Mit dem letzten Beispiel wird gezeigt, wie eine digitale Lösung für eine Langristprognose des Erhaltungsbedarfs der Bundesfernstraßen konstruiert wird, indem Data Scientists erfolgreich Methoden einsetzen, die ursprünglich aus ganz anderen Branchen stammen und sich dort bewährt haben. Das Besondere am Beispiel ist, dass die Adaptation gleich in mehreren Branchen gelingt.

Die Ausgangslage: Seit den 1990er Jahren wurde in der Politik des Bundesverkehrsministeriums (BMV) dem Nachhaltigkeitsgedanken und damit der Erhaltung der Straßeninfrastruktur des Bundes deutlich mehr Bedeutung als bisher beigemessen. Um die Qualität der Straßen bewerten zu können, wurde eine Zustandserfassung und Bewertung (ZEB) ins Leben gerufen, mit der seitdem alle 4 Jahre der Oberflächenzustand aller ca. 51.000 km Bundesfernstraßen durch ca. 50 physikalische Messgrößen erfasst werden soll. Die gemessenen Zustandsgrößen werden in dimensionslose Zustandswerte, vergleichbar mit Schulnoten von 1 bis 5, überführt und pro 100 m Abschnitt je Spur und Fahrstreifen für das gesamte Netz bereitgestellt. Das BMV beauftragte die Autoren mit einer Langfristprognose des Erhaltungsbedarfs der Verkehrsinfrastruktur des Bundes auf Grundlage dieser Daten, um das System Straße durch geeignete Erhaltungsstrategien in einen stabilen Zustand fahren zu können und dabei die Auswirkungen eines unterschiedlichen Mitteleinsatzes zu untersuchen.

Die Big-Data-Lösung dafür war eine zustandsbezogene Langfristprognose,[1] deren Grundbausteine kurz skizziert werden. Die Vorgehensweise hat generischen Charakter und lässt sich mit wenig Aufwand auch für industrielle Anwendungen nutzbar machen. Wie alle Anlagegüter stellen Straßen ein mehr oder weniger langlebiges komplexes stochastisches System dar, dessen Zustand durch die initiale Bauweise und durch geeignete Erhaltungsmaßnahmen aktiv gesteuert werden kann. Ihre Abnutzung erfolgt im Wesentlichen durch den Schwerverkehr (so verursacht ein 40-Tonner LKW vergleichbare Schäden wie 112.041 Golf VII[2]). Auch andere Einflussgrößen wie bspw. der Straßenaufbau lassen sich erfassen. Hinzu kommen noch die deutlich schwerer messbaren Zufallsgrößen wie bspw. Wetter, Winterdienst, Steigungen, Staus usw., die als stochastische Komponenten in die Modelle eingehen.

Im ersten Schritt wurden zunächst die letzten Straßenbaumaßnahmen ermittelt, die den aktuellen Zustandswerten voraus gingen, um aus dem Jahr der Maßnahme den kumulierten Schwerverkehr zu berechnen, der den heutigen Zustand jedes Streckenabschnitts bestimmt. Da es keine Maßnahmendaten gab (und bis heute dafür keine einheitliche Datenbank gibt), mussten Maßnahmen manuell aus Bauakten der Straßenbauämter aller Bundesländer entnommen und digital erfasst werden. Diese Vorgehensweise ist naturgemäß mühsam, aber auch bei industriellen Projekten nicht immer zu vermeiden, wenn z. B. Reparaturberichte nicht digital erfasst werden.

In einem zweiten Schritt wurde untersucht, welche Zusammenhänge zwischen einzelnen Maßnahmen und ca. 50 Zustandswerten bestehen, um damit Regeln zu finden, wann Maßnahmen fällig werden. Für die Definition der Maßnahmefälligkeit wurden Klassifikations- und Entscheidungsbäume und die Expertise von Straßenbauexperten herangezogen (diese Methodik wird aktuell auch bei Machine-Learning-Anwendungen eingesetzt), s. Abb. 6. Damit wurde ein Paradigmenwechsel weg von der reinen Beobachtung des Auftretens von "Symptomen" (den einzelnen Zustandswerten zur Oberfläche) hin zur Maßnahmefälligkeit, also "Diagnosen" vollzogen.

Abb. 6: Entscheidungsbaum zur Ableitung von Regeln für Maßnahmefälligkeit. Zielgröße ist hier die Maßnahmefälligkeit, die durch diverse Einflussvariablen (hier: Zustandswerte) bestimmt wird

In einem dritten Schritt wird nun regelmäßig für jeden Streckenabschnitt ermittelt, ob eine Maßnahme fällig ist oder nicht. Jeder Streckenabschnitt wird damit als Beobachtung eines zeitlichen Prozesses angesehen, der mit der letzten Maßnahme begann und dem man statt der Zeit auch den kumulierte Schwerverkehr zuordnen kann (Abb. 7, oberer Teil). Aus den einzelnen Prozessen je Streckenabschnitt lassen sich Wahrscheinlichkeitsmodelle mit empirischen und parametrischen Kurven ableiten, aus denen die Wahrscheinlichkeit bestimmbar ist, mit der ein Streckenabschnitt bei einem konkreten Verbrauch noch intakt ist oder ob eine Maßnahme erforderlich ist (s. Abb. 7 unten). Der zufällige Anteil in den Modellen wird durch unbekannte oder nicht messbare Einflussgrößen bestimmt. Von hier aus ist es ein kleiner Schritt, eine Restlebensdauer zu definieren, den Einfluss anderer Faktoren wie Bauweisen und unterschiedliche Maßnahmequalitäten auf die Modelle zu ermitteln oder sogar den Gegenwartswert eines gesamten Netzes zu bestimmen. Die von uns 1990 erstmals im Bauwesen eingesetzte Methode wird seit den 1970er Jahren überaus erfolgreich in der Medizin als "Survivalanalyse" zur Bestimmung von Chancen und Risiken von Therapien eingesetzt. Ingenieuren ist dies weitgehend unbekannt und sollte ...

Das ist nur ein Ausschnitt aus dem Produkt Haufe Personal Office Platin. Sie wollen mehr? Dann testen Sie hier live & unverbindlich Haufe Personal Office Platin 30 Minuten lang und lesen Sie den gesamten Inhalt.


Meistgelesene beiträge