategien f r den automatisierten U Bahnbetrieb hergeleitet Aufgabe von Entst rungsstrategien ist es Betriebsst rungen zu verhindern und zu begrenzen In welcher Form Entst rungsstrategien umgesetzt werden k nnen h ngt im Wesentlichen von der Art der Betriebsst rung siehe Kapitel 4 und dem Au tomatisierungsgrad des U Bahnsystems siehe Kapitel 3 ab Daher wird in 7 1 und 7 2
127. r Linie U7 RSP BLI f r verschiedene Abfahrtszeiten Beispiel Dissertation Kai Frederik Zastrow 77 Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen 8 3 2 2 Tag Parameter B Im Idealfall sind f r jeden Tag eines Jahres gen gend Erfahrungswerte aus vorherigen Jahren vorhanden um mittels des Neuronalen Netzes zuverl ssige Prognosen treffen zu k nnen Ist dies nicht der Fall so kann die Angabe des Tages auf den Wochentag ver allgemeinert werden In Abbildung 47 ist deutlich zu erkennen dass der Verlauf der Fahrzeit ber der Tages zeit in Abh ngigkeit des Wochentags variieren kann Fahrzeiten U7 RSP R 01 07 41 01 06 14 01 04 48 01 03 22 01 01 55 01 00 29 Fahrzeit 00 59 02 00 54 43 00 53 17 i 7 r r T T 05 16 48 07 40 48 10 04 48 12 28 48 14 52 48 17 16 48 19 40 48 Abfahrtszeit Abbildung 47 Fahrzeit auf der Linie U7 f r zwei verschiedene Wochentage Beispiel Wie detailliert die einzelnen Tage zu unterscheiden sind h ngt von der f r das Trainie ren zur Verf gung stehenden Datenmenge ab Sind nur wenige Trainingsdaten vorhan den so kann es ausreichend sein blo zwischen Werktag und Feiertag zu unterschei den In der Umsetzung k nnen zur Vereinfachung der Repr sentation die Ziffern 1 7 f r die Wochentage Montag bis Sonntag benutzt werden F r spezielle Feiertage f r die der Betrieb mit kei
128. ragungsein richtungen f r Steuerbefehle und Meldungen Daher sind diese in der Regel mit Hilfe von Redundanz hoch zuverl ssig ausgelegt Ein Ausfall der bertragungseinrichtungen f r Sprach und Bild Informationen bewirkt eine unkritische St rung Klasse 1 4 1 8 Fahrweg Zum Fahrweg geh ren der Gleisober und unterbau und die Fahrleitungsanlagen Auswirkungen einer Betriebsst rung St rungen des Fahrwegs k nnen je nach Schweregrad betriebliche Auswirkungen aller drei Klassen bewirken So k nnen beispielsweise Schienenausbr che zu unkritischen St rungen Betriebsbehinderungen oder Betriebsstillst nden f hren 4 1 9 Bahnhofs und Ingenieurbauwerke Die Bahnhofsbauwerke umfassen u a Bahnsteige Bahnsteigzug nge Zwischenge schosse und Empfangshallen Zu den Ingenieurbauwerken z hlen u a Br cken Via dukte Tunnel St tzmauern Auswirkungen einer Betriebsst rung St rungen an Bahnhofs und Ingenieurbauwerken k nnen wie beim Fahrweg je nach Schweregrad betriebliche Auswirkungen aller drei Klassen bewirken 4 2 Betriebliche Ursachen 4 2 1 Betriebs und Instandhaltungsplanung Da es f r die Betriebs und Instandhaltungsplanung keine exakt definierte Soll Gr e gibt wird hier nicht von St rungen oder Fehlern sondern von M ngeln gesprochen Typische M ngel bei der Betriebs und Instandhaltungsplanung sind e M ngel im Betriebs und Instandhaltungskonzept Es bestehen konzeptbedingt Engp sse bzw Schwach
129. rden Druckmatten in den Bahnsteiggleisen zur Detektion von Personen im Gleis eingesetzt 32 Dissertation Kai Frederik Zastrow Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen Das Verh ltnis Istkilometern zu Plankilometern betr gt 99 4 Das Verh ltnis von p nktlichen Zugfahrten weniger als zwei Minuten Versp tung zur Gesamtzahl der Zugfahrten betr gt 95 0 VAN Die Versp tungen werden berwiegend durch Fahrg ste verursacht Gro e Versp tun gen werden teilweise durch extreme Umweltbedingungen verursacht z B starken Schneefall 5 7 Berlin Linie U5 Bei der Berliner U Bahn gibt es bisher keinen automatischen fahrerlosen Regelbetrieb Anfang der 80er Jahre wurde das Automatisierungssystem SELTRAC nach einem er folgreichen Testbetrieb auf der Linie U4 nicht in den Regelbetrieb bernommen Im Rahmen des Projektes STAR System Technik f r den Automatischen Regelbetrieb wird der automatische Betrieb auf einem Streckenabschnitt der Linie U5 zwischen den Bahnh fen Friedrichsfelde und Biesdorf S d erprobt CZE 99 RIT 00 Nach einem erfolgreichen Erprobungsabschluss soll die gesamte Referenzlinie U5 18 4km 19 Stationen entsprechend ausger stet werden Um den Vergleich mit anderen automati schen Betrieben zu erm glichen ist daher eine Betrachtung der im konventionellen Betrieb vorhandenen Schwachstellen sinnvoll 5 7 1 Kenngr e Istkilometer zu Plankilometer Die Ver
130. riebsdaten Paris Abbildung 65 zeigt eine typische Simulation mit einem RBF Netz mit 30 Neuronen in der versteckten Schicht Deutlich sind instabile Bereiche zu erkennen in denen die Si mulation stark vom Original abweicht 01 26 24 01 19 12 Simulation _ 01 12 00 N uas 5 Original 00 57 36 Mh KUN MM la Ma Wi Il BET hl N ir An Pr N 00 50 2 24 IHRER SER Soenen T II TET TI EI TE SSSLTISEZIINESZSS KS ES ES HILL TATT a a TEN EN EN END EN ON oO O O O N O O yo oo con 2 1 oa nn oo L on n oo OG ee TNO O oO cv rvrnrr01r0Nrr NO e a e N Abfahrtszeit am Startbahnhof Abbildung 65 Beispiel einer Simulation mit einem 5 30 1 Netz RBF 92 Dissertation Kai Frederik Zastrow Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen Fazit zum Einfluss der Netzstruktur Insgesamt gibt es sowohl f r den konventionellen als auch f r den automatischen Be trieb keine signifikanten Unterschiede zwischen den verschiedenen Netzstrukturen Nur RBF Netze mit mehr als 15 Neuronen in der versteckten Schicht liefern deutlich schlechtere Ergebnisse Daher werden RBF Netze mit mehr als 15 versteckten Neuronen aus den weiteren Un tersuchungen ausgeschlossen Fazit zum Einfluss der Bereinigung der Trainingsdaten Die Bereinigung der Trainingsdaten bewirkt f r den konventionellen und den automati schen Betrieb au er bei RBF Netzen mit mehr als 15 versteckten Neuronen tendenz
131. ringerung der Fahrzeit e Kostensenkung des Fahrbetriebs Optimierung des Betriebsmitteleinsatzes Optimierung des Personaleinsatzes Optimierung des Energiebedarfs e Qualit tssteigerung Erh hung der Sicherheit Erh hung der Verf gbarkeit Erh hung der P nktlichkeit Verbesserung der Fahrgastlenkung Die Einf hrung neuer Technik und die Automatisierung der Verkehrssysteme sind da her wichtige Schritte f r eine bessere Kundenorientierung und Wirtschaftlichkeit der Verkehrsunternehmen MNI 89 Bei beidem handelt es sich nicht nur um die Beschaf fung von Technik sondern auch um die entsprechende Anpassung der Arbeitsweise des Unternehmens an die neue Technik SCH 98 Der f r die Automatisierung von Verkehrssystemen wichtige Begriff automatischer Betrieb wird leider selbst in der Fachwelt uneinheitlich benutzt In dieser Ausarbeitung ist er im Sinne von Manless Train Operation MTO definiert d h im Regelfahrbetrieb ist kein Betriebspersonal erforderlich Die technischen Grundlagen des automatischen Betriebs wurden in Deutschland bereits Ende der 70er Jahre des 20 Jahrhunderts entwickelt Jedoch scheiterten Pilotanwen dungen wie PUSH in Hamburg WIE 85 und SELTRAC in Berlin IFB 88 in der praktischen Umsetzung Mitte der 80er Jahre Ursache waren nicht technische Unzu l nglichkeiten sondern zum einen der mangelnde wirtschaftliche Druck auf die Ver kehrsunternehmen sowie zum anderen massive Widerst nde d
132. rn Eine Automatisierung des Bereichs Sichern erfolgt durch Funktionen die dem Begriff Automatic Train Protection ATP zugeordnet werden Generell teilt sich der Bereich Sichern in die Unterbereiche Sichern von Zugfahrten und Fahrgastsicherheit wobei sich beide auf die objektive Sicherheit im Sinne von Safety beziehen im Gegensatz zur subjektiven Sicherheit Security auf die im Rahmen die ser Ausarbeitung nicht eingegangen wird 3 2 1 Sichern von Zugfahrten Zugfahrten werden durch folgende Funktionen gesichert e Fahrwegsicherung Bevor und w hrend eine Zugfahrt ber eine Fahrstra e erfolgt werden alle zugeh rigen Weichen inklusive Flankenschutz gew hrende form schl ssig festgelegt und gegen Verstellen gesichert Ebenso werden Fahrten entge gen der Richtung der festgelegten Fahrstra e verhindert e Abstandshaltung Der Abstand von einem Zug bis zum n chsten sicherungstech nisch erfassbaren Hindernis andere Z ge Gleisabschl sse nicht festgelegte Fahr wege wird so geregelt dass der Abstand mindestens dem aktuellen Bremsweg des Zuges entspricht e Sichern gegen berschreitung der zul ssigen Geschwindigkeit Es wird sicherge stellt dass ein Zug beim Befahren eines Streckenabschnitts nicht die f r diesen Ab schnitt zul ssige H chstgeschwindigkeit berschreitet Weltweit gibt es U Bahnsysteme mit sowohl rechts als auch links als Regelfahrtrichtung 16 Dissertation Kai Frederik Zastrow Analy
133. s H sind in Abbildung 44 dargestellt Dissertation Kai Frederik Zastrow 75 Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen Eingangsparameter zum Neuronales Netz gt Ausgangsparameter Streckenabschnitt A Fahrzeit Tag B e Soll Abfahrtszeit am Startbahnhof C e Abfahrtszeit am Startbahnhof D e Soll Zugfolgezeit am Startbahnhof E e Zugfolgezeit am Startbahnhof F e Soll Fahrzeit G Fahrzeit des Vorg ngerzuges H Abbildung 44 Ein und Ausgangsparameter des Neuronalen Netzes Im Folgenden wird die Relevanz der m glichen Eingangsparameter im Einzelnen an hand realer Betriebsdaten analysiert 8 3 2 1 Streckenabschnitt Parameter A Ein notwendiger erster Schritt f r eine konkrete Modellbildung ist die Festlegung des zu betrachtenden Streckenabschnitts f r den das Neuronale Netz trainiert werden soll Es wird dabei vorausgesetzt dass die betrieblichen Rahmenbedingungen wie z B Gleistopographie Lage der Bahnh fe und Fahrzeugmaterial konstant sind In den folgenden Abbildungen ist die Fahrzeit ber der Abfahrtszeit der Z ge am Start bahnhof f r mehrere Tage dargestellt Ein Vergleich der in Abbildung 45 beispielhaft dargestellten Fahrzeiten auf der gesam ten Berliner Linie U7 von Rathaus Spandau bis Rudow 31 8 km mit den in Abbildung 46 im gleichen Ma stab dargestellten Fahrzeiten auf dem Teilabschnitt von Rathaus Spandau
134. s als bei MLP Netzen werden die Eing nge zu den Neuronen dieser Schicht nicht mit den Gewichten multipliziert sondern es wird ein Ma f r die hnlich keit zwischen Gewichten und Eingangswert gebildet Je gr er diese hnlichkeit ist desto st rker wird das entsprechende Neuron angeregt Die bertragung zur Ausgabe schicht erfolgt im wesentlichen nach dem Prinzip the winner takes it all das hei t das Neuron dessen Gewichte den Eingangswerten am n chsten sind bestimmt ma geblich den Ausgang Der Wert des Ausgangs ergibt sich aus dem Gewicht zwischen dem am st rksten angeregten Neuron und der Ausgabeschicht Die Auswahl der gew nschten Netzstruktur erfolgt in der Regel empirisch da es sehr aufwendig ist w hrend der Trainingsphase neben der Variation der Verbindungsge wichte auch die Netzstruktur zu variieren Sind die Simulationsergebnisse nicht zufrie denstellend so kann durch Ver nderung der Netzstruktur das Netz optimiert werden Nach Festlegung einer Netzstruktur muss das Netz in der dritten Phase das gew nschte bertragungsverhalten erlernen Das am h ufigsten eingesetzte Verfahren ist der Backpropagation Algorithmus bei dem die Verbindungsgewichte zwischen den Neu ronen so lange variiert werden bis das gew nschte bertragungsverhalten mit einem festzulegenden maximalen Restfehler erreicht ist siehe Abbildung 42 Dazu sind Trainingsdaten erforderlich die das zu simulierende Prozessverhalten dar stellen
135. s der Eingangsparameter Maximale negative Abweichung Betriebsdaten Paris Fazit zum Einfluss der Eingangsparameter Bei der Gesamtbeurteilung ist die unterschiedliche Aussagekraft der f nf Bewertungs gr en zu ber cksichtigen siehe Seite 85 Sowohl f r den konventionellen als auch f r den automatischen Betrieb besitzt die Fahrzeit des Vorg ngerzuges Parameter H den st rksten Einfluss Den zweitst rksten Einfluss besitzen die Soll und die Ist Zugfolgezeit Parameter E und F Der Einfluss der brigen Parameter ist von untergeordneter Bedeutung Das Auslassen von Parametern verschlechtert insbesondere die Simulationsergebnisse der RBF Netze die dadurch teilweise Instabilit ten bekommen F r die weiteren Untersuchungen wird der Parameter H auf Grund seiner Relevanz se parat ber cksichtigt Dissertation Kai Frederik Zastrow 99 Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen 8 5 Bewertung der Eignung zur Simulation des U Bahnbetriebs Zur Bewertung der Eignung Neuronaler Netze zur Simulation des U Bahnbetriebs wer den die Simulationsergebnisse verglichen mit Gr en die ohne die Benutzung Neuro naler Netze aus den Trainingsdaten und den Eingangsparametern gewonnen werden k nnen Anstatt einer Berechnung der Fahrzeit mittels Simulation durch Neuronale Netze wer den zur Prognose der Fahrzeit die folgenden Gr en herangezogen e die Fahrzeit des Vorg ngerzuges e di
136. s der Eingangsparameter Standardabweichung der Abweichung Betriebsdaten Paris Daten aus Paris Durchschnitt 25 E alle Parameter DlohneC C ohne D WohneE DohnerF WoheG Hohne H 20 120 15 10 2 20 18 Ten 11 12 100 j 5 80 0 60 N 40 maximale positive Abweichung id I l hunntalte X 30 1 E X 50 1 B 20 0 piin DiR ii 5 5 85 X 10 1 o amp o o l 1 N N mM 76 xX xoxo amp ER X G Q Netzstruktur x x x Abbildung 74 Einfluss der Eingangsparameter Maximale positive Abweichung Betriebsdaten Paris 98 Dissertation Kai Frederik Zastrow Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen Netzstruktur Are T 8 a ss wann nn eo 0 yY 2 a oo ee a a o N L oa pe x x x x x x x x x x x x x 0 T T T T T T T T T T T T D S 5 4 5 o Z O g FUAS 3 lt 15 g 5 20 D 2 25 o g 30 35 40 1 I U Durchschnitt 0 _Roy Daten aus Paris an 10 EB alle Parameter Lohne C JohneD 15 1256h qz ggg AN 14 06 _909 WoheE HohneF MHohneG Hohne H a o 30 35 40 39 61 45 Abbildung 75 Einflus
137. sch verlaufende Linie erstreckt sich ber 7 2 km und besitzt sieben Bahnh fe In der betrachteten Richtung von Made leine nach Biblioth que Fran ois Mitterand finden werktags 450 und feiertags 360 Zug fahrten statt Sowohl das Abfertigen als auch das F hren der Z ge erfolgt automatisch durch das ATC System Weder im Zug noch auf dem Bahnsteig ist im Regelbetrieb Betriebspersonal vorhanden Die Messreihen stammen aus den Monaten Februar und M rz 2000 jeweils au erhalb der Schulferien und umfassen 2693 Zugfahrten 90 der Zugfahrten die zuf llig ausgew hlt wurden dienen als Trainingsdaten und die b rigen 10 als Testdaten Dissertation Kai Frederik Zastrow 83 Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen Vorgehensweise Abbildung 53 zeigt die Vorgehensweise zur Bewertung des Einflusses der Simulations parameter Plausibilit tsfilter Trainingsdaten Trainieren des Netzes Testdaten Anwenden der gt gt gt Testdaten auf trainiertes Netz l Bewertung Abbildung 53 Vorgehensweise zur Bewertung der Simulationsparameter Aus der Datenbasis von Betriebsdaten wird je Zugfahrt ein Datensatz generiert der die gew nschten Ein und Ausgangsparameter enth lt Die Datens tze durchlaufen ein Plausibilit tsfilter das unvollst ndige und formal fehlerhafte Datens tze entfernt wie z B die erste Zugfahrt nach einer Betriebsp
138. se und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen e Sichern der Zugvollst ndigkeit Ein Zug wird kontinuierlich auf Vollst ndigkeit berwacht Im Falle einer ungewollten Zugtrennung wird f r alle Einheiten eine Zwangsbremsung eingeleitet e Detektion von Entgleisungen Eine Entgleisung wird erkannt und unverz glich eine Zwangsbremsung eingeleitet 3 2 2 Fahrgastsicherheit Die Fahrgastsicherheit wird durch die Funktionen Schutz der Fahrg ste in den Z gen und Schutz der Fahrg ste auf den Bahnsteigen gew hrleistet Die Schutzfunktionen sind f r sich ordnungsgem verhaltende Fahrg ste ausgelegt Es ist nicht Aufgabe der Schutzfunktionen grob fahrl ssig handelnde oder vors tzlich gegen Betriebsvorschrif ten versto ende Personen zu sch tzen e Schutz der Fahrg ste in den Z gen Fahrg ste in Z gen sind durch eine entspre chende Ansteuerung der Fahrgastt ren vor einem versehentlichen Verlassen des Zuges au erhalb des Bahnsteigs oder w hrend sich der Zug in Bewegung befindet zu sch tzen Ein Ausnahmefall besteht bei Gefahren im Fahrgastraum eines Zuges z B Feuer In solchen F llen wird Fahrg sten das Verlassen des Fahrgastraumes bei Stillstand des Zuges ggf auch au erhalb von Bahnsteigen erm glicht e Schutz der Fahrg ste auf den Bahnsteigen Fahrg ste auf Bahnsteigen werden vor Gefahren durch fahrende Z ge oder Ber hrung mit stromf hrenden Einrichtungen gesch tzt 3 3
139. sfallverhalten ausgegangen werden kann Ein wichtiger Aspekt ist dabei die Verf gbarkeit Sie wird gem DIN EN 50126 so wohl durch technische als auch durch betriebliche Merkmale gepr gt siehe Abbildung 5 Verf gbarkeit Zuverl ssigkeit Instandhaltbarkeit Betrieb Instandhaltung technische Merkmale betriebliche Merkmale Abbildung 5 Einflussgr en auf die Verf gbarkeit Hieraus wird deutlich dass Hersteller und Betreiber eines Systems gemeinsam die Ver antwortung f r die Verf gbarkeit tragen F r die Verf gbarkeit sind zwei Betrachtungsebenen zu unterscheiden e Subsysteme und Einzelkomponenten e das Gesamtsystem Verf gbarkeit von Subsystemen und Einzelkomponenten Es wird davon ausgegangen dass jede Betrachtungseinheit zwei Zust nde einnehmen kann Sie ist betriebsbereit Up State oder sie ist nicht betriebsbereit Down State siehe Abbildung 6 Dabei ist anzumerken dass betriebsbereit nicht bedeutet dass die Betrachtungseinheit betrieben werden muss Beispielsweise sind Reservez ge in der Aufstellanlage in der Regel betriebsbereit Up State auch wenn sie gerade nicht be trieben werden Die Zeit in der die Betrachtungseinheit betriebsbereit ist wird als Klardauer bezeichnet Up Time die Zeit in der die Betrachtungseinheit nicht betriebsbereit ist wird als Un klardauer bezeichnet Down Time 28 Dissertation Kai Frederik Zastrow Analyse und Simulation von Entst rungsstr
140. sstrategien bei der Automatisierung von U Bahnsystemen Pers nliche Erfahrung und Statistiken Betriebsplaner Fahrplan Betriebsdaten aus automatischem Erfassungssystem Intelligenter Algorithmus Abbildung 34 Ist Zustand und Vision der Fahrplanerstellung Ein realistischer Fahrplan k nnte die mittlere Fahrgastversp tung reduzieren und damit die Qualit t des Verkehrssystems aus Sicht der Fahrg ste entsprechend steigern 7 3 Fazit zu den entwickelten Entst rungsstrategien Bei den in diesem Kapitel entwickelten Entst rungsstrategien steht die Sicht der Fahr g ste im Mittelpunkt Diese Sicht ist bei den meisten Verkehrsunternehmen dem Be reich Marketing vorbehalten Themen Kundenbindung Fahrgeldeinnahmen etc So gibt es zahlreiche Untersuchungen dar ber wie die Fahrg ste das Verkehrsangebot eines Unternehmens bewerten ACK 98 SMT 99 SPP 99 Andererseits fokussieren sich heute praktizierte Entst rungsstrategien in der Regel nicht auf die Sicht der Fahr g ste sondern fast ausschlie lich auf betrieblich technische Problemstellungen PAR 98 Die in diesem Kapitel entwickelten Entst rungsstrategien k nnen dazu dienen die vor handene L cke zwischen betrieblichen und fahrgastbezogenen Anforderungen zu schlie en siehe Abbildung 35 indem ber cksichtigt wird wie sich der Betrieb kon kret ndern muss um die Anforderungen der Fahrg ste zu erf llen 66 Dissertation
141. stellen bei der Durchf hrung von Betrieb und Instandhaltung z B k nnen die festgelegten Strategien zur Entst rung unzureichend sein e M ngel in der Personaleinsatzplanung Es steht nicht gen gend Personal f r den planm igen Betrieb oder die Instandhal tung zur Verf gung Dissertation Kai Frederik Zastrow 23 Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen e M ngel in der Betriebsmitteleinsatzplanung Es stehen nicht gen gend Fahrzeuge f r den planm igen Betrieb oder nicht gen gend Material f r die Instandhaltung zur Verf gung e M ngel in der Fahrplangestaltung Der Fahrplan ber cksichtigt das Fahrgastaufkommen unzureichend Auswirkungen einer Betriebsst rung M ngel im Betriebs und Instandhaltungskonzept k nnen zu Betriebsst rungen aller drei Klassen f hren Stehen auf Grund von M ngeln in der Personal und Betriebsmitteleinsatzplanung nicht gen gend Personal und Fahrzeuge zur Verf gung kommt es zum Ausfall von Zug fahrten Dies verursacht bei im planm igen Regelbetrieb ausgelasteten Z gen Fahr gaststauungen die zu Versp tungen von Zugfahrten f hren Das Gleiche geschieht wenn der Fahrplan das Fahrgastaufkommen unzureichend ber cksichtigt Beides be wirkt eine Betriebsbehinderung Klasse 2 4 2 2 Betriebs und Instandhaltungsdurchf hrung Fehler bei der Betriebs und Instandhaltungsdurchf hrung bedeuten dass die Durchf h rung von
142. stellten Basisdaten werden f r das Training des Neuro nalen Netzes benutzt Vor dem Training sollten einige Testdaten aus den Basisdaten entnommen werden mit deren Hilfe sp ter die Simulationsg te des trainierten Netzes ermittelt werden kann Die Simulation sollte in jedem Fall f r mehrere Neuronale Netzstrukturen durchgef hrt werden da die jeweiligen Trainingsergebnisse sehr unterschiedlich ausfallen k nnen siehe 8 4 Anschlie end kann mit Hilfe der Testdaten das Neuronale Netz ermittelt werden welches die Fahrzeiten am besten prognostiziert Dissertation Kai Frederik Zastrow 107 Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen 9 3 Modifikation des Fahrplans Bei der Berliner U Bahn wird das Fahrplanverwaltungssystem BERTA eingesetzt Die ses verf gt ber Grunddaten des U Bahnsystems mit denen Fahrpl ne erstellt werden k nnen Ein Beispiel f r solche Grunddaten ist f r einen Teilabschnitt der Linie U5 in Abbildung 82 dargestellt In der Abbildung werden f r die Bahnh fe Friedrichsfelde Fi Tierpark Tk und Biesdorf S d B die verschiedenen Fahrm glichkeiten dargestellt Die Rechtecke repr sentieren Bahnsteige und die Kreise Betriebspunkte die ber die dargestellten Verbindungslinien befahren werden k nnen Bei den Betriebspunkten 5308 5306 und 5304 handelt es sich um Aufstellgleise im Tunnel Die rechteckf rmigen Beschriftun gen der Verbindungslinien repr se
143. strategien Strategien zur Verhinderung und Begrenzung von Betriebsst rungen Fahrbetrieb berbegriff f r das Einstellen und Sichern der Fahrwege das Abfertigen und F hren der Z ge sowie das Rangieren gem BOStrab Fahrprofil Kennlinie die die Fahrzeuggeschwindigkeit v in Abh ngigkeit vom Fahrzeugort x angibt Fahrstra e Technisch gesicherter Fahrwegbereich der sich aus mehreren Fahrwegabschnitten zusammensetzen kann Die Sicherung umfasst alle station ren und beweglichen Fahrwegelemente sowie die Stationssicherung dieses Fahrwegbereiches Eine Fahrstra e wird nach Abschluss der Fahrwegpr fung festgelegt Fahrwegabschnitt Kleinste von der Betriebsleittechnik verwaltete Einheit des Fahrwegs Gefahrenfall Situation die potentiell einen Schaden f r den Menschen beinhaltet Instandhaltungskonzept Konzept f r die betriebliche und organisatorische Durchf hrung der Instandhaltung p nktlich Mit einer Versp tung die einen definierten Grenzwert nicht berschreitet Redundanz Vorhandensein von mehr funktionsf higen Mitteln in einer Einheit als f r die Erf llung der geforderten Funktion notwendig sind Regelbetrieb Betriebslage bei dem alle betrieblichen Vorg nge spezifikationsgem ohne Einschr nkung der Leistungsf higkeit des U Bahnsystems ablaufen und alle Versp tungen einen definierten Grenzwert nicht berschreiten Safety Integrity Level SIL Eine von einer festgelegten Anzahl diskreter St
144. t EI Automatischer Betrieb Paris Linie 14 Meteor O Konventioneller Betrieb Berlin Linie U7 2 5 4 2 38 N Q ON 1 5 1 0 Mittelwert des Betrages der Abweichung oO a RC 2 Q Ra Fahrzeit des mittlere Fahrzeit Soll Fahrzeit Simulation Simulation ohne Simulation ohne Vorg ngerzuges durchschnitt Parameter H d Param H beste Abbildung 77 Bewertung der Eignung zur Simulation des U Bahnbetriebs Mittelwert des Betrages der Abweichung 102 Dissertation Kai Frederik Zastrow Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen F r die Standardabweichung der Abweichung in Abbildung 78 ergeben sich in Paris bez glich der Soll Fahrzeit drittes S ulenpaar schlechtere Werte als in Berlin Durch eine detaillierte Analyse der einzelnen in den Testdaten enthaltenen Zugfahrten l sst sich jedoch feststellen dass diese Abweichungen wesentlich durch eine einzelne um vier Minuten und acht Sekunden versp tete Zugfahrt verursacht werden Es ist davon auszugehen dass es sich hier um eine durch externe Einfl sse siehe 4 3 verursachte Betriebsst rung handelt die nicht vorhersehbar ist Ohne diese Zugfahrt w rde die Standardabweichung der Abweichung der Soll Fahrzeit f r Paris anstatt 3 64 nur 2 67 betragen und l ge damit unter dem Wert f r Berlin Interessant ist jedoch dass trotz dieser St run
145. t real auftretende Charakteristika des U Bahnbetriebs darzustellen Dissertation Kai Frederik Zastrow 53 Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen 6 3 Verteilung von Versp tungen Das reale Auftreten von Versp tungen soll nun quantitativ betrachtet werden Dazu werden Messdaten der Ankunfts und Abfahrtsversp tungen an allen Bahnh fen realer Linien ausgewertet In den folgenden Abbildungen sind typische Verteilungen der Ankunfts und Abfahrts versp tungen f r zwei konventionell betriebene Berliner U Bahnlinien und die automa tisch betriebene Linie 14 Meteor der Pariser Metro dargestellt 6000 E 5 5000 gej 4000 c 5 3000 D N 5 2000 Oo T N 1000 lt 0 oo oo oo co co oo oo oO oo co oo co oo oo N vo oo oo nn yo N x oo N NA NANA 9 Intervallobergrenze s Abbildung 28 Typische Versp tungsverteilung auf der Berliner Linie U2 54 Dissertation Kai Frederik Zastrow Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen 9000 00 e 1 a Q O O O O O O gt e oO J N O O O O O O O Anzahl der Zugabfahrten und ank nfte 1000 o O O oo oo co 9 SS oo co 00 29 0 N vo 0O N vo 2 2 N N O
146. t ten auf die sich auf die dargestellten Durchschnittswerte negativ auswirken F r die maximale positive Abweichung in Abbildung 74 ist keine klare Tendenz f r die unterschiedlichen Parameter zu erkennen Deutlich sind jedoch Instabilit ten bei den RBF Netzen mit mehr als f nf Neuronen in der versteckten Schicht F r die maximale negative Abweichung in Abbildung 75 l sst sich die Dominanz des Einflusses der Fahrzeit des Vorg ngerzuges Parameter H erkennen F r die brigen Eingangsparameter ergibt sich keine klare Tendenz Auff llig ist die Instabilit t des RBF Netzes mit 15 Neuronen in der versteckten Schicht 96 Dissertation Kai Frederik Zastrow Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen Durchschnitt Daten aus Paris 0 14 0 13 0 11 0 H alle Parameter DlonneC DHohneD 912 0 10 9 1o 0 10 A WoheE Mohn F MHohneG ohne H 0 09 0 08 0 06 ua o 0 40 1 0 04 0 35 0 02 0 30 m 0 00 Mittelwert der Abweichung 0 25 0 20 E 0 15 0 10 0 05 0 00 m AM E fi 0 05 0 10 oO X 5 1 X 5 1 5 5 1 X 20 1 X 30 1 X 50 1 x Netzstruktur x X 10 1 X 15 1 X 10 1 X 20 20 1 X 30 30 1 X 50 50 1 Abbildung 71 Einfluss der Eingangsparameter Mittelw
147. teln Dadurch dass die Abweichungen vom Fahrplan im konventionellen Betrieb gr er sind als im automatischen ist das Verbesserungspotenzial bei ersterem ebenfalls gr er Dissertation Kai Frederik Zastrow 105 Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen 9 Umsetzung auf ein konkretes U Bahnsystem Eine detaillierte Darstellung aller Umsetzungsm glichkeiten der in Kapitel 7 entwi ckelten Entst rungsstrategien f r ein konkretes U Bahnsystem w rde den Rahmen die ser Ausarbeitung sprengen Ziel dieses Kapitels ist es daher beispielhaft aufzuzeigen wie die in 7 2 3 entwickelte und in Kapitel 8 detailliert untersuchte Entst rungsstrategie mit Benutzung Neuronaler Netze auf ein konkretes U Bahnsystem umgesetzt werden k nnte Betrachtet wird das Berliner U Bahnsystem da es wie in 8 5 gezeigt g nstige Voraus setzungen f r eine Betriebsoptimierung mit der untersuchten Entst rungsstrategie be sitzt Die meisten Berliner U Bahnlinien sind bereits mit einer automatischen Betriebs datenerfassung ausger stet und es ist vorgesehen sukzessive die entsprechende Tech nik auf alle Linien auszuweiten Die Entst rungsstrategie k nnte also in naher Zukunft system bergreifend angewendet werden 9 1 Automatische Betriebsdatenerfassung Die automatische Betriebsdatenerfassung erfolgt bei der Berliner U Bahn durch das Leit Informations und Sicherungssystem LISI das bereits f r die me
148. tems durch Fahrg ste sowie das unbefugte Eindringen in den berwachten Bereich f hren zu erheblichen Verf gbarkeitseinbu en Zum Bei spiel werden bei der automatisch betriebenen Linie D in Lyon ein Drittel aller Be triebsst rungen in Zusammenhang mit der Infrarot Bahnsteiggleissicherung verur sacht siehe 5 3 e Unf lle bei denen Personen direkt vor einfahrende Z ge fallen oder springen k n nen durch das System nicht verhindert werden Beispielsweise treten im Berliner U Bahnnetz im monatlichen Durchschnitt drei solcher F lle auf siehe 5 7 2 40 Dissertation Kai Frederik Zastrow Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen Nun werden nochmals die technisch verursachten Betriebsst rungen betrachtet In der folgenden Tabelle ist zusammenfassend neben der Verf gbarkeit der Anteil technischer Ursachen an der Unverf gbarkeit der analysierten automatischen U Bahnsysteme dar gestellt Stadt Verwendung von Istkilometer Anteil technischer Bahnsteigt ren Plankilometer Ursachen f r Unverf gbarkeit 99 97 98 50 Paris ja 99 keine Angaben Tabelle 1 Verf gbarkeit und Anteil technischer Ursachen an der Unverf gbarkeit f r die betrachteten U Bahnsysteme London nein Insgesamt berwiegen bei fast allen untersuchten automatisch betriebenen U Bahnsystemen bis auf London die extern und betrieblich verursachten Betriebsst run gen Daher zeigt die Schwachstel
149. tion von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen Bahnhof 12 Bahnhof 10 Bahnhof 8 Bahnhof 6 Bahnhof 4 Versp tung s Bahnhof 2 Anfangsversp tung Zug 6 Zug 5 O 2 b D N Q Q 2 E Abbildung 25 Betriebsszenario mit Prim rversp tungen von zwanzig Sekunden hnlich dem vorhergehenden Betriebsszenario steigt die Versp tung des ersten Zuges kontinuierlich an Dem zweiten und sp ter auch dem vierten Zug gelingt es vor berge hend ihre Versp tung g nzlich abzubauen w hrend die Versp tung des dritten und des f nften Zuges wie beim ersten Zug kontinuierlich ansteigt Das Ergebnis ist eine f r den U Bahnbetrieb typische Paarbildung von Z gen die sich bei einer generellen Pri m rversp tung aller Z ge einstellt Interessant ist die Tatsache dass die mittlere Wartezeit vom ersten Bahnhof an konti nuierlich ansteigt obwohl die Anzahl der p nktlichen Z ge f r einige Bahnh fe sogar zunimmt Offenbar ist die auf Seite 29 in Gleichung 3 definierte Kenngr e Anzahlder p nktlichen Zugfahrten Gesamtzahl der Zugfahrten kein hinreichendes Kriterium f r die die Fahrg ste interessierende Kenngr e mittlere Wartezeit auf dem Bahnhof Daher wird die Sicht der Fahrg ste in 6 4 gesondert unter sucht 50 Dissertation Kai Frederik Zastrow Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Ba
150. trieb e 75 Phase 1b Auswahl repr sentativer Datens tze uuseseensenseneennennn 75 Streckenabschnitt Parameter A 76 Tag Parameter B 2 ea ame ar 78 Soll Abfahrtszeit am Startbahnhof Parameter C neee 78 Abfahrtszeit am Startbahnhof Parameter D nennen 79 Soll Zugfolgezeit am Startbahnhof Parameter E neene 79 Zugfolgezeit am Startbahnhof Parameter F eenn 80 Soll Fahrz it Parameter Gy anreisen 81 Fahrzeit des Vorg ngerzuges Parameter H sus0sersesnenseensennnenn 81 Phase 2 Festlegen einer geeigneten Struktur des Neuronalen Netzes 82 Phase 3 Trainieren des Netzes mit den ausgew hlten Datens tzen 83 Phase 4 Validieren des trainierten Netzes mit Testdaten 83 Bewertung des Einflusses der Simulationsparameter crssorsssnsssonssnonenen 83 Einfluss der Netzstruktur und der Bereinigung der Trainingsdaten 86 Dissertation Kai Frederik Zastrow 7 Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen 8 4 2 Einfluss der Einsanssparameler una an 93 8 5 Bewertung der Eignung zur Simulation des U Bahnbetriebs 100 9 Umsetzung auf ein konkretes U BahnsystemM eessesssesoossessoesoossessoesossse 106 9 1 Automatische Betriebsdatenerfassung seesscoessoesssessscsssoossoossoossss
151. tskenngr en 39 Abbildung 21 Vergleich der Verf gbarkeit von U Bahnsystemen cuussensesssnesnensesnensennennnenneneenn 40 Abbildung 22 Betriebsablauf eines Zuges uuuunseensesnsesnensnnenseennennennnennnennsnnnnennennenen nennen nme 42 Abbildung 23 Einflussgr en auf die Fahrplanlage eines Zuges unsensnnenseennesneenneennenne nen 44 Abbildung 24 Betriebsszenario mit einer Prim rversp tung von einer Minute uuecsneneneneneneennnn 49 Abbildung 25 Betriebsszenario mit Prim rversp tungen von zwanzig Sekunden ee 50 Abbildung 26 Realer Verlauf der Abweichung von der planm igen Zugfolgezeit neeee 52 Abbildung 27 Entstehung von Zugpaaren im realen Betrieb 2022022snseeneennenenneennen nennen 53 Abbildung 28 Typische Versp tungsverteilung auf der Berliner Linie U2 ccseensesessneneenn 54 Abbildung 29 Typische Versp tungsverteilung auf der Berliner Linie UT ceesesensssesensneneenn 55 Abbildung 30 Typische Versp tungsverteilung auf der Pariser Linie 14 Meteor eeeneenen 55 Abbildung 31 Reale mittlere Wartezeit bei einem Drei Minutentakt uuscsnseesensnesneneesnensennennennn 59 Abbildung 32 Prozess U Bahnbetrieb als Black Box nsssseesneensennennnennnnnnnnnnnnne nennen nnnennen 64 Abbildung 33 Fahrplanerstellung mit Hilfe von Betriebserfahrung
152. ttelwert des Betrages der Abweichung Betriebsdaten Berlin uensesnseenseeneneneeenennnennennnennnennenneennennnn 87 Abbildung 57 Einfluss von Netzstruktur und Bereinigung der Trainingsdaten Standardabweichung der Abweichung Betriebsdaten Berlin 0 2004eneensennsennenennnnnnnennee nennen ennenneen 88 Abbildung 58 Einfluss von Netzstruktur und Bereinigung der Trainingsdaten Maximale positive Abweichung Betriebsdaten Berlin enseensennsennennnnenennnnnnn nennen ernennen 88 Abbildung 59 Einfluss von Netzstruktur und Bereinigung der Trainingsdaten Maximale negative Abweichung Betriebsdaten Berlin 200420renseensennsennnsnnnnennnennennen nenne ennennne 89 Abbildung 60 Einfluss von Netzstruktur und Bereinigung der Trainingsdaten Mittelwert der Abweichung Betriebsdaten Paris 0 020442044 2er nennensennnennsnnnnenennnnnnnennnnnennennennne nn 90 Abbildung 61 Einfluss von Netzstruktur und Bereinigung der Trainingsdaten Mittelwert des Betrages der Abweichung Betriebsdaten Paris 0u220200020eensennennnennnennenneennennnennee nennen 90 Abbildung 62 Einfluss von Netzstruktur und Bereinigung der Trainingsdaten Standardabweichung der Abweichung Betriebsdaten Paris 0 020402044 2er nennensennnennnnnnnenennnnnnnnne nen nenneennennnen 91 Abbildung 63 Einfluss von Netzstruktur und Bereinigung der Trainingsdaten Maximale positive Abweichung
153. tur keine signi fikanten Unterschiede f r die Simulationsg te gibt wohingegen RBF Netze mit mehr als 15 Neuronen in der versteckten Schicht deutlich schlechtere Ergebnisse liefern Die Bereinigung der Trainingsdaten wirkt sich ebenfalls negativ auf die Simulationsergeb nisse aus Sehr einflussreiche Eingangsparameter f r die Simulation einer Zugfahrt sind die Fahrzeit des Vorg ngerzuges und die Zugfolgezeit am Startbahnhof Die Ergebnisse zeigen dass sowohl f r den konventionellen als auch f r den automati schen U Bahnbetrieb durch eine Betriebssimulation mit Neuronalen Netzen bessere Fahrzeitprognosen erzielt werden k nnen als mit bereits heute vorhandenen M glich keiten das hei t Neuronale Netze sind zur Simulation des U Bahnbetriebs geeignet und k nnen f r die in Kapitel 5 entwickelte Entst rungsstrategie eingesetzt werden Auch eine praktische Umsetzung der untersuchten mit Neuronalen Netzen arbeitenden Entst rungsstrategie ist m glich Ein Weg dazu wird in Kapitel 7 am Beispiel der Ber 110 Dissertation Kai Frederik Zastrow Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen liner U Bahn aufgezeigt Allerdings w re f r die konkrete Umsetzung u a eine erheb liche Modifikation des Fahrplanverwaltungssystems erforderlich Der n chste Schritt einer Weiterf hrung der Thematik w re die in Kapitel 7 beispielhaft beschriebene Umsetzung der Entst rungsstrategie auf ein reales
154. tzes wird ver ndert Neuronenanzahl pro versteckter Schicht oder Anzahl versteckter Schichten Ver ndert sich der reale Prozess so kann das Prozessmodell durch eine erneute Trai ningsphase jederzeit wieder angepasst werden Dies ist ein wesentlicher Vorteil Neuro naler Netze gegen ber konventionellen analytischen Prozessmodellen f r deren Anpas sung in der Regel kein formalisiertes Verfahren existiert 8 3 Vorgehensweise bei der Modellbildung des U Bahnbetriebs Zur Modellbildung des Prozess U Bahnbetrieb kann prinzipiell die gleiche Vorge hensweise wie beim generellen Einsatz Neuronaler Netze verfolgt werden Es sind in nerhalb der Phasen lediglich einige Detaillierungen vorzunehmen siehe Abbildung 43 Allgemeine Vorgehensweise Vorgehensweise Modellbildung U Bahnbetrieb Phase 1 Festlegen der Anzahl gt 1a Sammeln von Daten aus dem realen Betrieb der Ein und Ausg nge 1b Auswahl repr sentativer Datens tze Phase 2 Festlegen 2 Festlegen einer f r den U Bahnbetrieb v der Netzstruktur geeigneten Neuronalen Netzstruktur Phase 3 Trainieren 3 Trainieren des Netzes mit den des Netzes ausgew hlten Datens tzen Phase 4 Anwenden gt 4 Validieren des trainierten Netzes mit Testdaten Abbildung 43 Herleitung der Vorgehensweise zur Modellbildung U Bahnbetrieb Die Ergebnisse der letzten Phase der Validierung k nnen Anlass dazu sein die vorhe rigen Phasen zu wiederholen bis die Ergebnisse
155. u Plankilometer betr gt 99 97 Das System VAL wird au er in Lille noch in Chicago Paris Taipeh und Toulouse ein gesetzt 5 2 London Docklands Light Railway Der erste Abschnitt der Docklands Light Railway wurde 1987 er ffnet Heute wird sie auf einer L nge von 27 km mit 33 Stationen alle ohne Bahnsteigt ren betrieben Das automatische Fahren auf elektrische Sicht moving block wird durch das Automatisie rungssystem SELTRAC von ALCATEL erm glicht Das Verh ltnis Istkilometer zu Plankilometer betr gt 98 LON Insgesamt machen technische St rungen 56 der zeitlichen Unverf gbarkeit aus Sie gliedern sich qualitativ wie folgt Strecken zentrale ATS au an einrichtungen o Stellwerk 7 10 Fahrzeug ATP ATO sonst Fahrzeug 41 26 Abbildung 7 Zeitliche Anteile technischer St rungen 30 Dissertation Kai Frederik Zastrow Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen sonstiges 13 ATC System 0 40 Antrieb Energie 21 Wagenkasten Hilfsbetriebe 6 20 Abbildung 8 Verteilung der Anzahl der Fahrzeugst rungen Das Automatisierungssystem SELTRAC wird au er in London beispielsweise noch in automatisch betriebenen U Bahnsystemen in Ankara Kuala Lumpur und Vancouver eingesetzt 5 3 Lyon Linie D Die Linie D der Lyoner U Bahn wurde 1992 als automatische U Bahn in Betrieb ge nommen Sie umfasst 15 Stationen auf einer L nge von 11 5
156. ualitative weak point analysis ofthe automatic subway systems in Lille London Lyon Paris Tokyo Vancouver and Berlin The oscillating effect of delays which appears in line operations is the central point of the following mathematical derivations and analysis ofreal operational data After ex amining the delay distributions of conventional and automatic subway systems the pas senger s opinions are discussed The development of anti disturbance strategies is for mulated from the quality parameters derived from the above examinations The type of disturbance as well as the degree of automation have thus been incorporated into the investigation Finally a very promising strategy which uses a simulation of the subway operation is examined more deeply To apply this strategy neural networks are examined according to their appropriateness in predicting the behavior of subway operation and in which configuration they should be deployed to maximize their benefits Real operational data of a conventional subway line in Berlin and of an automatic subway line in Paris are used to accomplish this The analysis and evaluation refers to the structure of the neural network the purgation of training data and the influence of input parameters Finally the simulation results of conventional and automatic operation are compared with each other and with current available possibilities of trip time prediction Using the example of the Berlin subway it is sh
157. uch bei automati schem Betrieb mit Personal besetzte Betriebsleitstellen berwachungsfunktionen aus f hren k nnen F r die Instandhaltung und zur Erh hung der Qualit t von Service und Sicherheit f r die Fahrg ste ist der Einsatz von Personal ebenfalls weiterhin zu emp fehlen Neben den Bereichen Fahren Sichern und Leiten ist auch eine Automatisierung in den Bereichen Haustechnik und Fahrgastservice m glich Da diese Bereiche f r das Durch f hren von Zugfahrten nur mittelbar von Bedeutung sind werden f r sie im Rahmen dieser Ausarbeitung keine Entst rungsstrategien betrachtet 3 1 Bereich Fahren Eine Automatisierung des Bereichs Fahren erfolgt durch Funktionen die dem Begriff Automatic Train Operation ATO zugeordnet werden 14 Dissertation Kai Frederik Zastrow Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen 3 1 1 Grundfunktionen des Fahrens Die Grundfunktionen des Fahrens bestehen aus e Anfahren Die Bremsen werden gel st und die Antriebsmotoren beschleunigen den Zug mit einem festgelegten Beschleunigungsverlauf e Beschleunigen Die Antriebsmotoren beschleunigen den Zug w hrend der Fahrt mit einem festgelegten Beschleunigungsverlauf bis zu einer vorgegebenen Geschwin digkeit vsot e Rollen Weder die Antriebsmotoren noch die Bremsen ben eine Kraft aus so dass der Zug rollt und keine Antriebsenergie zwischen Zug und Strecke bertragen wird e Beharren D
158. uerst ankommenden Fahrstuhl benutzen und somit seine Weiterfahrt verz gern Allerdings kann das Aufholen eines nachfolgenden Fahrstuhls auch dazu f hren dass ein stark besetzter Fahrstuhl berholt wird wie dies auch bei Bussen der Fall ist Dadurch ent sch rft sich das Problem f r die Fahrg ste Im U Bahnbetrieb gibt es jedoch in der Re gel nicht die M glichkeit Z ge im Versp tungsfall zu berholen 6 2 2 Anwendung des Modells der Aufschaukelung Im Folgenden sind zur besseren Veranschaulichung des mathematischen Modells der Aufschaukelung Beispiele f r Betriebsszenarien dargestellt die auf Basis der oben her geleiteten Gleichungen berechnet sind Zus tzlich zu ber cksichtigen ist bei der An wendung des Modells dass Z ge in einem Mindestabstand hintereinander fahren m s sen Als weiterer Parameter wird daher die technisch m gliche minimale Zugfolgezeit eingef hrt die sich aus dem Zugsicherungssystem ableitet F r alle Parameter werden f r einen U Bahnbetrieb typische Werte herangezogen Das in Abbildung 24 dargestellte Betriebsszenario zeigt die Auswirkungen einer einfa chen Versp tung von 60 Sekunden die beispielsweise aus einem einmalig erh hten Fahrgastaufkommen z B Ende einer Veranstaltung resultieren kann Die planm ige Zugfolgezeit Zpian betr gt 180 Sekunden die planm ige T r ffnungszeit Tp an 30 Se kunden und die technisch m gliche Zugfolgezeit 120 Sekunden Zur Verbesserung der Lesbarkeit der A
159. ufen f r die Spezifizierung der ausreichenden Sicherheit siehe DIN EN 50129 Takt Fahrplanm ige Zugfolgezeit Ticketing Prozesse die f r das Fahrgeldmanagement und die Zugangskontrolle von Fahrg sten erforderlich sind einschlie lich Verkauf Abrechnung Marktforschung usw F r alle Begriffe die in der Ausarbeitung nicht explizit definiert werden gelten die Definitionen nach DIN EN ISO und IEC 10 Dissertation Kai Frederik Zastrow Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen 2 4 Abbildungsverzeichnis Abbildung 1 Grundfunktionen der Automatisierung uu0nssnerseerneenseennennnennsnnnnennenne nennen nennen 14 Abbildung 2 Ursachen von Betriebsst rungen cunseeesssseesneesnenseennenneennennnennennnnnnnnnne nen nennenne nme 20 Abbildung 3 Technische Struktur eines typischen U Bahnsystems ueenseessesssesneenneeneennennen nennen 20 Abbildung 4 Automatische U Bahnsysteme weltweit ucessesssenssnseensensnensnnnnennnnne nennen nnn nennen 27 Abbildung 5 Einflussgr en auf die Verf gbarkeit 0 2204220020ernenseensennsnnnnnnenenneenennennenne nennen 28 Abbildung 6 M gliche Zust nde einer Betrachtungseinheit rseeseseessesnesseesensnesennennensennensensena nn 29 Abbildung 7 Zeitliche Anteile technischer St rungen 222200220nsenneensennsnnnenennennennen nennen 30
160. umung der Strecke und Instandsetzung notwendig Durch das Fahrgastaufkommen bedingte Betriebsst rungen lassen sich durch eine Au tomatisierung von Funktionen des Bereichs Leiten ATS reduzieren siehe 7 2 3 7 2 Automatisierungsgrad des U Bahnsystems 7 2 1 Automatisches Fahren ATO Durch eine Automatisierung der Funktionen des Bereichs Fahren wird eine Vielzahl m glicher Betriebsst rungen reduziert Der wichtigste Aspekt ist dabei dass die Anwesenheit von Personal im Zug nicht mehr erforderlich ist Das hei t im konventionellen Betrieb auftretende Betriebsst rungen auf Grund von Personalmangel entfallen gem 5 7 1 entstehen 21 der ausgefalle nen Fahrplankilometer bei der Berliner U Bahn durch Personalmangel Hinzu kommt Dissertation Kai Frederik Zastrow 61 Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen die im konventionellen Betrieb nicht vorhandene M glichkeit spontan Reservez ge von auf der Strecke befindlichen Aufstellgleisen in den Betrieb einzuf deln Diese M glichkeit er ffnet dem Betrieb neue effektive Entst rungsstrategien insbesondere in den Nebenverkehrszeiten in denen stets Reservez ge zur Verf gung stehen Ein fast ebenso wichtiger Aspekt ist dass die Z ge den durch das ATS System vorge gebenen Fahrplan exakt umsetzen Im Gegensatz zu einem Fahrer der seinen pers nli chen Fahr und Abfertigungsstil besitzt fahren die Z ge automatisch nach d
161. ung der Arbeit sowie die bernahme des ersten Gutachters Herrn Professor Dr Ing Eckehard Schnieder dem Leiter des Instituts f r Regelungs und Automatisierungstechnik der TU Braunschweig danke ich f r seine F rderung der Arbeit sowie die bernahme des zweiten Gutachters Eine wichtige Voraussetzung dieser Arbeit sind die zur Verf gung gestellten Betriebs daten der Berliner und Pariser U Bahn Ich danke daher den Herren Dr Ing Ewald Schlechter BVG Berlin und Jean Paul Schneider RATP Paris die durch ihre Be reitstellung der Daten diese Arbeit erm glicht haben Ganz besonderer Dank gilt meiner Frau Meike und meinen Eltern dass sie mich w h rend der Anfertigung dieser Arbeit stets unerm dlich unterst tzt haben Kai Frederik Zastrow Dissertation Kai Frederik Zastrow 1 Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen 0 Einleitung Durch eine zunehmende Privatisierung im Verkehrssektor w chst der Druck auf die Verkehrsunternehmen kundenorientierter und wirtschaftlicher zu arbeiten Dabei wird in der Regel versucht die Kundenorientierung durch spezielle Marketingstrategien und die Wirtschaftlichkeit durch eine Verschlankung der Unternehmensstruktur zu erzielen Neben diesen existieren betrieblich technische Ma nahmen die notwendig sind um weitere wesentliche Feinziele zu erreichen e Leistungssteigerung des Fahrbetriebs Erh hung der Transportkapazit t Ver
162. utomatisierung von U Bahnsystemen 12 1 0 8 0 6 0 4 f u Abbildung 39 Funktionsgraph des Tangens Hyperbolikus Ein Neuron besitzt also die F higkeit einem bestimmten Eingangsvektor einen Aus gangswert zuzuordnen der f r diesen Vektor sowie bei gegebener Aktivierungsfunkti on nur von den aktuellen Gewichten und vom Bias abh ngt Mit Hilfe eines Trainings verfahrens m ssen die Gewichtungen eingestellt und optimiert werden Durch die Verkn pfung mehrerer Neuronen entsteht ein Neuronales Netz Es sind be liebige Verkn pfungen m glich Das am h ufigsten angewandte Netz ist das Multi Layer Perceptron MLP Netz Dieses Netz besitzt nur vorw rts gerichtete Verkn p fungen feedforward network so dass die Ausgangswerte zu einem beliebigen Zeit punkt k direkt von den Eingangswerten zum selben Zeitpunkt k abh ngen Prinzipiell sind auch Netze mit internen R ckf hrungen denkbar bei denen der Ausgang eines Neurons zum Zeitpunkt k auch von seinem eigenen Ausgang zum Zeitpunk k 1 ab h ngt 8 2 Vorgehensweise beim Einsatz Neuronaler Netze Der Einsatz Neuronaler Netze gliedert sich in mehrere Phasen die schematisch in Abbildung 40 dargestellt sind Dissertation Kai Frederik Zastrow 71 Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen Phase 1 Phase 2 Phase 3 Phase 4 Festlegen der Anzahl Festlegen Trainieren
163. ystemen Durchschnitt 0 10 70 06 EHlunbereinigte Trainingsdaten Berlin 0 05 0 01 Ulbereinigte Trainingsdaten Berlin 0 00 0 05 0 3 4 0 10 0 15 0 209 gt 0 2 0 20 S 0 25 0 24 5 0 30 g 0 1 RBF MLP Q lt l l D 0 0 I T om T m i u HT _ E I I T E S l l I 3 gt 0 1 4 l g 0 2 l 0 3 KEREKTRTERBEBKRRETESTEETKBRERRE X x xx x XxX XxX xX XxX XxX XxX xX XxX XxX X X Netzstruktur Abbildung 55 Einfluss von Netzstruktur und Bereinigung der Trainingsdaten Mittelwert der Abweichung Betriebsdaten Berlin Durchschnitt 1 90 E n nn 1 81 1 77 1 78 o Elunbereinigte Trainingsdaten Berlin 1 6 ne A 1 4 m O bereinigte Trainingsdaten Berlin 1 2 1 0 0 8 S 0 6 D 2 5 0 4 5 0 2 5 g 0 0 2 0 RBF MLP tttir
164. zip Neuronaler Netze ist es die Arbeitsweise menschlicher Nervenzellen Neu ronen nachzubilden Ein Neuron kann zwei m gliche Zust nde einnehmen in Ruhe 68 Dissertation Kai Frederik Zastrow Analyse und Simulation von Entst rungsstrategien bei der Automatisierung von U Bahnsystemen oder erregt Es besitzt mehrere Eing nge Synapsen und einen Ausgang Axon Das Axon dient der Weitervermittlung des Erregungszustandes der zugeh rigen Zelle Die Synapse bestimmt wie sich die ber ein Axon vermittelte Erregung auf eine andere Zelle auswirkt Die Summe der synaptisch ausgew hlten Eingangserregungen wird auf eine Zelle ber deren Rezeptoren bertragen siehe Abbildung 36 U Rezeptor N gt D Axon C N Ga 7 S r Zellk rper N gt Abbildung 36 Aufbau eines Neuronenkomplexes Obwohl ein einzelnes Neuron sehr einfach aufgebaut ist entsteht durch eine entspre chende Verkn pfung vieler Neuronen ein leistungsf higes Netz das auch komplexe Prozesse darstellen kann Zum Aufbau Neuronaler Netze wird f r ein Neuron i das in Abbildung 37 dargestellte mathematische Modell benutzt NEU 98 x k Wi Neuron i X2 k 2 k x k nk yilk Win Xx k b Abbildung 37 Mathematisches Modell eines Neurons Die Funktion des Neurons wird zum diskreten Zeitpunkt k betrachtet Die Eing nge xj k stellen die von den Synapsen bermittelten Informationen dar Die Gewichtungen w stellen den Einfluss der Rezeptoren d
Download Pdf Manuals
Related Search
Related Contents
13 - Olympus CS540™ CS540™ M-Cab 30m HDMI /amplifier A ARMADO - Massey Ferguson 2 Selezionare le impostazioni nel pannello Les risques psychosociaux : mode d`emploi - CGT 基本情報(特定福祉用具販売) isoLR275 / AGH-LR JUNIOR JR-D / JR20-D Copyright © All rights reserved.
Failed to retrieve file