Predictive Maintenance am Beispiel des Brückenmonitorings
Ausgangssituation
Es existieren 25.000 Brücken im Bereich von Autobahnen und Kraftfahrzeugstraßen in Deutschland. Davon sind 25 Prozent, also ca. 6.000, in einem maroden Zustand; für 120 Brücken wurde unmittelbarer Handlungsbedarf festgestellt. Vom Bund stehen 1 Mrd. Euro als Sanierungsgelder allein in Nordrhein-Westfalen zur Verfügung. Die Gelder sollen effektiver eingesetzt werden, nicht nur für Reparaturarbeiten, sondern auch zur Prävention.
Lösungsansatz mit PROFI
Die Spezialisten der PROFI forschen an einer Methode, mit der der Zustand von Autobahnbrücken in Echtzeit prognostiziert werden kann. Auf diese Weise lässt sich schneller als bisher erkennen, ob Brücken saniert werden müssen und wenn, bis wann das geschehen muss. Auch sollen die Informationen genutzt werden, um zukünftige Brücken-Neubauten besser planen zu können.
Das Bundesministerium für Verkehr und digitale Infrastruktur unterstützt die umfangreiche Machbarkeitsstudie der geplanten IT-Analytics-Software. Im Mittelpunkt steht die Frage, wie es möglich ist, vorhandene Software-Lösungen so zu nutzen oder weiterzuentwickeln, dass mit vorhandenen Daten zu Bauwerken, deren Umgebung und weiteren Einflussdaten Aussagen zum Bauwerkszustand getroffen werden können.
Ziel der Studie ist es, mit Daten unterschiedlicher Quellen eine Korrelation aller Autobahnbrücken in Deutschland herzustellen. Daraus lässt sich ein Zustandsbericht der Brückenbauwerke in Echtzeit erstellen. Ein mögliches Ergebnis ist dann ein Ranking der notwendigen Bauarbeiten und Instandsetzungen.
Machbarkeitsstudie für das BMVI
Bei der Untersuchung für das BMVI ging es um die Frage, ob die Analyse von Bestandsdaten Einflussfaktoren für das Versagen von Bauteilen aufdecken kann. Die Antwort lautet in diesem Bereich immer wieder: Im Prinzip ja – aber reichen Menge und Qualität der vorhandenen Daten für eine verlässliche Prognose aus?
Die Qualität der Daten lässt sich mit modernen Data-Mining-Werkzeugen prüfen und verbessern, zum Beispiel durch Eliminierung von Ausreißern in Messwerten oder Ergänzung fehlender Werte durch Interpolation. Die für eine Vorhersage erforderliche Datenmenge müssen die verfügbaren Datenquellen liefern. Helfen können in beiden Fällen auch Daten, die durch Textmining-Verfahren aus unstrukturierten Quellen gewonnen werden und dadurch die Datenbasis vergrößern oder Qualitätslücken schließen.
In den vorliegenden Beispielen wurden Daten von ca. 800 Brücken in Nord- und Süddeutschland aus verschiedenen Quellen zusammengeführt, Schlüsselwerte vereinheitlicht, Werte kategorisiert und letztendlich mit verschiedenen Regressionsmodellen, Entscheidungsbäumen und neuronalen Netzen verarbeitet. Ziel war es, die vorher definierte Fragestellung zu beantworten: Wie lange hält das Bauteil, bevor ein Defekt auftritt?
Die Erkenntnisse aus der Studie zum Brückenerhaltungs-Management zeigen: Je mehr valide Daten für eine Analyse bereitgestellt werden können, desto genauer wird das Vorhersagemodell.
Aus der Machbarkeitsstudie für das BMVI:
Von der Problemdefinition über die Modellierungsphase zur Anwendungsphase
Mehrwerte dieser Predictive Maintenance-Lösung
- Bewertung des Gefahrenpotenzials einer Brücke durch Echtzeit-Auswertung von verkehrstechnischen Informationen in Korrelation mit baustatischen Informationen.
- Jederzeit Überblick über das aktuelle Risiko definierter Streckenabschnitte, um ggf. Sperrungen/Umleitungen rechtzeitig zu veranlassen.
- Zielgerichteter Einsatz des begrenzten Budgets gemäß einer objektiven Bewertung des aktuellen Gefahrenpotenzials.
- Proaktive Erkennung von Gefahren und Reduzierung möglicher Betriebsstörungen.
- Enorme Einsparpotentiale bei geplanten Investitionen > Entlastung der Haushalte
