Neues Netzwerk PD‑SOVNet schätzt Radpolygonale Rauheit aus Achsen‑Box‑Vibrationen

Ein neu entwickeltes Modell namens PD‑SOVNet ermöglicht die präzise Schätzung der Radpolygonalen Rauheit anhand von Achsen‑Box‑Vibrationssignalen. Durch die Kombination physikbasierter Second‑Order‑Vibrationskernels, eines 4×4 MIMO‑Kopplungsmoduls, einer adaptiven physikalischen Korrekturbasis und einer Mamba‑basierten Zeitreihen‑Verarbeitung kann das Netzwerk die Rauheitskurve von der ersten bis zur 40. Ordnung exakt vorhersagen.

Im Gegensatz zu bisherigen Ansätzen, die sich meist auf Erkennung oder Klassifikation beschränken, liefert PD‑SOVNet eine kontinuierliche Regression des Rauheitsspektrums – auch unter realen Betriebsbedingungen und bei unbekannten Rädern. Die Einbettung von Modalanpassungs­vorwissen sorgt für stabile Vorhersagen, während die datengetriebene Flexibilität individuelle Korrekturen und zeitliche Dynamiken berücksichtigt.

Tests an drei realen Datensätzen, darunter Betriebs- und Fehlervorgänge, zeigen, dass das Modell eine konkurrenzfähige Genauigkeit erreicht und besonders bei Dataset III die größte Leistungssteigerung erzielt. Zusätzlich demonstrieren Rausch‑Injektion‑Experimente, dass die Mamba‑Zeitreihen‑Komponente die Robustheit gegenüber gestörten Eingaben deutlich verbessert.

Diese Ergebnisse unterstreichen, dass strukturierte physikalische Priors die Stabilität der Rauheitsregression in praktischen Schienenfahrzeug‑Monitoring‑Szenarien erhöhen können, ohne die Flexibilität datengetriebener Ansätze zu verlieren.