A Federal Twin Platform for Structural Health Monitoring Using the Example of Railway

The ageing infrastructure poses significant challenges for maintaining safety, reliability, and efficiency in transportation networks. With many structures surpassing their intended service life, effective monitoring and maintenance strategies have become imperative. This thesis addresses these challenges by exploring the integration of structural health monitoring and digital twin technologies, presenting a conceptual and technical framework for a centralized data and analysis platform tailored to railway infrastructure, with a focus on bridges. The study begins with an in-depth examination of the current state of monitoring practices, including vision-based and vibration-based monitoring techniques and analysis possibilities in form of physics-based and data-driven approaches. These methods are widely employed to assess structural integrity, yet their adoption is hindered by fragmented data sources and the absence of comprehensive systems for combining diverse information types. Complementing this is an exploration of digital twin concepts, which enable the creation of virtual replicas of physical assets. The thesis distinguishes between digital twins and digital shadows, while outlining the requirements for building robust digital twin networks that support real-time monitoring and predictive maintenance. Building on these foundations, this thesis proposes a novel conceptual architecture for a data and analysis platform, the Federal Twin Platform. The platform centralizes data acquisition, ingestion, storage, and analysis, integrating diverse sources such as sensor measurements, images, inspection reports, and digital models. It connects domain-specific digital twins for key components, including bridges, tracks, trains, stations, and entire railway lines, creating a digital twin network that enhances a holistic decision-making and lifecycle management. Employing a microservice architecture, the platform achieves modularity, scalability, and seamless integration with external systems while supporting both data-driven models and physics-based simulations. The technical implementation of the platform is detailed across several layers, including full-stack development, data pipelines, storage solutions, and visualization services. Key contributions include algorithms for automating data processing, such as location-matching uploaded images and sensor data with GPS data and synchronizing sensor streams with structural models. Machine learning and computer vision techniques are applied to tasks like novelty detection, while advanced signal processing methods are utilized to extract meaningful insights from vibration data. This thesis demonstrates that integrating structural health monitoring and digital twin technologies through a centralized platform can transform how ageing infrastructure is monitored and managed. The proposed, implemented, and deployed framework enhances data integration and analysis, and also serves as a foundation for an intelligent and predictive maintenance system. The core innovation of the Federal Twin Platform is its ability to create a network of digital twins that captures the interdependencies between railway assets and enables a holistic view of the infrastructure. Its evaluation using real-world applications leads to a proof of concept, demonstrating its practical viability and effectiveness. The findings contribute to the advancement of the state of the art in infrastructure monitoring and provide practical insights for the design and implementation of future railway management systems.

Die alternde Infrastruktur stellt eine große Herausforderung für die Aufrechterhaltung der Sicherheit, Zuverlässigkeit und Effizienz der Verkehrsnetze dar. Da viele Bauwerke ihre geplante Lebensdauer überschritten haben, sind effektive Überwachungs- und Instandhaltungsstrategien unerlässlich geworden. Die vorliegende Arbeit untersucht die Integration von Structural Health Monitoring mit digitalen Zwillingen als Lösungsansatz für diese Herausforderungen. Basierend auf den gewonnenen Erkenntnissen wird ein konzeptionelles und technisches Rahmenwerk für eine zentralisierte Daten- und Analyseplattform für die Eisenbahninfrastruktur mit Schwerpunkt auf Brücken präsentiert. Die Studie nimmt eine eingehende Untersuchung des Status quo der Überwachungspraktiken vor, wobei bildgebungsbasierte und schwingungsbasierte Überwachungstechniken sowie Analysemöglichkeiten in Form physikbasierter und datengesteuerter Ansätze einbezogen werden. Diese Methoden finden in großem Umfang Anwendung bei der Bewertung der strukturellen Integrität, wenngleich deren Einsatz durch fragmentierte Datenquellen und das Fehlen umfassender Systeme zur Kombination verschiedener Informationsarten behindert wird. Ergänzend dazu werden Konzepte des digitalen Zwillings erforscht, die die Erstellung virtueller Nachbildungen von physischen Objekten ermöglichen. In dieser Arbeit wird zwischen digitalen Zwillingen und digitalen Schatten differenziert. Weiterhin werden die Anforderungen für den Aufbau robuster Netzwerke aus digitalen Zwillingen beschrieben, die Echtzeitüberwachung und vorausschauende Wartung unterstützen können. Aufbauend auf diesen Grundlagen wird eine neue konzeptionelle Architektur für eine Daten- und Analyseplattform, die Federal Twin Platform, vorgeschlagen. Die Plattform zentralisiert die Datenerfassung, -speicherung und -analyse und integriert verschiedene Quellen wie Sensormessungen, Bilder, Inspektionsberichte und digitale Modelle. Sie verbindet domänenspezifische digitale Zwillinge für Schlüsselkomponenten wie Brücken, Gleise, Züge, Bahnhöfe und ganze Bahnstrecken und schafft so ein Netzwerk digitaler Zwillinge, das eine ganzheitliche Entscheidungsfindung und ein Lebenszyklusmanagement ermöglicht. Durch die Verwendung einer Microservice-Architektur erreicht die Plattform Modularität, Skalierbarkeit und nahtlose Integration mit externen Systemen und unterstützt sowohl datengetriebene Modelle als auch physikbasierte Simulationen. Die technische Implementierung der Plattform wird über mehrere Ebenen detailliert beschrieben, einschließlich der Full-Stack-Entwicklung, Datenpipelines, Speicherlösungen und Visualisierungsdienste. Zu den wichtigsten Beiträgen gehören Algorithmen zur Automatisierung der Datenverarbeitung, wie z. B. der Abgleich hochgeladener Bilder und Sensordaten mit GPS-Daten und die Synchronisierung von Sensorströmen mit Strukturmodellen. Techniken des maschinellen Lernens und Sehens werden für Aufgaben wie die Erkennung von Anomalien eingesetzt, während fortschrittliche Signalverarbeitungsmethoden genutzt werden, um aussagekräftige Erkenntnisse aus Schwingungsdaten zu gewinnen. Diese Arbeit zeigt, dass die Integration von Structural Health Monitoring mit digitalen Zwillingen über eine zentralisierte Plattform die Überwachung und das Management alternder Infrastrukturen verbessern kann. Das vorgeschlagene, implementierte und genutzte Framework verbessert die Datenintegration und -analyse und bildet die Grundlage für ein intelligentes und vorausschauendes Instandhaltungssystem. Die Kerninnovation der Federal Twin Platform ist ihre Fähigkeit, ein Netzwerk digitaler Zwillinge zu schaffen, das die Abhängigkeiten zwischen den Eisenbahnanlagen erfasst und eine ganzheitliche Sicht auf die Infrastruktur ermöglicht. Eine Evaluierung anhand realer Anwendungen führt zu einem Proof of Concept, der die Praxistauglichkeit und Effektivität der Plattform demonstriert. Die Ergebnisse tragen zur Weiterentwicklung des Stands der Technik bei der Infrastrukturüberwachung bei und liefern praktische Erkenntnisse für die Gestaltung und Umsetzung künftiger Eisenbahnmanagementsysteme.