Kommentar von Marc Tesch, LeanBI Wenn Drohnen Brücken inspizieren

Von Marc Tesch Lesedauer: 5 min |

Anbieter zum Thema

Ob Brücken, Tunnel oder Kanäle: Data-Analytics-Lösungen können die Schadenserkennung an Infrastrukturen automatisieren.

Drohnen fliegen in festgelegten Routen um Brücken und fotografieren sie ab.
Drohnen fliegen in festgelegten Routen um Brücken und fotografieren sie ab.
(Bild: LeanBI)

Die Schadenserkennung an Infrastrukturen wie Brücken, Tunneln oder Kanälen auf herkömmlichen Weg ist aufwendig, teuer und sogar gefährlich. Wenn Sachverständige Brücken oder Tunnels vor Ort inspizieren, müssen sie abgesperrt werden. An Brücken kommen die Inspekteure nur mit Hebebühnen oder durch Abseilen heran, was ein Risiko für Leib und Leben mit sich bringt.

Bei der Kanalisation ist es schwierig, den richtigen Zeitpunkt für Instandhaltungsarbeiten zu treffen. Entweder, die Betreiber öffnen Kanäle turnusmäßig und reparieren sie, obwohl es noch gar nicht unbedingt nötig wäre. Oder sie reagieren ad hoc, wenn ein Schaden bereits so groß ist, dass er sich äußerlich bemerkbar macht, weil das Abwasser in die Umgebung und das Grundwasser läuft. Dadurch entstehen oft große Folgeschäden.

Digital Twins ermöglichen virtuelle Schadenserkennung

Abhilfe können moderne optische Verfahren und Data-Analytics-Lösungen schaffen. Mit ihnen lässt sich die Inspektion von Infrastrukturen in einem ersten Schritt digitalisieren und darauf aufbauend in einem zweiten Schritt dann automatisieren.

Die Basis für den ersten Schritt liefern Bilddaten, die mit unterschiedlichen Techniken erfasst werden können. In der Praxis haben sich unter anderem folgende Verfahren bewährt:

  • Laseraufnahmegeräte in Eisenbahntunneln. Sie sind auf Wagen montiert, die auf den Gleisen durch die Tunnel fahren, und tasten in 3D die Wände ab.
  • Panorama-Kameras in der Kanalisation. Sie fahren mit kleinen Robotern durch die Kanäle und nehmen 360-Grad-Bilder der Kanäle auf.
  • Drohnen bei Brücken. Sie fliegen automatisiert in festgelegten Routen um die Brücken und fotografieren sie ab.

Fotogrammetrie-Systeme können aus solchen Aufnahmen dann Digital Twins, also digitale Abbilder der Infrastrukturen erzeugen. Den Ingenieuren stehen 3D-Modelle zur Verfügung, die es ihnen erlauben, sich am Bildschirm virtuell durch die Infrastrukturen zu bewegen und sich hineinzuzoomen. Dadurch können sie Schäden erkennen, ohne dafür vor Ort zu sein. Zudem erhalten sie die Möglichkeit, Veränderungen von Schäden im Lauf der Zeit direkt an den Digital Twins zu begutachten. Daraus entsteht ein erheblicher Mehrwert bei der Schadensanalyse. Die Betreiber der Infrastrukturen können einschätzen, wie schnell sich ein Schaden entwickelt und entscheiden, ob sie sofort eingreifen müssen oder nicht.

Schäden durch Mustererkennung automatisch detektieren

Um die Effizienz der Ingenieure weiter zu erhöhen, lässt sich die Inspektion durch den Einsatz von Deep-Learning-Algorithmen zusätzlich automatisieren. Die Algorithmen analysieren Bilddaten der Infrastrukturen und können durch die Erkennung von Mustern selbstständig Schäden detektieren.

Die Grundlage dafür liefern wiederum die Bilddaten der optischen Aufnahmeverfahren. Da die Deep-Learning-Algorithmen zur Verarbeitung aber 2D-Informationen benötigen, müssen diese Bilddaten zunächst aufbereitet werden. Mithilfe spezieller Softwaretools lassen sich aus den Ursprungsdaten geeignete 2D-Abwicklungen erzeugen. Die von den Algorithmen erkannten Schäden mappen die Systeme dann auf die 3D-Modelle der Infrastrukturen, damit die Ingenieure sie dort begutachten können. Um die Planung der Maßnahmen zu unterstützen, besteht die Möglichkeit, die Schäden direkt in ein BIM-Modell zu exportieren (Building Information Modeling).

Auswahl der Deep-Learning-Modelle ist entscheidend

Für die automatisierte Schadenserkennung müssen die Deep-Learning-Algorithmen zunächst durch Annotation antrainiert werden. Sie erhalten Beispiele für Schäden, etwa Risse, und ermitteln, welche Muster diese Schäden charakterisieren. Den Lerneffekt können sie dann künftig auf neue, ihnen unbekannte Bilddaten anwenden. Dieses initiale Training ist ein entscheidender Erfolgsfaktor und verlangt Fachwissen. Deshalb sollte es immer zusammen mit Ingenieuren stattfinden, die auf Schadenserkennung spezialisiert sind.

Ein weiterer erfolgskritischer Faktor ist die Auswahl der Deep-Learning-Programme. Mit den richtigen Modellen lassen sich Lösungen zur Schadenserkennung nämlich besonders effizient gestalten. So gibt es Deep-Learning-Methoden, die auch mit einer geringen Menge an Trainingsdaten hohe Erkennungsraten ermöglichen. Zudem können die richtigen Modelle die Erkennung von Schäden über verschiedene Grundstrukturen hinweg optimal unterstützen – beispielsweise Risse in Backsteintunneln ebenso wie in Betontunneln. Die Auswahl der Modelle sollte deshalb von erfahrenen Data-Science- und KI-Experten unterstützt werden.

Künstliche Intelligenz kann Ingenieure nicht ersetzen

Grundsätzlich gilt für die automatisierte Schadenserkennung: Sie kann die Arbeit der Ingenieure optimal unterstützen und sehr viel effizienter machen. Sie kann sie aber nicht ersetzen. Trotz gezielter Vortrainings und effizienter Deep-Learning-Methoden können die Systeme nicht jeden Schaden absolut zuverlässig erkennen oder ausschließen. Deswegen haben die Ingenieure auch weiterhin noch eine wichtige Kontrollfunktion.

Jetzt Newsletter abonnieren

Täglich die wichtigsten Infos zu Big Data, Analytics & AI

Mit Klick auf „Newsletter abonnieren“ erkläre ich mich mit der Verarbeitung und Nutzung meiner Daten gemäß Einwilligungserklärung (bitte aufklappen für Details) einverstanden und akzeptiere die Nutzungsbedingungen. Weitere Informationen finde ich in unserer Datenschutzerklärung.

Aufklappen für Details zu Ihrer Einwilligung

Sie müssen die Entscheidungen der Algorithmen überprüfen, gegebenenfalls ergänzen und das Ergebnis ihrer Prüfung auch zurückmelden. Durch diese Praxis sind nicht nur folgenschwere Fehler ausgeschlossen. Es findet auch ein ständiges Nachtrainieren der Algorithmen im laufenden Betrieb statt. Sie werden permanent feinjustiert und können ihre Aufgabe immer besser erfüllen. Wie die Erfahrung zeigt, erreichen Systeme im Produktivbetrieb dadurch Trefferquoten von über 95 Prozent.

Wichtiger Beitrag zu Nachhaltigkeit und Umweltschutz

Mit Data-Analytics-Lösungen können Betreiber Schäden an ihren Infrastrukturen kostengünstiger, schneller und risikoärmer feststellen. Sie können Instandhaltungsarbeiten gezielter planen, dadurch Folgeschäden vermeiden und die Lebensdauer ihrer Infrastrukturen verlängern. Damit leisten sie nicht zuletzt einen wichtigen Beitrag zu Nachhaltigkeit und Umweltschutz. Brücken, Tunnel und Kanäle sind dafür nur einige Beispiele. Die vorhandenen Verfahren und Methoden lassen sich grundsätzlich auf alle Infrastruktur-Elemente anwenden.

Optische Verfahren mit Sensornetzwerken kombinieren

Die optischen Verfahren haben aber auch Grenzen. So ermöglichen sie es beispielsweise nicht, in eine Brücke hineinzusehen, was die Erkennung von Korrosionen und Veränderungen des Betons im Inneren erschwert. Solche Schäden werden derzeit klassischerweise noch durch periodische Deformationsmessungen im Rahmen des Structure Health Monitoring ermitteln. Immer häufiger kommen dafür inzwischen aber auch drahtlose Sensornetzwerke auf Basis von Vibrationssensorik oder Profilscannern zum Einsatz.

Diese Sensornetzwerke werden in Zukunft immer stärker mit den optischen Verfahren kombiniert werden, um die Schadenserkennung weiter zu digitalisieren und zu automatisieren. Eine zentrale Herausforderung stellen dabei die Massendaten der Sensoren dar. Die komplexe Datenbasis darf nicht dazu führen, dass die Resultate der Algorithmen für die Ingenieure undurchschaubar werden. Deshalb benötigen die Lösungen „Explainable AI“: Künstliche Intelligenz, die die Hintergründe ihrer Entscheidungen nachvollziehbar aufzeigt.

Marc Tesch
Marc Tesch ist Inhaber und CEO des Schweizer Data-Science-Spezialisten LeanBI

Bildquelle: Lean BI

(ID:48103760)