Strukturelle Zustandsüberwachung von Eisenbahnbrücken mit rauscharmen MEMS-Beschleunigungssensoren
Daniel Colmenares & Gabriel Antonio del Pozo Alarcón
Norwegian University of Science and Technology
July 1, 2026
Europas alternde Eisenbahnbrücken erfordern eine zuverlässige Überwachung, um frühe Anzeichen struktureller Schäden zu erkennen. An der Hell-Brücke (Hell Bridge Test Arena, HBTA) in Norwegen verglichen Forschende herkömmliche Beschleunigungssensoren mit der rauscharmen MEMS-Technologie von Dewesoft, um zu bewerten, in welchem Maße eine höhere Sensorqualität die schwingungsbasierte strukturelle Zustandsüberwachung und die auf maschinellem Lernen basierende Schadenserkennung verbessert.
Einleitung
Im Rahmen dieser Studie wurden verschiedene Beschleunigungssensoren mithilfe einer Analyse des Leistungsdichtespektrums (Power Spectral Density, PSD) verglichen, um zu bewerten, inwiefern rauscharme Beschleunigungssensoren die Bestimmung strukturdynamischer Eigenschaften für die Schadenserkennung und Langzeitüberwachung beeinflussen.
Die Studie umfasste ein Finite-Elemente-Modell (FE-Modell) der Brücke, eine Bewertung des bestehenden Messsystems, einen Vergleich mit Messgeräten von Dewesoft sowie einen Entwurf für ein vollständiges Dewesoft-System zur strukturellen Zustandsüberwachung (Structural Health Monitoring, SHM).
Die Untersuchung verdeutlicht die Vorteile der verteilten Messarchitektur von Dewesoft für Langzeitüberwachungsanwendungen, einschließlich einer schnelleren Installation, eines geringeren Verkabelungsaufwands, einer höheren elektromagnetischen Störfestigkeit, niedrigerer Implementierungskosten und kürzerer Betriebsunterbrechungen der Infrastruktur. Bei Dewesoft-Überwachungssystemen können Stromversorgung, Signalübertragung und Synchronisation über ein einziges Kabel erfolgen, was den Einsatz an großen Bauwerken wesentlich vereinfacht.
Warum alternde Eisenbahnbrücken kontinuierlich überwacht werden müssen
Ein erheblicher Teil der europäischen Verkehrsinfrastruktur nähert sich dem Ende seiner ursprünglich vorgesehenen Nutzungsdauer oder hat diese bereits überschritten. Eine kontinuierliche Überwachung ist daher von entscheidender Bedeutung, um ihre Sicherheit und Funktionsfähigkeit zu gewährleisten. Wie aus Abb. 1 für Norwegen ersichtlich, wurde ein großer Teil der Stahl- und Steinbrücken vor 1960 errichtet, und einige sind bereits seit mehr als einem Jahrhundert in Betrieb.
Die Europäische Kommission berichtet, dass viele Brücken in der EU mit ähnlichen altersbedingten Herausforderungen konfrontiert sind, die durch zunehmende Verkehrsbelastungen, Umwelteinflüsse und sich wandelnde Sicherheitsanforderungen zusätzlich verschärft werden (Olofsson et al., 2005).
Diese Bedingungen erhöhen das Risiko einer strukturellen Degradation und unterstreichen den Bedarf an fortschrittlichen Sensortechnologien, die in der Lage sind, kontinuierlich hochauflösende Daten zu liefern. Solche Systeme können die frühzeitige Erkennung von Anomalien ermöglichen und damit Strategien der prädiktiven Instandhaltung unterstützen, die die Nutzungsdauer verlängern und die Zahl ungeplanter Sperrungen reduzieren.
Die Hell-Brücke – Benchmark für reale Eisenbahnbrücken
Bei der Hell-Brücke (Abb. 2) handelt es sich um eine genietete Stahlfachwerkbrücke, die zwischen 1902 und 1905 errichtet wurde.
Die Brücke ist seit 2016 außer Betrieb. Vorher war sie Teil der Bahnstrecke Hell–Sunnan und führte am Bahnhof der etwa 30 km östlich von Trondheim gelegenen Ortschaft Hell über die Steinkjerelva.
Die Brücke ist 35 m lang und 4,5 m breit und ruht an beiden Flussufern auf Betonfundamenten.
Wie in Abb. 3 dargestellt, besteht das Tragwerk der Brücke aus zwei seitlichen Fachwerkkonstruktionen, dem Brückendeck und einem darunter angeordneten Horizontalverband. Im Jahr 2020 spielte die Brücke eine zentrale Rolle in einer groß angelegten experimentellen Benchmark-Studie (Svendsen et al., 2024).
Die Forschenden erzeugten gezielt verschiedene Schadensszenarien und überwachten dabei kontinuierlich das Verhalten des Tragwerks. Abb. 4 bietet einen Überblick über Art und Lage der gezielt eingebrachten Schäden (DS 1 bis DS 8). Untersucht wurden vier Schadenskategorien:
Schäden an den Verbindungen zwischen Längs- und Bodenträgern
Entfernung von Querträgern zwischen den Längsträgern
Schäden an den Verbindungen im Horizontalverband
Schäden an den Verbindungen zwischen Bodenträgern und tragenden Bauteilen
Diese Schadensarten – und insbesondere ermüdungsbedingte Schäden am und unterhalb des Brückendecks – werden in der Fachliteratur besonders häufig beschrieben. Zugleich zählen sie bei dem in der Studie untersuchten Brückentyp zu den schwerwiegendsten und relevantesten Schadensformen.
Finite-Elemente-Analyse der Brücke
Das Finite-Elemente-Modell (FE-Modell) wurde in ABAQUS anhand von Daten aus Inspektionen vor Ort und technischen Zeichnungen erstellt. Um eine präzise Schadenserkennung zu ermöglichen, bildet es neben den wesentlichen Tragwerkskomponenten der Brücke – den seitlichen Fachwerkkonstruktionen, dem Brückendeck und dem darunter angeordneten Horizontalverband – auch die sekundäre Tragstruktur des Brückendecks ab.
Weitere sekundäre und nichttragende Elemente wurden als Punktmassen auf dem Brückendeck abgebildet, um eine realistische Massenverteilung zu erzielen. Für die Modellierung wurden Balkenelemente verwendet. Ein Ende der Brücke wurde als Festlager modelliert, das keine Verschiebungen in globaler x-, y- und z-Richtung zulässt. Das gegenüberliegende Ende wurde als Loslager modelliert; dort wurde die Verschiebung in globaler x-Richtung mithilfe von Federelementen teilweise und in globaler y- und z-Richtung vollständig eingeschränkt.
Abb. 5 zeigt das auf dieser Grundlage erstellte FE-Modell der Brücke.
Experimenteller Messaufbau
Zur Bewertung der Leistungsfähigkeit des bestehenden Systems zur strukturellen Zustandsüberwachung wurden Messdaten von Beschleunigungssensoren erfasst, die in lokalen und globalen Sensorkonfigurationen installiert waren.
Bestehendes Messsystem
Zur Erfassung der Beschleunigungsdaten von zwei an der Brücke installierten Sensorgruppen wurde ein Datenerfassungssystem von National Instruments eingesetzt:
Sensorgruppe 1 (SG1) bestand aus Beschleunigungssensoren des Typs Dytran 3055D3, die die lokale vertikale Schwingungsantwort des Brückendecks in globaler z-Richtung erfassten.
Sensorgruppe 2 (SG2) umfasste Beschleunigungssensoren der Typen Dytran 3583BT und Dytran 3233A, mit denen die globale Schwingungsantwort der Brücke in seitlicher und vertikaler Richtung, also in globaler y- und z-Richtung, erfasst wurde.
Die Daten wurden mit einer Abtastrate von 400 Hz aufgezeichnet. Vor der Analyse wurden die Signale trendbereinigt, tiefpassgefiltert und auf 100 Hz herunterabgetastet. Abb. 6 zeigt den Instrumentierungsplan.
Messsystem IOLITEi 3xMEMS von Dewesoft
Die IOLITE-3xMEMS-Sensoren sind leistungsfähige Beschleunigungssensoren mit Schutzart IP67 und Teil einer Reihe von Datenerfassungsgeräten. Sie verfügen über einen integrierten rauscharmen triaxialen MEMS-Beschleunigungssensor, einen Analog-Digital-Wandler und eine EtherCAT-Schnittstelle auf Basis der Datenerfassungsgeräteplattform IOLITE Modular.
Die IOLITEi 3xMEMS Sensoren können den Gleichanteil des Beschleunigungsfeldes (Erdbeschleunigung) messen und quasistatische Beschleunigungen bis hinunter zu 0 Hz erfassen. Die IOLITEi-3xMEMS-ACC-Module von Dewesoft zeichnen sich durch sehr geringes Rauschen aus.
Die bereits geringe spektrale Rauschdichte von 25 µg/√Hz beim IOLITEi 3xMEMS-ACC wird vom IOLITEi 3xMEMS-ACC-S mit außergewöhnlich niedrigen 0,7 µg/√Hz noch deutlich unterschritten. Dieser Wert ist mit dem Rauschpegel der besten auf dem Markt verfügbaren Force-Balance-Beschleunigungssensoren vergleichbar. Das Gehäuse mit Schutzart IP67 ist für alle Ausführungen erhältlich; die Geräte können in einem breiten Temperaturbereich von −50 °C bis +65 °C betrieben werden.
EtherCAT-Messketten mit in Reihe verbundenen Sensoren
Die IOLITE 3xMEMS arbeiten über EtherCAT und werden zwischen den einzelnen Geräten auf 1 μs genau synchronisiert. Diese exakte Synchronisation ist entscheidend bei der Durchführung von Betriebsmodalanalysen, um die Strukturdynamik – einschließlich der Eigenfrequenzen, Modenformen und Dämpfungsverhältnisse – zu untersuchen.
Mehrere Geräte können über große Strukturen verteilt und über ein einziges kostengünstiges CAT6-Kabel synchronisiert werden. Die Geräte werden in Reihe verbunden, wobei Abstände von bis zu 100 m zwischen den Knoten möglich sind.
Zur Verbindung kann ein handelsübliches geschirmtes Ethernet-Kabel verwendet werden, sofern es die erforderlichen Spezifikationen erfüllt: S/FTP, CAT5e oder höher, vier verdrillte Adernpaare sowie Adern mit einer Stärke von 24 AWG oder dicker. Dieser Aufbau vereinfacht die Installation und gewährleistet zugleich eine zuverlässige Kommunikation und Synchronisation entlang der gesamten Messkette.
Zur Zusammenführung des EtherCAT-Signals und der Stromversorgung auf ein gemeinsames Kabel wird ein passiver Power-over-Ethernet-Injektor eingesetzt. Der IOLITE®-Power-Injektor ist ein Industriemodell mit integriertem elektronischen Burst- und Überspannungsschutz. Abb. 8 zeigt eine typische Hardwarekonfiguration.
Mit einem einzigen CAT6-Kabel lassen sich große Entfernungen überbrücken: Die maximale Distanz zwischen zwei Knoten beträgt 100 m und kann mithilfe eines IOLITE-Repeaters sogar auf bis zu 200 m erweitert werden (siehe Abb. 9 und 10).
Durch den Einsatz eines Power-over-Ethernet-EtherCAT-Switches lässt sich schließlich auch eine Sternkonfiguration realisieren, in der mehrere EtherCAT-Messketten auf 1 µs genau synchronisiert werden (siehe Abb. 11).
Zusätzlich kann problemlos ein weiterer Beckhoff-Switch in Reihe verbunden werden, sodass das Dewesoft-System auch komplexere Konfigurationen unterstützt.
Integration von Beschleunigungs-, Dehnungs-, Temperatur- und Wegsensoren
Das Dewesoft-System umfasst den IOLITE 1xSTG, einen einkanaligen DMS-Verstärker mit integrierten Viertel-, Halb- und Vollbrückenkonfigurationen, der eine rauscharme Spannungs- und Stromspeisung mit frei einstellbaren Pegeln bietet. Die Eingangsbereiche reichen von 50 V bis hinunter zu 100 mV. Die Daten werden über EtherCAT an einen PC übertragen, sodass mehrere verschiedene Sensortypen in dieselbe Messkette integriert werden können (siehe Abb. 12).
Vereinfachte Installation mit einem einzigen Kabel für Daten, Stromversorgung und Synchronisation
Das Dewesoft-System vereinfacht die Installation, da über das EtherCAT-Kabel mehrere Sensoren und Verstärker in derselben Messkette verbunden werden können. Stromversorgung, Signalübertragung und Synchronisation erfolgen dabei über ein einziges Kabel (siehe Abb. 13).
Während bei zentralisierten Systemen jeder Sensorkanal ein eigenes analoges Kabel benötigt, das zudem anfälliger für elektromagnetische Störungen ist (siehe Abb. 14), reduziert das Dewesoft-System den erforderlichen Verkabelungsaufwand erheblich.
Vorteile des Dewesoft-Systems für die Brückenüberwachung
Das Dewesoft-System bietet zahlreiche Vorteile:
Minimierter Verkabelungsaufwand (geringere Kosten)
Reduzierte Installationszeit (geringere Kosten für den Systemintegrator, weniger Beeinträchtigungen für den Eigentümer der Infrastruktur)
Verkürzte Verkehrsunterbrechungen (geringere Kosten für Eigentümer und Betreiber der Infrastruktur)
Hohe elektromagnetische Störfestigkeit (hochwertige Signale selbst in der Nähe von Stromleitungen, wie z. B. bei Eisenbahnbrücken)
Hohe Erweiterbarkeit des Systems
Mikrosekundengenaue Synchronisation
Integration unterschiedlichster Sensoren
Cloud-Funktionalität zur Datenspeicherung auf Servern und Darstellung in Dashboards
Alarm- und Triggersysteme für Frühwarnungen, optimierte Datenspeicherung und mathematische Kanäle
Hohe Zuverlässigkeit bei gleichzeitiger Integration und Synchronisation von mehr als 100 Sensoren
Abb. 15 zeigt einen Konfigurationsvorschlag für ein Dewesoft-Messsystem für die Hell-Brücke. Mit wenigen EtherCAT-Messketten können verschiedene Sensortypen integriert und synchronisiert werden, wodurch sich die Installationszeit, der Verkabelungsaufwand sowie die Anfälligkeit für elektromagnetische Störungen erheblich reduzieren lassen.
Schnelle Signalanalyse in DewesoftX
Die Datenerfassungssoftware DewesoftX ermöglicht die unmittelbare Datenanalyse nach der Messung. In diesem Fall wurde zur schnellen Überprüfung der Datenqualität eine Analyse des Leistungsdichtespektrums (Power Spectral Density, PSD) durchgeführt (siehe Abb. 16).
Das PSD wurde unter Verwendung eines Hann-Fensters mit 90 % Überlappung und Mittelwertbildung berechnet. Dies ermöglichte die effiziente Beurteilung der wesentlichen Frequenzanteile und der Signalqualität.
Maschinelles Lernen zur Schadenserkennung unter Umgebungsanregung
Eine der größten Herausforderungen bei der schwingungsbasierten strukturellen Zustandsüberwachung ist die Umwelt- und Betriebsvariabilität (Environmental and Operational Variability, EOV). Änderungen von Temperatur, Luftfeuchtigkeit, Wind und Betriebsbelastung können tatsächliche Schadensmerkmale überdecken oder Veränderungen hervorrufen, die wie Schäden erscheinen. Ein bekanntes Beispiel ist der Fall der I-40-Brücke über den Rio Grande in New Mexico (USA), bei dem Temperatureinflüsse auf die Eigenfrequenzen tatsächliche strukturelle Schäden überdeckten.
Eine Möglichkeit, den EOV-Einfluss zu reduzieren, besteht darin, die Struktur unter möglichst gleichbleibenden Belastungsbedingungen zu überwachen. Meixedo et al. (2021) zeigten, dass reproduzierbare Referenzüberfahrten von Zügen dazu beitragen können, die durch wechselnde Verkehrs- und Betriebsbedingungen verursachte Variabilität zu verringern. Durch die Konzentration auf reproduzierbare Ereignisse lässt sich ein anomales Tragwerksverhalten leichter von normalen Schwankungen in den Daten unterscheiden.
An der Hell-Brücke lässt sich ein ähnlicher Ansatz anwenden, indem Daten aus bestimmten Zeitfenstern mit geringer Aktivität (beispielsweise zwischen 2:00 und 5:00 Uhr) analysiert werden, während derer der Wind mit hoher Wahrscheinlichkeit die wichtigste Anregungsquelle darstellt. Unter diesen Bedingungen ist für die Erfassung hochwertiger Schwingungsdaten der Einsatz rauscharmer Sensoren unerlässlich.
Zur Bewertung dieses Ansatzes verglichen wir den Rauschboden der installierten Sensoren mit dem eines neuen, für hohe Empfindlichkeit und sehr geringes Eigenrauschen ausgelegten Dewesoft-Sensors, der am Bodenträger 4 in unmittelbarer Nähe der nördlichen Fachwerkkonstruktion installiert wurde (siehe Abb. 17 unten).
Der Vergleich erfolgte anhand der Leistungsdichtespektren der vom Dewesoft-Sensor und den genannten Sensoren erfassten Daten (siehe Abb. 18).
Wenn hochwertige Schwingungsdaten mit rauscharmen Sensoren erfasst, die Umwelt- und Betriebsvariabilität angemessen berücksichtigt und fortschrittliche Verfahren des maschinellen Lernens eingesetzt werden, lassen sich tatsächliche strukturelle Schäden von natürlichen Schwankungen unterscheiden.
Abb. 19 veranschaulicht, dass präzise Messungen in Verbindung mit fortschrittlichen Algorithmen eine zuverlässige Schadenserkennung an Brücken ermöglichen. Der Ansatz beginnt mit der Modellierung von Beschleunigungsdaten mithilfe autoregressiver Modelle, die das dynamische Verhalten der Brücke in einem kompakten Satz von Koeffizienten abbilden.
Anschließend verglichen wir diese Beschleunigungsdaten paarweise anhand des quadrierten Mahalanobis-Abstands (Mahalanobis Squared Distance, MSD), einer statistischen Kennzahl, die sowohl die Lage der Datenpunkte im Merkmalsraum als auch die Korrelationen zwischen den Merkmalen berücksichtigt.
Die daraus resultierende Abstandsmatrix (siehe Abb. 19) wurde mit HDBSCAN (Hierarchical Density-Based Spatial Clustering of Applications with Noise) verarbeitet. Dieser Clustering-Algorithmus gruppiert ähnliche Muster automatisch; auf dieser Grundlage werden sie dann als „normal“, „Ausreißer“ oder „potenziell geschädigt“ eingeordnet.
Bei Anwendung auf die Hell-Brücke, deren tatsächlicher Zustand bekannt ist, trennte das Verfahren ungeschädigte und geschädigte Zustände erfolgreich voneinander. In Abb. 20 entsprechen alle Stichproben rechts der roten gestrichelten Linie einem geschädigten Zustand und wurden korrekt eingeordnet.
Fazit
Die Überwachung der Hell-Brücke verdeutlicht die Bedeutung der Sensorqualität und fortschrittlicher Sensortechnologie für die schwingungsbasierte strukturelle Zustandsüberwachung.
Nach der Beschreibung der Brücke, ihres Finite-Elemente-Modells und der experimentellen Messkampagne verglichen wir die Messdaten der bereits zuvor installierten Beschleunigungssensoren mit denen der IOLITEi-3xMEMS-Sensoren von Dewesoft. Die Ergebnisse zeigten, dass ein niedriger Rauschboden für die Erfassung hochwertiger Schwingungsdaten entscheidend ist, insbesondere unter dem Einfluss der Umwelt- und Betriebsvariabilität, die zu den größten Herausforderungen bei der strukturellen Zustandsüberwachung zählt.
Durch die Kombination rauscharmer Messungen mit fortgeschrittenen statistischen Modellierungsverfahren und Methoden des maschinellen Lernens lassen sich strukturelle Schäden von natürlichen Schwankungen unterscheiden, wobei ausschließlich durch Umwelteinflüsse wie Wind angeregte Schwingungen ausgewertet werden.
Der äußerst niedrige Rauschboden der Dewesoft-Sensoren trägt zusammen mit ihrer einfachen Installation und präzisen Synchronisation dazu bei, die hohen Anforderungen an Brückenüberwachungsanwendungen zu erfüllen. Damit eignet sich die Sensortechnologie von Dewesoft gut für robuste, skalierbare und kosteneffiziente Überwachungslösungen für alternde Brückeninfrastruktur.
Referenzen
I. Olofsson et al., “Assessment of European railway bridges for future traffic demands and longer lives – EC project ‘Sustainable Bridges,’” Struct. Infrastruct. Eng., vol. 1, no. 2, pp. 93–100, 2005, doi: 10.1080/15732470412331289396.
Frøseth, G. T., NTNU. (2019). Load model of historic traffic for fatigue life estimation of Norwegian railway bridges: Vol. 2019:73. NTNU, Faculty of Engineering, Department of Structural Engineering.
Farrar, C.R. and Worden, K. (2012). Structural Health Monitoring: A Machine Learning Perspective. John Wiley & Sons, Hoboken.
Svendsen, B. T., Frøseth, G. T., Øiseth, O., & Anders, R. (2025). A data set from an extensive experimental benchmark study of the Hell Bridge Test Arena subject to imposed damage [Data set]. Zenodo.
Del Pozo, G. A., Svendsen, B. T., & Øiseth, O. (2023). Implementation of decision analysis on a structural health monitoring system applied to a bridge benchmark study. Structural Health Monitoring 2023.
A. Meixedo, J. Santos, D. Ribeiro, R. Calçada, and M. D. Todd, “Damage detection in railway bridges using traffic-induced dynamic responses,” Eng. Struct., vol. 238, no. March 2021, doi: 10.1016/j.engstruct.2021.112189.