Die DB-Strecke 4950 (Heilbronn – Öhringen – Schwäbisch Hall – Crailsheim) ist gegenwärtig zu etwa zwei Drittel elektrifiziert. Auf dem mittleren Teilstück zwischen den Betriebsstellen Öhringen-Cappel (km 90,080) und Schwäbisch Hall-Hessental (km 57,667) existiert nach wie vor auf einer Strecke von rund 32 km keine Fahrleitung. Die vorliegende Studienarbeit hat das Ziel, den gegenwärtigen Zustand des nicht elektrifizierten Streckenabschnitts zu dokumentieren und zu bewerten, an welchen Stellen der Bestandsinfrastruktur für eine Elektrifizierung Anpassungsbedarf besteht. Erforderliche Baumaßnahmen zur Ertüchtigung der Strecke, im Einzelnen zur Herstellung der erforderlichen Lichträume bei Kunstbauten und zur Ertüchtigung des Unterbaus für die Herstellung der Mastfundamente, werden untersucht, bewertet und zweckmäßige Verfahrensweisen vorgeschlagen. Ferner wird der gegenwärtige sowie der für die kommenden Jahrzehnte prognostizierte Verkehrsbedarf (Personen- und Güterverkehr) der Strecke betrachtet, um daraus Vorschläge zum Betriebskonzept und zur Anpassung der Bahnanlagen auf der Strecke Heilbronn – Crailsheim zu machen und um Möglichkeiten zur Kapazitätserweiterung der Strecke in Zukunft offen zu halten.:1. Ausgangssituation und Einführung 2. Betriebskonzepte und Verkehrspolitik auf der Strecke 3. Bewertung des gegenwärtigen Zustands des zu elektrifizierenden Abschnitts 4. Erforderliche Baumaßnahmen 5. Fazit

The optimization of the spinning process and adjustment of the machine settings involve “Trial and Error” method resulting in the wasting of production time and material. This situation becomes worse in the spinning mills where the speed and material changes are frequent. This research includes the use of artificial neural networks to provide the thinking ability to the spinning machines to improve the yarn spinning process. Draw frame, being the central part of the spinning preparation chain and last machine to rectify the variations in the fed slivers is the main focus of the research work. Artificial neural network have been applied to the leveling action point at auto-leveler draw frame and search range of leveling action point has been considerably reduced. Moreover, the sliver and yarn characteristics have been predicted on the basis of draw frame settings using the artificial neural networks. The results of present research work can help the spinning industry in the direction of limiting of “Trial and Error” method, reduction of waste and cutting down the time losses associated with the optimizing of machines. As a vision for the future research work the concept of intelligent spinning machines has also been proposed. / Die Optimierung des Spinnprozesses und die Maschineneinstellung erfolgen häufig mittels „Trial und Error“-Methoden, die mit einem hohen Aufwand an Produktionszeit und Material einhergehen. Diese Situation ist für Spinnereien, in denen häufige Wechsel des eingesetzten Materials oder der Produktionsgeschwindigkeit nötig sind, besonders ungünstig. Die vorliegende Arbeit zeigt das Potenzial Neuronaler Netze, um die Spinnmaschine zum „Denken“ zu befähigen und damit die Garnherstellung effektiver zu machen. Die Strecke ist der zentrale Teil der Spinnereivorbereitungskette und bietet die letzte Möglichkeit, Inhomogenitäten im Faserband zu beseitigen. Der Fokus der Arbeit richtet sich deshalb auf diese Maschine. Künstlich Neuronale Netze werden an der Strecke zur Bestimmung des Regeleinsatzpunktes genutzt, womit eine beträchtliche Reduzierung des Aufwands für die korrekte Festlegung des Regeleinsatzpunkts erreicht wird. Darüber hinaus können mit Hilfe der Neuronalen Netze die Band- und Garneigenschaften auf Basis der Streckeneinstellungen vorausbestimmt werden. Die Resultate der vorliegenden Arbeit machen „Trial und Error“-Methoden überflüssig, reduzieren den Ausschuss und verringern die Zeitverluste bei der Maschinenoptimierung. Als Zukunftsvision wird eine Konzeption für intelligente Spinnmaschinen vorgestellt.

The optimization of the spinning process and adjustment of the machine settings involve “Trial and Error” method resulting in the wasting of production time and material. This situation becomes worse in the spinning mills where the speed and material changes are frequent. This research includes the use of artificial neural networks to provide the thinking ability to the spinning machines to improve the yarn spinning process. Draw frame, being the central part of the spinning preparation chain and last machine to rectify the variations in the fed slivers is the main focus of the research work. Artificial neural network have been applied to the leveling action point at auto-leveler draw frame and search range of leveling action point has been considerably reduced. Moreover, the sliver and yarn characteristics have been predicted on the basis of draw frame settings using the artificial neural networks. The results of present research work can help the spinning industry in the direction of limiting of “Trial and Error” method, reduction of waste and cutting down the time losses associated with the optimizing of machines. As a vision for the future research work the concept of intelligent spinning machines has also been proposed. / Die Optimierung des Spinnprozesses und die Maschineneinstellung erfolgen häufig mittels „Trial und Error“-Methoden, die mit einem hohen Aufwand an Produktionszeit und Material einhergehen. Diese Situation ist für Spinnereien, in denen häufige Wechsel des eingesetzten Materials oder der Produktionsgeschwindigkeit nötig sind, besonders ungünstig. Die vorliegende Arbeit zeigt das Potenzial Neuronaler Netze, um die Spinnmaschine zum „Denken“ zu befähigen und damit die Garnherstellung effektiver zu machen. Die Strecke ist der zentrale Teil der Spinnereivorbereitungskette und bietet die letzte Möglichkeit, Inhomogenitäten im Faserband zu beseitigen. Der Fokus der Arbeit richtet sich deshalb auf diese Maschine. Künstlich Neuronale Netze werden an der Strecke zur Bestimmung des Regeleinsatzpunktes genutzt, womit eine beträchtliche Reduzierung des Aufwands für die korrekte Festlegung des Regeleinsatzpunkts erreicht wird. Darüber hinaus können mit Hilfe der Neuronalen Netze die Band- und Garneigenschaften auf Basis der Streckeneinstellungen vorausbestimmt werden. Die Resultate der vorliegenden Arbeit machen „Trial und Error“-Methoden überflüssig, reduzieren den Ausschuss und verringern die Zeitverluste bei der Maschinenoptimierung. Als Zukunftsvision wird eine Konzeption für intelligente Spinnmaschinen vorgestellt.

Experience and key data suggest that snow and ice lead to increased numbers of cyclist falls during the winter months. Reliable in-depth data concering the extent and characteristics of this issue are currently not available in most countries. In Germany, this is due to the high level of under-reporting in official statistics, particularly for incidents involving only one bicyclist. In combination with the lack of knowledge on exposure this causes difficulties to quantify risks for cyclist falls. This study addresses these gaps. lt aims at quantifying the risk of single bicycle accidents in inclement weather conditions. This study focusses on icy and snowy conditions as these are of relevance for the risk to fall. Cyclists are particularly affected by slippery icy and snowy road conditions; these might exist in clear, cloudy, or foggy weather, in situations with high or low humidity and with higher or lower wind speed. Variables from official weather data are purposefully combined in this study to identify time periods with snow or ice on the roads and to allow for the comparison of those with all other time periods ('other weather''). We address the above-mentioned problems of exposure and underreporting by using multiple data sources for quantifying the risk of falls. This approach allows to compute clear risk ratios for icy/snowy and the other weather conditions and thus contributes to the scarce and fragmented literature that has generated such values so far. [from Background, AIM]