clarifydata.Projekt: Predictive Maintenance im Straßenbau. Wenn Computer die Reifen am rollen halten



Die neueste Ausgabe des ForeSite Magazins von STRABAG ist erschienen. In ihr befindet sich ein Bericht über die Zusammenarbeit zwischen clarifydata und dem Straßenbauunternehmen. Hier folgt eine kleine Zusammenfassung unserer Kooperation zum Thema Predictive Maintenance von Autobahnen.


Das Szenario: 16 Uhr auf einer beliebigen Autobahn in der Bundesrepublik.

Das Problem: Aus den eben noch drei geräumigen Fahrspuren wird eine schleichende Schlange über den eingeengten Standstreifen. Der seitliche Blick sorgt für Verwunderung und Ärger, denn: Es ist keine klassische Baustelle, sondern ein Team, welches Proben vom Asphalt nimmt. Eine Dreiviertelstunde später, wieder eine Fahrbahnverengung auf den Standstreifen, aber dieses Mal für eine nicht enden wollende richtige Baustelle.


So oder ähnlich spielt es sich tausendfach im Jahr im ganzen Land ab, wenn sich der Bund oder Straßenbauunternehmen über den strukturellen Zustand einer Straße informieren möchten bzw. wenn der Befund eine Reparatur erfordert.


Diese zeit- und nervenraubende Tätigkeit soll in nicht allzu ferner Zukunft der Vergangenheit angehören, denn Data-Science macht in seinem Siegeszug auch vor dem Gewerk des Straßenbaus keinen Halt. Schäden in Autobahnen entstehen meist „von unten“, sprich in den unteren Tragschichten, und wenn diese Schäden an der Oberfläche sichtbar werden, ist der Schaden bereits groß und die Reparatur teuer sowie die Einschränkungen für die Bürger größer. Die Lösung hiervon könnte die fortlaufende Zustandsbestimmung auf Basis von eingegossener Sensorik sein.


Wir sind stolz als Kooperationspartner der STRABAG Innovation & Digitalisation (SID) das Projekt für Predicitve Maintenance im Straßenbau erprobt zu haben.


Es ist Ziel des Projektes, die Art und Weise, mit welcher der Zustand von Straßen ermittelt wird, zu revolutionieren. Für das Forschungsprojekt „Entspannter Hybrid“ wurden seit 2019 Daten aus über 40 Sensoren ausgelesen, die auf einer Versuchsstrecke der Bundesanstalt für Straßenwesen verbaut wurden. Über die letzten drei Jahre wurden mehr als 3,4 Millionen Lkw-Fahrten simuliert, die durch die Sensoren erfasst und in Datenpunkte umgewandelt wurden. Unser Part war es, diese gigantische Menge an entstandenen Daten zu analysieren und sie der SID für die detailliertere Weiterverarbeitung bereitzustellen.


Hierzu fand neben der Erfassung der Belastung und des Zustandes über die eingebaute Sensorik auch eine wöchentliche, klassische Zustandsermittlung statt.

Unsere erste Aufgabe war es, diese klassischen Methoden der Zustandsermittlung auf Basis der Sensordaten „nachzubauen“. So war die sensorbasierte Zustandserfassung der erste Schritt für die Prognose eines zukünftigen Zustands.


Die Ergebnisse aus dem Projekt waren so zufriedenstellend, dass das nächste Sensorenprojekt auf die richtige Straße verlegt wird. Die Zusammenarbeit zwischen der STRABAG und clarifydata bildet somit den Grundstein für die Nutzung von Data-Science und Machine-Learning, für eine zukunftsgerechte und effiziente Straßeninstandhaltung.


Der Inhalt dieses Projektes lässt sich besonders gut auf andere Assets übertragen, wie z.B. Netze. Zunächst messen die Sensoren. Im Anschluss muss über Analytik aus diesen Messpunkten ein Zustand ermittelt werden. Aus der Historie dieser Zustände lassen sich dann wiederum Prognosen abgeleiteten. So können Schäden, Ausfälle und allgemein die Kosten reduziert werden.


Hier geht es zum aktuellen ForeSite Magazin