Project Description

Predictive Maintenance – Vorhersage des Fahrbahnzustandes der A70 und Visualisierung in ArcGIS

Projektziel

Für einen Straßenbaulastträger ist es unerlässlich, Maßnahmen zur Erhaltung der Infrastruktur anhand des jeweiligen Fahrbahn- und Bauwerkszustandes sowie deren Entwicklung zu planen. Genaue Vorhersageresultate können zu einem eine Hilfestellung bei der Kosteneffizienz der Erhaltung sein. Zum anderen kann der Gesamtentwicklung der öffentlichen Infrastruktur besser überwacht werden.

Ziel des Projektes war es, eine Lösung mit künstlicher Intelligenz zu entwickeln, welche den Zustand der Fahrbahnen mit Hilfe eines neuronalen Netzes auf 4 verschiedenen Variablen vorherzusagen: Allgemeine Unebenheiten, Längstebenheitswirkindex, Griffigkeit bei einer Messgeschwindigkeit 80 km/h und das Schadensniveau der Fahrbahn durch Rissbildung.

Datensätze

Das Bayerische Staatsministerium für Wohnen, Bauen und Verkehr hat historische Fahrbahnzu-standsdaten der A70 (Schweinfurt, Bamberg, Bayreuth) aus den Jahren 2009, 2013 und 2017 zur Verfügung gestellt. Darüber hinaus wurden die Verkehrsdichtedaten der A70 für die Jahre 2005, 2010 und 2015 zur Verfügung gestellt.

Herausforderungen und Lösungen

Die bereitgestellten Daten wurden zu drei verschiedenen Zeitpunkten erfasst, woraus sich in der Zusammenführung ein erheblicher Anteil an fehlenden Werten ergab.

Zunächst wurden die Verkehrsdichtedaten mit den Autobahnzustandsdaten zusammengeführt und Variablen mit >50% Fehlwerten wurden aus dem nachgelagerten Modellierungsprozess ausgeschlossen. Um die Anforderung neuronaler Netze zu erfüllen sollten fehlende Werte vor der Modellierung imputiert werden. Es wurden 4 Vorhersagemodelle verglichen: Neuronales Netz, LSTM (Long-Short-Term-Memory), CNN (Convolutional Neural Network) und das kombinierte Modell aus LSTM + CNN. Das R2 des kombinierte Modells aus LSTM + CNN hat insgesamt die besten Vorhersageergebnisse geliefert.

Projektergebnis

Das kombinierte Modell aus LSTM + CNN wurde erfolgreich eingesetzt, um die Fahrbahnzustandsvariablen mit einer Genauigkeit von 60% bei R-squared vorherzusagen. Diese Vorhersage wurde in ArcGIS visualisiert und zeigt den Grad des Straßenzustandes.

Predictive Maintenance
Predictive Maintenance Supper & Supper A70

Kategorie

GEO AI
Infrastructure
Predictive Maintenance
Spatial temporal Analysis

Technologien

Deep Learning
LSTM-CNN

Download

Social Sharing

Die Einbeziehung Künstlicher Intelligenz in die Analyse von Geodaten ermöglicht es uns, Managementprozesse zielgerichtet und effizient zu gestalten. Hier eröffnet die enge Zusammenarbeit mit leistungsfähigen Partnern aus dem Bereich der Datenanalyse völlig neue Wege. Sie schafft neue Erkenntnisebenen, die potentielle Projektrisiken mindern und die Wirtschaftlichkeit in der Projektaussteuerung weiter vorantreiben.

Roland Degelmann
Leiter Digitalisierung
Bayerisches Staatsministerium für Wohnen, Bau und Verkehr

Kategorie

GEO AI
Infrastructure
Predictive Maintenance
Spatial temporal Analysis

Technologien

Deep Learning
LSTM-CNN

Download

Social Sharing

Weitere Use Cases dieser Kategorie

Alle Use Cases im Überblick

Kontakt

Stefanie Supper
CEO