TroCaWiCon

Trolley Catenary Wire Contact

Beschreibung

Elektro-Nutzfahrzeuge mit Stromabnehmer, auch unter dem Begriff Oberleitungsbusse bekannt, existieren seit Jahrzehnten. Dabei befinden sich zwei Leiter, wie bei einer Straßenbahn, oberhalb des Fahrzeugs. Der Stromabnehmer besteht aus zwei parallel zueinander verlaufenden Stangen mit einer Länge von etwa sechs Metern. Diese können unabhängig voneinander schwingen. In Kombination mit der Auslegerlänge führt das dazu, dass ein An- bzw. Ausdrahten des Stromabnehmers nur im Stand erfolgen kann. Dabei erfolgt das An- bzw. Ausdrahten meistens von Hand. Der dadurch entstehende erhebliche Zeit- und Arbeitsaufwand führt zu einer beträchtlichen Einschränkung im Fahrzeugbetrieb. Im Gegensatz zu einer Straßenbahn ist die Position des Fahrzeugs zum Fahrdraht nicht ausreichend definierbar, da der sechs Meter lange Ausleger auch seitlich ausschwenken kann. Damit wird dem Fahrzeug ein Spurwechsel oder Ausweichen von temporären Hindernissen ermöglicht, ohne vorher ausdrahten zu müssen. Hinzu kommen die Schwingungen während des Fahrbetriebs aufgrund unebener Straßen etc., die nicht mit den Verhältnissen eines Schienenfahrzeugs vergleichbar sind.

Das Ziel der Kooperation zwischen der TH-Wildau und der Deutzer Technische Kohle GmbH ist es ein System zu entwickeln, dass in der Lage ist die bisherigen Einschränkungen durch einen auf Machine Learning basierenden Regelkreis aufzuheben und damit den Einsatz von Oberleitungsbussen, als aktiven Beitrag zum Umweltschutz, zur CO2 Reduzierung und Ressourcenschonung, flächendeckend zu etablieren. Hierfür werden aufwendige Tests und Schwingungsanalysen an einem etablierten Auslegersystem durchgeführt, um das Schwingungsverhalten zu analysieren und in das Modell des Regelkreises mit einfließen zu lassen. Entsprechend dieser Daten wird das Auslegersystem optimiert, sodass der An- bzw. Ausdrahtvorgang kontrollierbarer wird und während der Fahrt vollautomatisch realisiert werden kann.

Das Gesamtprojekt durchläuft dabei alle Phasen der Entwicklung. Beginnend bei umfassenden Untersuchungen und Analysen sowohl im Analogbetrieb an einem entsprechenden Testaufbau als auch in simulierten Modellen. Die dabei gewonnenen Daten dienen der Entwicklung eines Regelkreises dessen Grundlage ein Machine Learning Modell ist. Dieser Regelkreis soll in der Lage sein die Schwingungen zu kompensieren und einen schnellen An- und Ausdrahtvorgang bei Geschwindigkeiten von bis zu 30 km/h zu realisieren.

Das zu entwickelnde System soll aus diversen Sensoren, die u. a. den Fahrdraht erkennen, die Auslegerposition relativ zum Fahrzeug bestimmen, die Fahrzeugposition und Geschwindigkeit aufnehmen (Siehe Abbildung 1). Die entsprechenden Informationen fließen in das Machine Learning Modell ein. Dieses Modell steuert entsprechend der Informationen den Regelkreis, sodass der Ausleger in Echtzeit ausgerichtet und die zu erwartenden Schwingungen vorhergesehen werden können. Aufgrund des kontinuierlichen Informationsflusses optimiert das Modell den Regelkreis fortlaufend und reagiert auf mögliche Änderungen. Daraus ergibt sich ein hochkomplexes dynamisches System, das den schwierigen Andrahtprozess vollautomatisch umsetzen kann.

Neben der Entwicklung des intelligenten Regelkreises, ist das System als vollständiges Fahrer-Informations- und Assistenzsystem auszuführen, sodass der Fahrer permanent über die Vorgänge des Systems informiert ist und im Störfall eingreifen kann. Abschließend wird eine Teststrecke konzipiert, auf der das System im Realbetrieb umfänglich getestet und weiter optimiert werden kann.