Ein System zur Zustandsüberwachung von Schienenfahrzeugen Von der Datenerfassung bis zur Bewertung des strukturellen Zustands Schienenfahrzeugtechnik, Automatisiertes Fahren, Aufprall- und Überfahrerkennung, KI-gestützte Datenauswertung, KI-gestützte Schienenfahrzeuginstandhaltung Die fortschreitende Digitalisierung der Schienennetze und der zunehmende Einsatz künstlicher Intelligenz (KI) verändern Konstruktion, Betrieb und Instandhaltung von Schienenfahrzeugen grundlegend. Während vollautomatisierter Betrieb (GoA4) in U-Bahn-Systemen bereits etabliert ist, wird sein Einsatz im Vollbahnbereich weiterhin durch hohe Sicherheitsanforderungen und komplexe Betriebsumgebungen begrenzt. Bestehende Wahrnehmungssysteme auf Basis von Kameras, Radar und Lidar ermöglichen zwar eine zuverlässige Objekterkennung, weisen jedoch Einschränkungen bei der Erfassung von Aufprall-, Kollisions- und Überfahrereignissen auf. Dieser Beitrag stellt einen neuartigen Ansatz zur Echtzeit-Zustandsüberwachung und Aufprallerfassung vor, der strukturelle Sensortechnologien mit KI-gestützter Datenanalyse kombiniert. Das Konzept umfasst die automatisierte Erkennung von Stößen und Schäden, die zustandsbasierte Instandhaltung durch kontinuierliches Monitoring sowie die langfristige Datenauswertung zur Optimierung der Fahrzeugkonstruktion. Die Ergebnisse zeigen das Potenzial des Ansatzes zur Erhöhung der Betriebssicherheit, Unterstützung vorausschauender Instandhaltungsstrategien und Förderung des vollautomatisierten Betriebs im Vollbahnbereich. Tobias Herrmann, Maximilian Posner, Martin Dazer, Daniela Lauer, Robert Winkler-Höhn, Martin Köppel D ie digitale Transformation des Eisenbahnsektors und die Einbindung künstlicher Intelligenz (KI) führen zu tiefgreifenden Veränderungen bei der Konstruktion, dem Betrieb und der Instandhaltung von Schienenfahrzeugen. Fortschrittliche Sensortechnologien in Verbindung mit KI-basierter Datenanalyse eröffnen neue Möglichkeiten für die Produktentwicklung, die Optimierung des Lebenszyklus und die Realisierung automatisierter Betriebsabläufe. Ein entscheidender Aspekt hierfür ist die Integration spezieller Sensorsysteme, die eine kontinuierliche Zustandsüberwachung, Ereigniserkennung und intelligente Entscheidungsfindung ermöglichen. Aktuelle Schienenfahrzeuge sind nur spärlich mit solchen Systemen ausgestattet, was ihre Fähigkeit einschränkt, höhere Automatisierungsstufen zu unterstützen. Um einen sicheren und effizienten Betrieb zu gewährleis- 64 Internationales Verkehrswesen (78) 3 | 2026 DOI: 10.24053/ IV-78-0045 Parallele Initiativen wie das faWaSiS-Projekt [7] zum Leichtbau [8], [9] zeigen das Potential faserverstärkter Verbundwerkstoffstrukturen für hochbeanspruchte Fahrzeugkomponenten auf. Die Integration von Systemen zur Zustandsüberwachung mit eingebetteten oder oberflächenmontierten Sensoren ermöglichen eine frühzeitige Schadenerkennung, vorausschauende Instandhaltung und Digital-Twin-Anwendungen, während gleichzeitig die Anforderungen an Brandschutz und Haltbarkeit erfüllt werden müssen. Im Rahmen des Forschungsprojektes KI-MeZIS ist für die Erprobung der Technologien der aTL, ein umgerüsteter Hochgeschwindigkeitszug für Tests unter realen Bedingungen, als Testplattform genutzt worden. Sensor- und Messkonzept Im Rahmen des KI-MeZIS-Projekts wurden mehrere verschiedene Sensoren im aTL installiert. Die Installation des Systems erfolgte in enger Zusammenarbeit zwischen der DB, der DB InfraGO AG, der DB Systemtechnik und der MSG Ammendorf. Die Sensoren wurden so ausgewählt und platziert, dass sie sowohl die Zustandsüberwachung als auch die Kollisionserkennung unterstützen. Daher wurden piezoelektrische Beschleunigungssensoren, Dehnungsmessstreifen (DMS), Luftdrucksensoren und Lokalisierungssensoren (GNSS, Drehzahlgeber etc.) als geeignet identifiziert, um im realen Betrieb zuverlässige, qualitativ hochwertige Daten zu erfassen, die zur Erfüllung der betrachteten Anwendungsfälle genutzt werden können. Abbildung 1 gibt einen schematischen Überblick über die ausgestatteten Fahrzeugstrukturen. Einachsige und dreiachsige (Althen FRAB- 10, FLAB-10) Dehnungsmessstreifen-Sensoren wurden am Unterfahrschutz, am Drehgestell, an den tragenden Strukturen und an der semi-permanenten Kupplung des aTL installiert, um lokale Verformungen zu überwachen. Sie ermöglichen die frühzeitige Erkennung von Strukturbeschädigungen und bieten trotz der erforderlichen Schutzkapselung eine kosteneffiziente Lösung mit hoher Empfindlichkeit und detaillierten Einblicken in das Material. Mehrere einachsige und dreiachsige piezoelektrische Beschleunigungssensoren (Kistler 8715B1K0S00T, 8766A250AB, 8705A250M1) wurden hinzugefügt, um Aufpralle auf das Fahrzeug sowie Überfahrereignisse zu erfassen, und wurden an der Frontklappe, der Seitenschürze, der Kupplung, dem Unterfahrschutz, dem Achslager und dem Drehgestell angebracht. Diese Sensoren haben einen Messbereich von ±250 g oder ±1000 g. Sie wurden mit Klebeadaptern (Kistler) montiert, wodurch Bohrungen oder bauliche Veränderungen am Fahrzeug bzw. deren Bauteilen vermieden wurden. Für die Dehnungs- und Beschleunigungssensoren wurden die Sensorpositionen mithilfe von Finite-Elemente-Simulationen (FE-Simulationen) ermittelt. Dehnungsmessten, insbesondere im Zusammenhang mit der vollautomatisierten Zugsteuerung, müssen Schienenfahrzeuge in der Lage sein, Stöße, strukturelle Schäden, Kollisionen und Überfahrereignisse zu erkennen und gleichzeitig zuverlässige Informationen für die zustandsorientierte Instandhaltung und die langfristige Flottenoptimierung zu liefern. Das KI-MeZIS-Projekt (Abkürzung für: KI-Methoden zur Zustandsüberwachung und bedarfsorientierten Instandhaltung für Schienenfahrzeuge) widmete sich diesen Herausforderungen durch die Kombination von KI-Methoden mit neuartigen fahrzeugseitigen Sensoren. Es wurden drei Anwendungsfälle untersucht: 1. Erkennung von Stößen, Schäden und Überfahrereignissen, 2. Entwicklung zustandsorientierter Instandhaltungsstrategien auf Basis kontinuierlicher Datenerfassung und 3. langfristige Datenanalyse zur Optimierung des Fahrzeugdesigns. Dieser Beitrag präsentiert die Ergebnisse für alle drei Anwendungsfälle. Stand der Wissenschaft und Technik Digitalisierung, Leichtbau und fortschrittliche Sensortechnologien können als Innovationstreiber im Eisenbahnsektor betrachtet werden. Im Rahmen des Programms „Digitale Schiene Deutschland“ wurden sensorbasierte Ereigniserkennung und eine entsprechende Fahrzeugüberwachung als wesentliche Faktoren für die Betriebssicherheit und -zuverlässigkeit untersucht. Projekte wie die „Digitale Schiene Systemarchitektur“ [1] liefern Spezifikationen und Funktionsarchitekturen, während Labor- und Feldtests auf Plattformen wie dem Advanced Train Lab (aTL) [2] die Machbarkeit verschiedener Sensorkonzepte validieren. Ein vollautomatisierter Bahnbetrieb wurde bislang vor allem in geschlossenen U-Bahn- und Metro-Systemen umgesetzt, während der Vollbahnverkehr aufgrund komplexerer Sicherheitsanforderungen und einer offenen Umgebung noch hinterherhinkt. Insbesondere die offene Umgebung stellt eine Herausforderung dar, da Objekte in die Fahrbahn gelangen könnten und entsprechend berücksichtigt werden müssten. In Deutschland bietet der EBA-Forschungsbericht von 2019 [3] einen Überblick über Projekte zu digitaler Fahrerunterstützung, Digitalisierung und Automatisierung. International hebt der UITP-„World Report on Metro Automation“ [4] die zunehmende Verbreitung fahrerloser U-Bahn-Systeme hervor. Ein bemerkenswerter Fall außerhalb von U-Bahn-Systemen sind die GoA-4-Güterzüge von Rio Tinto in Australien, die vollautomatisiert auf dem regulären Schienennetz verkehren [5], [6] und aktuell weltweit noch als einziges Vollbahnsystem in GoA-4-Betrieb gelten. 65 Internationales Verkehrswesen (78) 3 |2026 DOI: 10.24053/ IV-78-0045 Zustandsüberwachung Schienenfahrzeuge   TECHNOLOGIE zeichnung der Signale wurden zwei gekoppelte Datenlogger (DEWE3-M4) von DEWETRON verwendet. Das im Zug installierte System wurde entsprechend dem vierten EU- Eisenbahnpaket [10] zugelassen. Datenaquisition Im Rahmen von Experimenten, Simulationen und Testfahrten wurden Sensordaten erfasst, um sowohl den regulären Betrieb als auch außergewöhnliche Ereignisse systematisch zu dokumentieren. Bei allen Laborexperimenten wurde eine ähnliche Sensorausstattung wie im Zug verwendet, sodass alle Ergebnisse kompatibel waren und für das Training von Algorithmen des maschinellen Lernens (ML) genutzt werden konnten. Testfahrten/ Versuchsfahrten mit dem aTL Das aTL-System wurde im regulären Schienennetz eingesetzt, um Daten unter normalen Betriebsbedingungen zu erfassen. Dabei wurden keine außergewöhnlichen Ereignisse erwartet. Diese Daten dienten dazu, die charakteristischen Signale regulärer Fahrten zu erfassen und Referenzsignale für verschiedene Streckentypen zu erstellen. Insgesamt wurden 22 Messtage im regulären Netz während des laufenden Betriebs durchgeführt. Bei diesen Testfahrten wurde darauf geachtet, dass ein breites Spektrum an folgenden Testszenarien berücksichtigt wurde: (1) Es wurden Schnellfahrstrecken für die Zughöchstgeschwindigkeit (200 km/ h) genutzt. (2) Es wurden Tunnelfahrten durchgeführt, da das Fahrzeug beim Einfahren in einen Tunnel einem hohen Luftdruck ausgesetzt ist. (3) Es wurden Nebenstrecken genutzt. Die Gleisqualität auf diesen Strecken ist in der Regel schlechter als auf den Hauptstrecken, da diese Strecken weniger häufig instandgehalten werden. streifen wurden in Bereichen mit hoher Dehnung und Spannungskonzentration angebracht, um die voraussichtlichen Verformungen bei Kollisionen zu erfassen. Beschleunigungssensoren wurden an strukturell repräsentativen, geschützten und zugänglichen Stellen installiert. Ebenfalls wurden Luftdrucksensoren (Endevco Modell 8510B-500-60-D) an der Außenhaut des Zuges und am vorderen Sensorkopf des Zuges angebracht, um die aerodynamischen Belastungen zu erfassen. Diese Messungen ermöglichen die Berechnung und Analyse der aerodynamischen Kräfte auf das Fahrzeug. Dies ist notwendig für Tunneldurchfahrten und Zugbegegnungen, die zu starken Schwankungen der Signale der anderen Sensoren führen. Drehzahlgeber (Knorr Bremse, Deuta DF16) sind an der ersten und zweiten Achse des ersten Drehgestells installiert. Diese messen die Drehzahl der Räder. Darüber hinaus wurde ein am Zug installiertes GNSS-System genutzt, um die geografischen Koordinaten des Zuges für die Ereignisauswertung zu ermitteln, beispielsweise bei Tunneln, Weichen, Bahnhöfen, Vogel- oder Steinschlag usw. Temperatursensoren (RS Pro Typ K131-4751, RS Pro Typ K726-118) wurden im Zuginneren und im Kupplungsraum des Zuges installiert, um den Einfluss des Wetters auf die Sensorsignale zu messen. Schließlich wurde eine RGB-Kamera (Net C- GP4206M-100-4) am vorderen Sensorträger installiert, um den Gleisbereich zu beobachten. Die Kameradaten dienten als Ground-Truth-Daten für den Fall, dass ein Ereignis in den Signaldaten sichtbar war, aber während der Testfahrt nicht annotiert wurde. Insgesamt wurden folgende Sensoren installiert: 10 einachsige und 2 dreiachsige Beschleunigungssensoren, 3 einachsige und 9 dreiachsige Dehnungssensoren, 2 Drehsensoren, 14 Luftdrucksensoren, 2 Temperatursensoren und 1 Kamera. Darüber hinaus wurde ein 3D-gedruckter Kabelkanal im Zug installiert, um die Kabel vom vorderen Bereich des Zuges ins Innere des Zuges zu führen. Zur Auf- Abbildung 1: Mit Sensoren ausgestattete Zugstrukturen des aTL 66 Internationales Verkehrswesen (78) 3 |2026 DOI: 10.24053/ IV-78-0045 TECHNOLOGIE   Zustandsüberwachung Schienenfahrzeuge Steine oder Behälter repräsentiert, und ein 28,5 kg schwerer Gelatineblock, der die mechanischen Eigenschaften von biologischem Gewebe simuliert, was insbesondere für Eisenbahnanwendungen relevant ist, bei denen es zu Kollisionen mit Lebewesen kommt. Die Aufprallgeschwindigkeit wurde über die Auslösehöhe des Pendels gesteuert, was wiederholbare Tests bei Geschwindigkeiten von bis zu ca. 4,2 m/ s ermöglichte. Beschleunigungssignale wurden mit piezoelektrischen Sensoren unterschiedlicher Messbereiche (2.000 g und 10.000 g) aufgezeichnet, wodurch sowohl Ereignisse mit geringer als auch mit hoher Beschleunigung erfasst wurden. Die Ergebnisse zeigen, dass selbst unter nominell identischen Bedingungen die Beschleunigungssignale erheblich variieren können, was höchstwahrscheinlich auf die (4) Der Zug fährt auf Strecken, auf denen sich Züge auch mit hohen Geschwindigkeiten begegnen aufgrund der daraus entstehenden hohen Kraftwirkung. (5) Verschiedene Wetterbedingungen wurden erfasst, um zu prüfen, ob die Ergebnisse wetterunabhängig sind. Überfahrversuche Im Rahmen des Projektes sind ebenfalls Überfahrversuche durchgeführt worden, um reale Überfahrereignisse zu erfassen. Hierbei wurden zwei Fahrzeuge verwendet, um Ereignisse für das Training von Erkennungsalgorithmen zu generieren. Das erste Fahrzeug war ein Res-Güterwagen [11] (vgl. Abbildung 2), das zweite Fahrzeug war der aTL. Der Res-Güterwagen ermöglichte Überfahrversuche, die mit dem aTL aufgrund von Sicherheitsvorschriften nicht durchgeführt werden konnten. Für ausgewählte Objektklassen wurden identische Tests mit beiden Fahrzeugen durchgeführt, wobei dasselbe Objekt und dieselbe Geschwindigkeit verwendet wurden. Dies ermöglicht den direkten Vergleich und das Herausfiltern fahrzeugspezifischer Effekte. Es wurde beachtet, dass beide Fahrzeuge über dieselbe Sensorkonfiguration verfügten. Innerhalb von acht Testtagen wurden 197 Überfahrvorgänge (aTL und Res-Güterwagen) auf der privaten Teststrecke der Havelländischen Eisenbahn AG (HVLE) in Berlin-Spandau durchgeführt. Die folgenden Objektklassen wurden mit dem Res-Güterwagen getestet, ausgewählt nach der Wahrscheinlichkeit ihres Auftretens in der Praxis: Knochen, Biofidel-Huhn, Birkenholz, Dachlatte, Dachziegel, Oberleitung, Flachstahl, Stahlkeil, Stahlrohr, Betonstein, Einkaufswagen (vgl. Abbildung 2), Fahrrad und Bremsschuh. Laborversuche Neben den Feldversuchen wurden ebenfalls Labortests am Unterfahrschutz und an den vorderen Klappen durchgeführt. Ziel war es, erste Sensordaten zu erheben, die Simulationsmodelle zu validieren und einen Trainingsdatensatz für eine erste ML-basierte Aufprallerkennung bereitzustellen. Experiment mit dem Schlagpendel Die Experimente mit dem Schlagpendel (vgl. Abbildung 3) dienen dazu, realistische Beschleunigungssignale zu erzeugen. Durch die Nachstellung kontrollierter Kollisionsereignisse liefern die Experimente Referenzdaten, mit denen simulierte Beschleunigungssignale verglichen werden können. Der Versuchsaufbau besteht aus einem Pendel, das an einem „Testportal“ befestigt ist und aus definierten Höhen losgelassen wurde, um auf den Unterfahrschutz zu prallen, der zur einfacheren Montage in umgekehrter Position am Boden befestigt ist (siehe Abbildung 3). Es wurden zwei Arten von Aufprallkörpern eingesetzt: ein 30,5 kg schweres Stahlpendel, das starre Aufprallpartner wie Werkzeuge, Abbildung 2: Überfahrversuche mit Res-Wagen und Einkaufswagen Abbildung 3: Aufbau des Pendelversuchs. 67 Internationales Verkehrswesen (78) 3 |2026 DOI: 10.24053/ IV-78-0045 Zustandsüberwachung Schienenfahrzeuge   TECHNOLOGIE ckeltes Krafteinleitungselement gemäß DIN EN 15227 [12] aufgebracht (vgl. Abbildung 4). Bei den quasistatischen Versuchen baut der Hydraulikzylinder (kraftgesteuert) eine Kraft von 60 kN auf und leitet diese entsprechend in den Unterfahrschutz. Diese Kraft wird über die gesamte Versuchsdauer aufrechterhalten, um die elastischen Dehnungsverläufe zu erfassen, ohne die Struktur zu beschädigen. Bei den nichtlinearen dynamischen Versuchen wird der Zylinder verschiebungsgesteuert mit einem vordefinierten Hub von 92 mm betrieben, was der maximalen Kapazität des hydraulischen Stellantriebs entspricht. In diesem Fall wird der Versuch mit variabler Geschwindigkeit durchgeführt, und die Last steigt an, bis entweder der Zylinder seine Kraftgrenze erreicht oder die Struktur versagt. Bei den quasistatischen Versuchen wurden im elastischen Bereich saubere und reproduzierbare DMS-Signale erfasst, die als zuverlässige Referenzwerte dienten. Im Gegensatz dazu waren bei den nichtlinearen dynamischen Versuchen mehrere Wiederholungen erforderlich, bevor ein vollständiges Versagen der Struktur erreicht werden konnte. Im zweiten Durchlauf erreichte der Zylinder eine Spitzenkraft von 889,1 kN, was zu einer erheblichen plastischen Verformung führte, jedoch nicht zum vollständigen Versagen des Unterfahrschutzes. Bei der anschließenden Wiederholung des vierten Versuchs versagte die Struktur bei einer etwas geringeren Kraft von 875,9 kN aufgrund bereits bestehender Schäden. Der Versagensmodus umfasste ausgeprägtes plastisches Knicken, Risse in den Schweißnähten und lokale Risse in der Nähe der DMS-Positionen. In Abbildung 5 ist der Unterfahrschutz mit den entsprechenden Schäden abgebildet. Insgesamt bestätigen die quasi-statischen Versuche die Eignung des experimentellen Ansatzes zur Gewinnung hochwertiger Referenzdaten sowohl für den elastischen als auch für den plastischen Verformungsbereich. Die unter definierten Belastungsbedingungen aufgezeichneten DMS-Signale liefern wesentliche Inputs für die Validierung Einschränkungen der Abtastrate der Sensoren bei der Erfassung sehr hochfrequenter Schwingungen zurückzuführen ist. Vergleiche zwischen verschiedenen Sensortypen zeigten Unterschiede in der Signalauflösung und Detailgenauigkeit, wobei der Sensor mit höherer Auflösung ausgeprägtere lokale Extremwerte erfasste. Darüber hinaus führte die Wahl des Impaktors zu deutlich unterschiedlichen Antwortmustern: Stöße mit dem Stahlpendel verursachten scharfe, stark ausgeprägte Beschleunigungen von über 500 g, während Gelatine-Stöße deutlich schwächere Signale erzeugten, typischerweise unter 1,5 g. Diese Unterschiede spiegeln direkt den Kontrast in der Steifigkeit zwischen metallischen und biologisch anmutenden Materialien wider. Insgesamt bestätigen die Experimente, dass der Schlagpendelaufbau unter kontrollierten Bedingungen zuverlässig realistische und vielfältige Beschleunigungsdaten liefert. Die daraus resultierenden Datensätze eignen sich sowohl für die Validierung von FE-Modellen als auch für das Training von KI-Algorithmen, um zwischen verschiedenen Kollisionsszenarien zu unterscheiden. Quasi-statische Verformungsversuche Es wurden quasi-statische Verformungsversuche durchgeführt, um die FE-Modelle des Unterfahrschutzes zu validieren, indem unter kontrollierten Belastungsbedingungen reale DMS-Signale erzeugt wurden. Dabei werden zwei sich ergänzende Ziele verfolgt: (1) Untersuchung des linear-elastischen Bereichs mittels zerstörungsfreier quasi-statischer Belastung; (2) Untersuchung des Versagensverhaltens der Struktur im nichtlinearen plastischen Bereich durch erzwungene Zerstörung. Die Versuche wurden auf einem Prüfstand durchgeführt, auf dem der Unterfahrschutz identisch mit dem Aufbau des Aufprallpendelversuchs montiert ist. Die Belastung wird durch einen Hydraulikzylinder über ein speziell entwi- Abbildung 5: Schadensbild nach dem zerstörenden quasi-statischen nichtlinearen Versuch Abbildung 4: Aufbau des quasi-statischen Experiments 68 Internationales Verkehrswesen (78) 3 |2026 DOI: 10.24053/ IV-78-0045 TECHNOLOGIE   Zustandsüberwachung Schienenfahrzeuge die Masse des Objekts und der entsprechende Schaden bestimmen, wie in Abbildung 7 dargestellt. Die gewonnenen Daten der Aufpralltests waren für das Projekt wertvolle Datensätze für das Training von Modellen des maschinellen Lernens [13]. Simulation In diesem Kapitel werden die Ergebnisse der Simulation für den Unterfahrschutz und die Bugklappen vorgestellt. Die durchgeführten Simulationen zeigen, dass die angewandte Methodik geeignet ist, realistische Sensordaten zu generieren und das Strukturverhalten vorherzusagen. Die Simulationsergebnisse wurden durch experimentelle Tests verifiziert sowie validiert und dienten dazu, Kollisions- und Aufprallszenarien für die Erstellung einer Schadensbibliothek und das Training von ML-Algorithmen zu generieren. Simulation des Unterfahrschutzes Die durchgeführten Simulationen veranschaulichen das strukturelle Verhalten der metallischen tragenden Konstruktion bei Kollisionsereignissen. Die simulierten Datensätze umfassten DMS-Signale und Beschleunigungsmessungen, die sowohl zeitabhängige Dehnungsals auch dynamische Beschleunigungsreaktionen erfassten. Die von FE-Modellen, während die beobachteten Versagensmechanismen einen direkten Vergleich zu simulationsvorhergesagten Schadensmustern ermöglichen. Dies stellt sicher, dass die Modelle nicht nur Dehnungsverteilungen genau wiedergeben, sondern auch den Beginn und das Fortschreiten von Strukturversagen korrekt erfassen und damit die Grundlage für eine zuverlässige Schadensbewertung stärken. Bugklappen-Versuche An den Bugklappen des aTL wurden drei Arten von Aufpralltests durchgeführt: (1) 3-Punkt-Biegetest, (2) Falltest und (3) Projektilaufpralltest, bei dem Objekte auf die Bugklappe geschossen wurden. Diese Tests waren ein wichtiger Bestandteil für die Gewinnung von Lerndatensätzen. Zunächst wurden Vorversuche durchgeführt, d. h. der quasi-statische 3-Punkt-Biegetest und Falltests aus einer Höhe von 3 m. Diese lieferten Erkenntnisse zum Materialverhalten und erste Trainingsdaten. Die 3-Punkt-Biegetests bestätigten die quasi-isotrope Laminatstruktur und ermöglichten die Bestimmung wichtiger Materialparameter. Falltests zeigten den Einfluss von Steifigkeit und Sensorposition auf Beschleunigungssignale, validierten das dynamische Verhalten der Bugklappe und lieferten ebenfalls erste Trainingsdaten. Beim Projektilaufprallversuch wurden Schottersteine (50 g und 200 g), Eisbälle (Hagel, 64 g) sowie ellipsoide künstliche Vögel vom Typ DLRRAB Mk 2.3 mit einem Gewicht von 70 g, 454 g und 1800 g verwendet. Diese wurden mit Geschwindigkeiten von 30 m/ s, 60 m/ s und 100 m/ s auf die Bugklappe geschleudert. Je nach Masse und Beschaffenheit des Projektils verformt sich die Bugklappe in entsprechendem Maße. Diese Verformung verursacht eine Welle im Material, die sich durch das Bauteil ausbreitet, was wiederum je nach Schwere der Verformung zu einer Beschädigung der Bugklappe führt [13]. Ein solcher Aufprall ist in Abbildung 6 dargestellt. Die Beschädigungen an der Frontklappe traten hauptsächlich an der Kupplungsöffnung und an den Befestigungswinkeln zur Mimik auf. Weniger Beschädigungen gab es im Bereich des eigentlichen Aufpralls, insbesondere bei den künstlichen Vögeln. Bei den Schottersteinen gab es eine Ausnahme. Hier traten die Hauptbeschädigungen am Aufprallpunkt auf. Außerdem verursachten die Eisbälle keine sichtbaren Beschädigungen. Es hat sich gezeigt, dass sich die Art des Projektils anhand des Beschleunigungssignals nicht identifizieren lässt. Für eine entsprechende Objektklassifizierung wären zusätzliche Sensoren erforderlich. Durch die Kenntnis des Spitzenwerts des Beschleunigungssignals, der Geschwindigkeit des aTL und der Art des Objekts lassen sich jedoch Abbildung 6: Aufprall eines 1,8 kg schweren Vogelattrappenmodells mit einer Geschwindigkeit von 100 m/ s. Abbildung 7: Beschleunigungs-Geschwindigkeits-Masse-Flächen- Diagramm. Blaue Farbtöne stehen für niedrige Beschleunigungen (unter 22,5 m/ s²) und rote Farbtöne für höhere Beschleunigungen bis zu 50 m/ s². 69 Internationales Verkehrswesen (78) 3 |2026 DOI: 10.24053/ IV-78-0045 Zustandsüberwachung Schienenfahrzeuge   TECHNOLOGIE nalen beim strukturellen Versagen deutlich und dass eine Kombination unterschiedlicher Sensortypen notwendig ist. Simulation der Bugklappen Die durchgeführten numerischen Versuche an den Bugklappen mit klar definierten Belastungen dienen der simulationsbasierten Verifizierung und Validierung der experimentellen Versuche und damit des Sensornetzwerks. Sie wurden zudem für die Datenauswertung unter Verwendung von KI-Methoden herangezogen. Die Simulation der 3-Punkt-Biegeversuche zeigte gute Übereinstimmungen zwischen den Simulationen und den Versuchen. Die Abweichungen gegenüber den Versuchen liegen bei kleinen Verformungen zwischen -1,8 % und 0,64 %, wie in Abbildung 9 zu sehen ist. Es ist erkennbar, dass die Abweichungen bei größeren Verformungen zunehmen. Dies lässt sich auf das zur Vereinfachung verwendete elastische Materialmodell zurückführen. Zugleich bestätigen die numerischen Tests DMS erwiesen sich als besonders nützlich für die Überwachung des Zustands der Konstruktion, da sie Verformungen innerhalb des Materials widerspiegeln, während Beschleunigungssensoren ergänzende Informationen für Aufpralle mit schweren oder starren Objekten lieferten. Es wurde jedoch beobachtet, dass in Bereichen, in denen Schweißnähte bei einer Kollision wahrscheinlich versagen, die simulierten Dehnungsmessstreifen-Signale die physikalische Reaktion nicht genau wiedergeben, was auf eine Einschränkung der rein modellbasierten Datengenerierung hindeutet. Die strukturelle Analyse der simulierten Kollisionsereignisse zeigte einen eindeutigen Zusammenhang zwischen der Masse und der Art des auftreffenden Objekts, der Kollisionsgeschwindigkeit und dem daraus resultierenden Schadensausmaß. Leichte Kollisionen, wie beispielsweise Aufpralle mit leichteren Objekten, führten überwiegend zu geringen plastischen Verformungen, Beulen oder leichten Verformungen. Im Gegensatz dazu verursachten schwerere oder steifere Kollisionspartner schwere Schäden, darunter erhebliche plastische Verformungen, Brüche und Risse, insbesondere an Schweißnähten und kritischen Strukturpunkten. Unbeschädigte Fälle waren in den analysierten Szenarien selten oder fehlten gänzlich, was die Anfälligkeit bestimmter Strukturelemente unter hohen Aufprallbelastungen unterstreicht. Abbildung 8 zeigt die Validierungssimulation mit einem ähnlichen Schadensverhalten wie in den Laborexperimenten (vgl. Abbildung 5). Insgesamt erzielt die Simulation eine hervorragende qualitative Übereinstimmung und gibt Lage, Form und Art der Schäden genau wieder, einschließlich einer äußerst präzisen Vorhersage der maximalen Beschleunigung, die nur um 1,8 % abweicht. Zwar lässt die quantitative Genauigkeit bei detaillierten Dehnungsmessungen mit Abweichungen von bis zu 34,9 % noch Raum für Verbesserungen, doch liefert das Modell eine grundsätzlich gute und zuverlässige Darstellung des resultierenden Strukturzustands. Hieraus ableitend wird die Wichtigkeit der Berücksichtigung von Schweißnahtbrüchen bei der Auswertung von Sensorsig- Abbildung 8: Schadensbild der Validierungssimulation Abbildung 9: Vergleich der Kraft-Weg-Kurven aus den 3-Punkt- Biegeversuchenmit den entsprechenden FEM-Simulationen. Abbildung 10: Vergleich der Beschleunigungssignale aus Simulation und Versuchen an Sensorposition 4. 70 Internationales Verkehrswesen (78) 3 |2026 DOI: 10.24053/ IV-78-0045 TECHNOLOGIE   Zustandsüberwachung Schienenfahrzeuge Normalbetrieb verglichen. Um die Signalqualität und damit die Erkennbarkeit zu verbessern, wurden alle Sensorsignale, einschließlich der Signale aus den Simulationen, mit einem CFC1000-Filter verarbeitet. Die Verwendung dieses Filters ermöglichte eine bessere Vergleichbarkeit zwischen den realen und den simulierten Signalen. Die gefilterten Signale wurden dann verwendet, um Signale aus dem Normalbetrieb von Aufprallereignissen an der Front und an der Seite des Zuges zu unterscheiden (vgl. Abbildung 11). Die entwickelte Ereignisklassifizierung basiert auf einem Schwellenwertverfahren. Für jedes Ereignis, das als Zeitreihe innerhalb eines bestimmten Intervalls definiert ist, wird der Maximalwert mit einem Schwellenwert verglichen. Werte, die den Schwellenwert überschreiten oder ihm entsprechen, werden als positiv klassifiziert; andernfalls wird das Ereignis als negativ klassifiziert. Der Klassifikator wird trainiert, indem ein geeigneter Schwellenwert unter Verwendung von Laboraufzeichnungen und Simulationsergebnissen für positive Ereignisse sowie regulären aTL-Betriebsdaten für negative Ereignisse ermittelt wird. Die Schwellenwertoptimierung erfolgt mittels einer globalen Optimierungsmethode [14] unter Verwendung einer Fitnessfunktion, die Fehlklassifizierungen minimiert (0 für korrekte Klassifizierung, +1 für falsche Klassifizierungen) mit einer erhöhten Strafe (+10) für falsch-positive Ergebnisse. Falsch-positive Erkennungen sind zu vermeiden, da sie in realen Szenarien zu weitreichenden Betriebsstörungen führen würden. Für jeden Beschleunigungssensor wurden fünf Klassifikatoren definiert:  Spitze-Spitze-Beschleunigung,  RMS-Beschleunigung,  Frequenzbandbeschleunigung,  Spitze-Spitze-Geschwindigkeit und  RMS-Geschwindigkeit. Schließlich aggregiert ein Ensemble-Klassifikator die Ausgaben der fünf Klassifikatoren mittels Mehrheitsentscheidung, um die Robustheit der Aufprallerkennung zu verbessern. Die Methode erzielte eine Erkennungsrate von 90,09 % bei realen Aufprallereignissen aus dem Labor und von 100 % bei simulierten Aufprallereignissen, ohne dass es zu Fehlalarmen kam. Die Erkennungsfähigkeiten sind in Abdie Wahl der Materialparameter für das in der Bugklappe verwendete Material [13]. Daher werden im Folgenden die durch die Simulationen validierten Materialparameter für die Simulationen der Aufpralltests verwendet. Diese dienen der Verifizierung der experimentellen Aufpralltests. Die Simulationen erfassten das dynamische Verhalten des Aufprallkörpers ausreichend genau, mit nur geringfügigen Abweichungen bei der Amplitude des ersten Peaks. Zudem liegt ein ähnliches Dämpfungsprofil vor [13]. Es zeigte sich, dass die Signale aus den Aufpralltests deutlich verrauschter sind, als die aus den Falltests. Dies erschwert die Beurteilung des genauen Amplitudenunterschieds zwischen Simulationen und Tests. Es ist dennoch hervorzuheben, dass die Amplituden bis zu etwa 1,5 ms ähnlich sind, wie in Abbildung 10 dargestellt. Die festgestellten Abweichungen lassen sich auf die für die Bugklappe verwendeten Modellierungsparameter zurückführen. Frühere Untersuchungen haben gezeigt, dass der Aufprall innerhalb der ersten 0,5 ms stattfindet und abgeschlossen ist. Somit kann die Simulation für den Bereich von 0,5 ms bis einschließlich 1 ms als ausreichend validiert angesehen werden. Dies bestätigt die Zuverlässigkeit des Modells bei der Erfassung des anfänglichen Aufprallverhaltens [13]. Zusammenfassend zeigten die Simulationen der 3-Punkt-Biege-, Fall- und Aufpralltests eine gute Übereinstimmung mit den experimentellen Ergebnissen und bieten eine validierte Grundlage für die weitere Analyse und Vorhersage des mechanischen Verhaltens der Bugklappe unter verschiedenen Belastungs- und Aufprallbedingungen [13]. Ergebnisse Im Folgenden werden die Ergebnisse für die wichtigsten Anwendungsfälle dargestellt: (1) Aufprall- und Überfahrerkennung, (2) zustandsorientierte Instandhaltung und (3) optimierte Fahrzeugkonstruktion. Aufprallerkennung Die Erkennung von Aufprallen an der Fahrzeugfront kann auf der Grundlage von Signalen der Beschleunigungssensoren realisiert werden. Zur Bestimmung der Erkennungsgenauigkeit wurden die Aufprallereignisse aus den Experimenten und den Simulationen mit den Signalen aus dem Abbildung 11: Erkennungsfähigkeiten auf der Grundlage von Simulationen und Experimenten. Sehr leichte Stöße: Vögel, Äste/ kleine Bäume; leichte Stöße: Menschen, Kleintiere; Starke Stöße: große Tiere, große Bäume, Autos; sehr starke Stöße: Lkw, Züge; Überfahren von: starren Objekten mit einer Dicke von 20 mm. 71 Internationales Verkehrswesen (78) 3 |2026 DOI: 10.24053/ IV-78-0045 Zustandsüberwachung Schienenfahrzeuge   TECHNOLOGIE realen Bahnbetrieb zu erkennen und darauf basierend geeignete Maßnahmen zu empfehlen. Dazu waren realistische Kollisionszenarien mit realistischen Kollisionspartnern erforderlich, die im tatsächlichen Bahnbetrieb auftreten könnten oder wahrscheinlich auftreten werden. Zunächst wurden dokumentierte Kollisionsereignisse recherchiert, d. h. Unfallberichte und Medienberichte. Darüber hinaus wurden Interviews mit Instandhaltungsexperten und Lokführern durchgeführt. Auf der Grundlage dokumentierter Kollisionsereignisse wurden Ersatzmodelle typischer Kollisionspartner mit einer maximalen Masse von 1,5 t ausgewählt, um den Rechenaufwand der Finite-Elemente-Methode zu reduzieren. Die simulierten Partner umfassten (1) Lebewesen, dargestellt durch ein Wildschwein (150 kg schwerer Zylinder, 0,37 m × 1,3 m), um häufige Zusammenstöße mit Wildtieren widerzuspiegeln [15]-[17]; (2) Bäume, modelliert als Nadelbaumstämme (665 kg, 0,3 m × 12 m) und Laubbaumstämme (914 kg, 0,3 m × 12 m) und (3) schwere, harte Objekte gemäß DIN EN 15227 [12], dargestellt durch generische Stahlgeometrien - 0,05-t-Würfel (0,3 m Seitenlänge), 0,25-t-Zylinder (0,9 m × 0,6 m) und 1,5-t-Quader (4 m × 1,8 m × 0,55 m). Es wurden fünfzehn Lastfälle simuliert, die in die Kategorien „Lebewesen“, „Bäume“ und „schwere, harte Objekte“ unterteilt wurden. Parameter wie Aufprallgeschwindigkeit (40-160 km/ h), Ausrichtung (quer oder um 30° versetzt) und Aufprallposition (zentriert oder versetzt) wurden systematisch variiert. Der resultierende Datensatz, bestehend aus Sensorsignalen und Strukturzuständen, deckt ein repräsentatives Spektrum relevanter Kollisionsszenarien ab. Die Simulations- und Versuchsergebnisse wurden systematisch in einer Datenbank nach der Größe der wirkenden Kräfte geordnet. Die Schwere der strukturellen Schäden nahm im Allgemeinen proportional zur Aufprallkraft zu. Diese Beziehung gilt jedoch nur, wenn jedes Bauteil einzeln betrachtet wird. Anschließend bewerteten Fachexbildung 11 dargestellt. Die Außenhaut ist in der Lage, je nach Geschwindigkeit leichte bis schwere Aufpralle zu erkennen. Bei höheren Geschwindigkeiten können die tragenden Strukturen und der Kuppler Aufpralle erkennen, während die Außenhaut vollständig beschädigt ist. Überfahrerkennung Zur Erkennung von Überfahrereignissen wurden die Beschleunigungssensoren am Achslager herangezogen. Die Erkennbarkeit eines Rades, das über ein Objekt fährt, ist besonders hoch, wenn das Rad beim Überrollen des Objekts ausreichend angehoben wird, sodass es anschließend wieder auf die Schiene zurückfällt. Die höchsten Amplituden werden nicht durch den unmittelbaren Aufprall auf das Objekt verursacht, sondern dadurch, dass das Rad den Kontakt zur Schienenoberfläche wiederherstellt. Die Unterscheidung zwischen solchen Ereignissen und regulären gleisbedingten Schwingungen hängt weitgehend von der Qualität der Schieneninfrastruktur ab. Auf stark befahrenen Hauptstrecken mit regelmäßig gewarteten, glatten Schienenoberflächen (geringe Rauigkeit im Fahrspiegel) treten deutlich geringere vertikale Beschleunigungen auf, als auf weniger befahrenen Nebenstrecken oder in Rangierbahnhöfen. Für die Detektion wurden zwei Erkennungsalgorithmen entwickelt: ein klassischer und ein auf Deep Learning basierender Ansatz. Es konnte gezeigt werden, dass in einem Rangierbahnhof eine durchschnittliche Erkennungsgenauigkeit von 88,6 % für den klassischen Ansatz und von 99,6 % für den Deep-Learning- Ansatz erreicht werden konnte [11]. Diese Methode stößt jedoch an ihre Grenzen auf Strecken mit geringer Instandhaltung (insbesondere hoher Schienenrauigkeit), hohem Verschleiß oder unebenen Schienenoberflächen. In solchen Fällen können nur sehr große Überfahrereignisse erkannt werden. Generierte Schadensbibliothek und Schadensbewertung Die Simulationen wurden durchgeführt, um Trainingsdaten für einen Algorithmus zu generieren, der darauf ausgelegt ist, Kollisionen und Schäden an der Fahrzeugstruktur im Abbildung 12: Beispiel für eine auf das FE-Modell ausgeübte Kraft und die vom trainierten neuronalen Netzwerk vorhergesagte Kraft. 72 Internationales Verkehrswesen (78) 3 |2026 DOI: 10.24053/ IV-78-0045 TECHNOLOGIE   Zustandsüberwachung Schienenfahrzeuge Zusammenfassung und Ausblick Das KI-MeZIS-Projekt hat gezeigt, wie die Integration fortschrittlicher Sensorsysteme eine KI-basierte Datenanalyse für die Aufprall- und Überfahrerkennung, die zustandsorientierte Instandhaltung sowie die optimierte Fahrzeugkonstruktion bei Schienenfahrzeugen ermöglicht. Durch die Kombination von Feldtests, Laborexperimenten und Simulationen wurde eine umfassende Datenbasis geschaffen, um die vorausschauende Instandhaltung zu unterstützen, die Betriebssicherheit zu erhöhen und Erkenntnisse für eine optimierte Fahrzeugkonstruktion zu liefern. Darüber hinaus legt das Projekt die technologischen Grundlagen für die zukünftige Automatisierung des Schienenverkehrs und die Lebenszyklusoptimierung. Aufbauend auf diesen Ergebnissen werden derzeit weitere Forschungsarbeiten durchgeführt. Im Mittelpunkt dieser künftigen Arbeiten stehen die automatisierte Simulation von Hunderten von Unfallszenarien unter Einbeziehung des Unterfahrschutzes sowie die Entwicklung von Modellen des maschinellen Lernens, die in der Lage sind, sowohl strukturelle Schäden nach einem Aufprall zu quantifizieren als auch diese Bewertung in betriebliche Anweisungen umzusetzen. Das übergeordnete Ziel besteht darin, die Verbindung zwischen der technischen Schadensbewertung und umsetzbaren Instandhaltungsentscheidungen zu stärken und damit auf eine vollständig KI-gesteuerte Entscheidungsunterstützung im Eisenbahnbetrieb hinzuarbeiten. Danksagung Die Autoren danken Michael Rohrschneider und Martin Zeitz (DB) für ihre Unterstützung während der Testläufe sowie für ihre Beiträge zur Systemintegration und Abnahme. Die Betreuung der Systeminstallation im aTL durch Mario Scherbaum (MSG) wird dankbar gewürdigt. Des Weiteren danken die Autoren Jörg Jacobs, Kai Sonnenburg und Florian Hoyer (DB Systemtechnik) für ihre Arbeit an der Konzeption und die Unterstützung bei der Integration. Die wertvollen Beiträge von Carl-Jonas Braun (IMA), Arne Henning, James Bell, Dorothea Schlie (DLR), Matthias Härter (DB InfraGO), Florian Stark, Nikolay Chenkov und Rubens Rossi (IA GmbH) während des gesamten Projekts werden ebenfalls herzlich gewürdigt. perten die resultierenden Schadensmuster und legten für jeden Fall geeignete Betriebs- und Instandhaltungsmaßnahmen fest. Dieser Ansatz ermöglicht die Ableitung von Zusammenhängen zwischen Aufprallkräften, Schweregrad der Schäden und entsprechenden Gegenmaßnahmen und bildet damit eine Grundlage für zukünftige vorausschauende Entscheidungen im realen Betrieb. Optimiertes Fahrzeugdesign und Lastspektren Veraltete Normen führen oft zu überdimensionierten Bauteilen und damit zu einer Erhöhung der Masse. Um moderne Anforderungen an den Leichtbau zu erfüllen, sollten die Bauteile entsprechend den im Betrieb auftretenden Belastungen ausgelegt werden. Dies hat den Vorteil, dass die Bauteile entsprechend der tatsächlichen Belastung ausgelegt werden können, was zu einer Gesamtgewichtsreduzierung führt. Im Rahmen des KI-MeZIS-Projekts wird das installierte Sensorsystem genutzt, um die real auftretenden Belastungen zu ermitteln. Das Hauptziel besteht darin, diese für FE-Simulationen oder Ermüdungsanalysen zu verwenden, da Kräfte die am einfachsten zu definierenden Belastungen in einem FE-Modell sind. Aufgrund nichtlinearer Probleme lassen sich diese jedoch nicht ohne Weiteres aus den Daten der installierten Sensoren bestimmen. Aus diesem Grund wird eine Methode des maschinellen Lernens verwendet, um das inverse Problem zu lösen. Die Sensordaten werden an das neuronale Netzwerk weitergeleitet, das als Ergebnis die Kraft ausgibt. Zum Trainieren des neuronalen Netzwerks wurde ein Code entwickelt, der automatisch eine große Menge an Beschleunigungs-/ Kraft- oder Dehnungs-/ Kraft-Paaren (Patent: 10 2024 100 677.3) [18] aus FE-Simulationen generiert. Auf ein FE-Modell wurde eine Kraft aufgebracht und die strukturellen Reaktionen (Beschleunigung und Dehnung) wurden an den Sensorpositionen erfasst. Abbildung 12 zeigt ein Beispiel für eine auf das FE-Modell aufgebrachte Kraft und die vom trainierten neuronalen Netzwerk vorhergesagte Kraft. Schließlich können die vom neuronalen Netzwerkmodell ausgegebenen Kraftwerte für FE-Simulationen, Konstruktionsoptimierungen und/ oder Ermüdungsanalysen verwendet werden [18]. Um die auf das Schienenfahrzeug einwirkenden, aerodynamischen Kräfte zu berücksichtigen, wurden Windkanaltests im Maßstab 1: 10 und 1: 25 durchgeführt, um die an der Zugspitze angebrachte dynamische Drucksonde zu kalibrieren und den Luftwiderstand, die Seitenkraft und den Auftrieb für den ersten Wagen bei verschiedenen geometrischen Konfigurationen zu ermitteln (vgl. Abbildung 13). Diese korrigierten aerodynamischen Messungen ermöglichten in Kombination mit Oberflächendruckdaten und einer Betriebsdatenbank mit Messungen von Dehnungsmessstreifen und Beschleunigungssensoren eine Lastspektrumanalyse für reale Betriebsbedingungen. Abbildung 13: Windkanalversuche mit einem Modellzug des aTL. 73 Internationales Verkehrswesen (78) 3 |2026 DOI: 10.24053/ IV-78-0045 Zustandsüberwachung Schienenfahrzeuge   TECHNOLOGIE [16] U. Broms and N. Johansson, „Finite element simulation of car impact with moose crash test dummy,“ Master’s thesis, Chalmers University of Technology, Goteborg, Schweden, 2002. [17] M. Gens, „Moose crash test dummy,“ Master’s thesis, Royal Institute of Technology, Stockholm, Schweden, 2001. [18] M. Laporte, R. Winkler-Höhn, J. Bell, A. Buhr, M. Köppel, and M. Härter, „Methode zur Ermittlung von Betriebslasten bei Schienenfahrzeugen mittels KI-Methoden,“ in 20. Internationale Schienenfahrzeugtagung Dresden, 2024. Eingangsabbildung: © Autor: Innen REFERENZEN [1] „Digitale Schiene Deutschland,“ https: / / digitale-schienedeutschland.de/ en, Deutsche Bahn, accessed on October 28, 2025. [2] „advanced Train Lab (aTL),“ https: / / www.deutschebahn.com/ de/ Digitalisierung/ Das-schnellste-Labor-auf-Schienen-6898676, Deutsche Bahn, accessed on October 28, 2025. [3] F. Stoll, N. Nießen, J. Nelles, C. Brandl, A. Mertens, and V. Nitsch, „Auswirkungen der Digitalisierung auf den Eisenbahnbetrieb - Ableitung möglicher Veränderungen für den Triebfahrzeugführer,“ Eisenbahn-Bundesamt, Tech. Rep., 2019. [4] UITP, „World report on metro automation,“ 2018. [5] M. Carter, „Rio tinto gains accreditation for autonomous train operations,“ M. Carter, Rio Tinto gains accreditation for autonomous train operations,“ 08 05 2018. [Online]. Available: https: / / www.railjournal.com/ regions/ australia-nz/ rio-tinto-gains-accreditation-for-autonomous-train-operations/ , accessed: 2023-09- 15. [6] D. Costa and et al., „Impact detection system,“ 2021, u.S. Patent: US 11,052,852 B2. [7] R. Winkler-Höhn, „It is possible to increase the performance of fibre-reinforced composites in rail vehicles! “ in Proceedings of the Fifth International Conference on Railway Technology: Research, Development and Maintenance, J. Pombo, Ed., Montpellier, France, 2023, p. 1-6. [8] H. Dittus, „Energiebedarfs- und Kostenreduktion durch Leichtbau bei Schienenfahrzeugen,“ ZEVRail, vol. 137, pp. 445-453, 2013. [9] J. König, „Leichtbau bei schienenfahrzeuge tut not,“ ZEVRail, vol. 137, no. 6-7, 2013. [10] European Parliament, „The fourth railway package, another step towards a single european railway area,“ Tech. Rep. PE 579.088, March 2016. [11] T. Herrmann, N. Chenkov, F. Stark, M. Härter, and M. Köppel, „Driving-over detection in the railway environment,“ in Proc. of 13th InternationalConference on Industrial Engineering and Applications (Europe), Munich, Germany, January 2025. [12] Deutsches Institut für Normung e.V., Bahnanwendungen - Anforderungen an die Kollisionssicherheit von Schienenfahrzeugkästen, Deutsches Institut für Normung e.V. DIN EN 15 227, 2011. [13] R. Winkler-Höhn, M. Laporte, J. Bell, A. Buhr, and D. Schlie, „KI- MeZIS - KI-Methoden in der Zustandsüberwachung und bedarfsangepassten Instandhaltung von Schienenfahrzeugstrukturen; Teilvorhaben: Ermittlung von repräsentativen Lastkollektiven für die an-forderungsgerechte Auslegung der Schienenfahrzeuge,“Tech. Rep.,2025. [14] R. Feldt, „Blackboxoptim.jl,“ 2023. [15] P. Jumin et al., „Protection of equipment in case of collision against low obstacle, with the problematic of the numerous animal impacts,“ in Protection of equipment in case of collision against low obstacle, with the problematic of the numerous animal impacts, Berlin, 2017. AUTOR: INNEN Tobias Herrmann Niederlassung Berlin Institut für Bahntechnik GmbH Berlin, Deutschland he@bahntechnik.de Maximilian Posner Institut für Maschinenelemente Universität Stuttgart Stuttgart, Deutschland maximilian.posner@ima.uni-stuttgart.de Martin Dazer Institut für Maschinenelemente Universität Stuttgart Stuttgart, Deutschland martin.dazer@ima.uni-stuttgart.de Daniela Lauer DB InfraGO AG Berlin, Deutschland daniela.lauer@deutschebahn.com Robert Winkler-Höhn Institut für Fahrzeugkonzepte Deutsches Zentrum für Luft- und Raumfahrt Stuttgart, Deutschland robert.winkler-hoehn@dlr.de Martin Köppel SIGNON Deutschland GmbH Berlin, Deutschland martin.koeppel@deutschebahn.com. 74 Internationales Verkehrswesen (78) 3 |2026 DOI: 10.24053/ IV-78-0045 TECHNOLOGIE   Zustandsüberwachung Schienenfahrzeuge