Meettoestel van student helpt treinlawaai in kaart te brengen

Booggeluid

Wie dicht bij een spoorbocht woont, kent het misschien: een trein die voorbijrijdt en plots een hoog, doordringend gepiep veroorzaakt. Dat geluid heet curve squeal, of booggeluid. Het ontstaat wanneer treinwielen door een bocht rijden en door wrijving beginnen te trillen. Voor mijn bachelorproef ontwierp, bouwde en testte ik een betaalbare meetunit die dit geluid automatisch kan herkennen, meten en documenteren. Door te inventariseren en te analyseren waar, wanneer en onder welke omstandigheden booggeluid voorkomt, kan het probleem in de toekomst hopelijk efficiënter aangepakt worden.

Objectiveren

Treinen zijn een duurzaam en efficiënt vervoermiddel, maar dat betekent niet dat ze geen hinder veroorzaken. Vooral in stedelijke omgevingen kan geluidsoverlast een groot probleem zijn. Gewoon treinlawaai klinkt meestal breed en rollend, maar booggeluid is anders. Het is een scherpe, tonale pieptoon die sterk opvalt voor het menselijk oor. Net daardoor kan het voor omwonenden bijzonder storend zijn.

Het probleem is dat zulke klachten niet altijd eenvoudig objectief te bevestigen zijn. Professionele meetapparatuur bestaat, maar is vaak duur en niet altijd praktisch om op meerdere plaatsen langdurig in te zetten. Voor onderzoek is er daarom nood aan een systeem dat betaalbaar, verplaatsbaar en bestand tegen buitenomstandigheden is. Bovendien mag zo’n toestel niet zomaar continu geluidsopnames verzamelen en doorsturen, want dat roept privacyvragen op.

Compacte meetunit

Tijdens mijn Erasmusstage aan Luleå University of Technology in Zweden werkte ik daarom aan een alternatief: een compacte meetunit die naast het spoor geplaatst kan worden en enkel in actie schiet wanneer er een trein passeert. Mijn werk vormde een praktische subtaak binnen het doctoraatsonderzoek van Leevi Toratti naar spoorweggeluid, dat inhoudelijk aansluit bij de Europese EU-Rail-onderzoeksinitiatieven rond stillere en duurzamere spoorinfrastructuur.

De meetunit combineert verschillende functies in één systeem. Een weerbestendige IP-camera detecteert beweging en registreert tegelijk geluid. Een computer verwerkt de data lokaal. Een 4G-router zorgt voor communicatie en GPS-informatie. Daarnaast meet een sensor de temperatuur en luchtvochtigheid, omdat weersomstandigheden een invloed kunnen hebben op geluid en op de interactie tussen wiel en spoor.

Zuinig

Belangrijk is dat het systeem niet voortdurend alles opslaat. De camera kijkt of er beweging is bij het spoor. Wanneer een trein wordt gedetecteerd, krijgt de computer een signaal. Vervolgens bewaart het systeem een kort geluidsfragment van net vóór en net na dat moment. Zo wordt de volledige passage meegenomen, zonder dat er permanent ruwe audio moet worden opgeslagen. Dat maakt het systeem zuiniger met opslagruimte, mobiel dataverkeer en privacy.

Daarna analyseert de software het geluid lokaal. Een gewone geluidsmeting is daarvoor niet genoeg. Een luide trein is immers niet automatisch een piepende trein. Daarom kijkt het algoritme vooral naar de frequentie-inhoud van het geluid. Booggeluid bestaat meestal uit smalle, duidelijke toonpieken. De software zoekt dus niet alleen naar “veel lawaai”, maar naar het specifieke akoestische patroon dat bij curve squeal hoort.

Machine learning

Voor die herkenning gebruikte ik een lichtgewicht machinelearningmodel. Eerst wordt het audiosignaal opgesplitst in kleine tijdvensters. Daarna worden kenmerken berekend, zoals de dominante toonfrequentie, hoe duidelijk die toon boven de rest van het geluid uitkomt en hoe lang het tonale gedrag aanhoudt. Die kenmerken worden vervolgens gebruikt om het fragment te classificeren als “squeal” of “non-squeal”.

Het algoritme werd getest op een gelabelde dataset van 2.000 audiobestanden: 1.000 voorbeelden met booggeluid en 1.000 zonder. Op de testset behaalde het model een nauwkeurigheid van 85,25 procent. Vooral de hoge recall van 94,50 procent was belangrijk: het systeem herkende de meeste echte squealfragmenten. De specificiteit lag lager, op 76 procent, wat betekent dat sommige niet-squealfragmenten toch als verdacht werden aangeduid. Voor een eerste screeningssysteem is dat aanvaardbaar, omdat het minder erg is om een extra fragment te controleren dan om een echt piepgeluid volledig te missen.

Testen maar

Naast het algoritme werd ook het volledige meetsysteem in het veld getest. De meetunit werd geplaatst bij Sunderby Sjukhus, een station in de buurt van Luleå. Daar registreerde het systeem treinpassages, verzamelde het GPS- en omgevingsdata en voerde het de geluidsanalyse lokaal uit. Tijdens de veldvalidatie werden zowel echte treinpassages als metingen met gesimuleerd squealgeluid geëvalueerd. Het systeem slaagde erin deze gevallen correct te classificeren, wat aantoont dat de combinatie van detectie, gegevensverwerking en automatische herkenning in de praktijk werkt.

Tijdens de praktijktesten kwamen echter ook enkele technische aandachtspunten aan het licht. Zo bleek dat de microfooninstelling moest worden aangepast, omdat het geluid van passerende treinen op korte afstand te sterk was en het signaal kon oversturen. Na aanpassing en kalibratie kon het systeem wel betrouwbare geluidsniveaus berekenen.

Betaalbaar proof of concept

Een belangrijke voorwaarde was dat het systeem betaalbaar moest blijven. De afgesproken limiet bedroeg 10.000 Zweedse kronen (= ca. 900 euro) per meetunit. De uiteindelijke hardwarekost kwam uit op 7.580 kronen (= ca. 672 euro). Daarmee bleef het prototype ruim onder het voorziene budget. Dat is belangrijk, omdat het systeem pas echt nuttig wordt wanneer het op meerdere locaties kan worden ingezet.

Het resultaat van mijn bachelorproef is dus geen afgewerkt commercieel product, maar wel een werkend proof of concept. Het toont aan dat een betaalbaar, autonoom en privacybewust meetsysteem voor booggeluid technisch haalbaar is. Het systeem detecteert treinpassages, verwerkt geluid lokaal, koppelt de meting aan contextinformatie en stuurt enkel relevante resultaten door.

Coming up next

Na mijn bachelorproef ben ik aan Luleå University of Technology gebleven om er de master Maintenance Engineering te volgen. Daarnaast werd ik door de universiteit aangeworven om het project verder te ontwikkelen en de meetunit op te schalen naar meerdere meetunits die daadwerkelijk voor onderzoek zullen worden ingezet. De eerste test van deze uitgebreidere opstelling zal plaatsvinden in Ystad, in het zuiden van Zweden. Ook in België is er interesse ontstaan: Infrabel staat open voor toekomstige tests van het systeem bij Belgische spoorwegen. Wat begon als een zelfgebouwde meetunit naast het spoor, krijgt zo een vervolg in een groter internationaal onderzoeksproject en kan op termijn bijdragen aan het beter zichtbaar en meetbaar maken van een herkenbaar maar moeilijk te objectiveren probleem.