Predictive Maintenance – Vorhersage des Fahrbahnzustandes der A70
ein Supper & Supper Use Case
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.
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.
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.
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.
Kategorie
→ GEO AI
→ Infrastructure
→ Predictive Maintenance
→ Spatial temporal Analysis
Technologien
Deep Learning
LSTM-CNN
