Institut für Raumbezogene Informations- und Messtechnik
Hochschule Mainz - University of Applied Sciences

BAM - Big-Data-Analytics in Environmental and Structural Monitoring

Millionen von Menschen tragen Umweltsensoren bei sich, etwa zur Messung von Temperatur, Luftfeuchtigkeit oder Luftdruck. Multisensorsysteme spĂŒren potentiell gefĂ€hrlichen UmweltverĂ€nderungen nach. Aktuelle Zukunftsvisionen lassen erwarten, dass wir UmweltverĂ€nderungen in zunehmendem Maße quasi in Echtzeit interpretieren, bewerten und anschaulich kommunizieren werden. Im Idealfall kann die LebensqualitĂ€t dadurch nachhaltig verbessert oder gesichert werden, z.B. in den Bereichen Gesundheit, Umweltschutz oder Katastrophenvorbeugung.
Motivation und Ziele: 

Ziel des Forschungsvorhabens ist es, innovative Verfahren bereitzustellen, die den Nutzen stark wachsender Datenmengen mit Raumbezug fĂŒr Wirtschaft und Gesellschaft wesentlich erhöhen. So wird etwa ein Big-Data-Analytics-System fĂŒr Fragestellungen aus dem Bereich Smart-City entwickelt, das sich auf Analysen unterschiedlicher Sensordaten zu Umwelt- und Gesundheitsfragen konzentriert. Ferner wird der Autonomiegrad optischer Monitoringsysteme fĂŒr die PrĂ€zisionsĂŒberwachung großer Strukturen, wie Windenergieanlagen oder BrĂŒcken, auf der Basis von Bildanalyse mithilfe von Deep-Learning-Systemen gesteigert, auf ZuverlĂ€ssigkeit untersucht und auf Praxistauglichkeit hin getrimmt. Die Anwendbarkeit der Resultate soll durch die Bereitstellung von Prototypen gewĂ€hrleistet werden.

AktivitĂ€ten: 

Ein interdisziplinĂ€res Forscherteam der Hochschule Mainz widmet sich diesen Zielen und greift dabei sog. Big-Data-Verfahren auf, wie sie zurzeit in der Welt schnell wachsender und zunehmend heterogener Massendaten entstehen. In enger Zusammenarbeit entwickeln die Bereiche Geoinformatik im Fachbereich Technik mit dem i3mainz, Institut fĂŒr Raumbezogene Informations- und Messtechnik und Big-Data-Analytics im Fachbereich Wirtschaft vielversprechende Verfahren im Hinblick auf das Monitoring von natĂŒrlichen und durch den Menschen verursachten UmweltverĂ€nderungen weiter. Das Vorhaben erforscht die Potentiale aktueller Data-Mining- und Machine-Learning-Verfahren fĂŒr Fragestellungen mit Raum-Zeit-Bezug. Mit dem Aufbau eines Metalearning-Systems, also der Kombination von Vorhersagen aus mehreren Modellen und neuartigen Visualisierungsmethoden soll der Kreis der möglichen Anwender komplexer Analysen stark erhöht werden.

Eckdaten

Zeitraum:     01.04.2019 - 31.03.2022
  • – Prof. Dr. Gunther Piller (FB Wirtschaft)
  • – Lisa Mosis B.Sc.(Geoinformatik und Vermessung)
  • – Thomas MĂŒller M.Sc. (FB Wirtschaft)
  • – Linda Rau M.Sc. (Geoinformatik und Vermessung)
Titelbild:
  • Projektgruppe, v.l.n.r.: Martin SchlĂŒter, Jörg Klonowski, Klaus Böhm, Nicole Bruhn (alle i3mainz), Gunther Piller (FB Wirtschaft), Lisa Mosis (Geoinformatik und Vermessung), Thomas MĂŒller (FB Wirtschaft), Linda Rau (Geoinformatik und Vermessung), Alexander Rolwes (i3mainz) (Foto: Svenja Schwerdtfeger, Hochschule Mainz)

Nachrichten

Kurz bevor in Deutschland im MĂ€rz 2020 die meisten öffentlichen Veranstaltungen abgesagt oder ins Internet verlegt wurden, fand in Freiburg noch eine nur


Bastian Plaß wurde am 10. MĂ€rz mit dem Förderpreis 2019/2020 des VDI Rheingau-Bezirksvereins e.V. ausgezeichnet. Die Preisverleihung fand im Rahmen der


Verwandte Projekte

Industrieroboter gewinnen durch ihre vielfÀltige Einsetzbarkeit sowohl in vielen Bereichen der Industrie als auch in der Messtechnik an Interesse. In Verbindung mit einem optischen

In den zurĂŒckliegenden Jahren kann auf eine erfolgreiche Zusammenarbeit mit dem Institut fĂŒr Steinkonservierung e.V. (IfS) zurĂŒckgeblickt werden.

Publikationen

Optische Schwingungsmessung: Status, Integration, Pros und Contras

2020

K. Zschiesche,
L. Rau,
M. SchlĂŒter

PDF / RTF

GeoMonitoring 2020

Am Beispiel einer Eisenbahn-StahlbrĂŒcke erarbeiten wir prototypisch die relevanten Einzelschritte von der mobilen Erfassung kontrollierter Schwingungsdaten bis zur Integration in die Bauwerksdatenmodellierung (BIM). Dieser Aufsatz umfasst einen Abriss bestehender Systeme zur Schwingungsbeobachtung an gealterten Bestandsbauwerken und geht dabei besonders auf die Vor- und Nachteile der optischen Schwingungsmessung ein. Es zeigt sich, dass die optische Schwingungsmessung hierbei eine wirtschaftliche ErgĂ€nzung zu bestehenden Systemen darstellt. NĂ€her beschrieben wird das Erfassen von Schwingungen mittels modularer Digitalkameratachymetrie. PrĂ€zisionstachymeter können mit Digitalkameras am Okular kombiniert werden. Diese Erweiterung in Verbindung mit der digitalen Bildverarbeitung ermöglicht die automatische Detektion von Zielen und somit auch die berĂŒhrungslose Erfassung von Schwingungen. Es ist nicht erforderlich das Ziel mit dem Fadenkreuz konkret anzuvisieren. UnzugĂ€ngliche Objekte, wie z.B. BrĂŒckenbauwerke, Fabrikschlote oder TĂŒrme fĂŒr Windenergieanlagen, können ohne Signalisierung durch die modulare Digitalkameratachymetrie hochfrequent durch die Messung natĂŒrlicher Ziele diskret, optisch und ad hoc erfasst werden. Es ist kein Eingriff am Objekt notwendig.


 


KĂŒnstliche Intelligenz als Strategie in der IngenieurgeodĂ€sie – erste Schritte im Bahnumfeld

2020

B. Plaß,
K. Zschiesche,
T. Altinbas,
D. Karla,
L. Rau,
M. SchlĂŒter

PDF / RTF

zfv – Zeitschrift fĂŒr GeodĂ€sie, Geoinformation und Landmanagement

FĂŒr die Arbeiten im Gleisbereich ist ein System zur Erfassung von Zugfahrten unverzichtbar. KĂŒnstliche Intelligenz kann einen Teil dazu beitragen. Im Folgenden wird ein erster Ansatz, basierend auf Deep Learning Technologie, vorgestellt, welcher auf Grundlage von Bilddaten automatisch ZĂŒge detektiert und so zu mehr Sicherheit im Gleisbereich beitragen kann. DarĂŒber hinaus ist eine Softwarelösung entwickelt worden, welche den umfangreichen und bisher arbeitsintensiven Datenvorbereitungsaufwand signifikant reduziert. Im vorliegenden Beitrag werden das Potenzial und die flexible Einsetzbarkeit von KĂŒnstlicher Intelligenz im ingenieurgeodĂ€tischen Kontext aufgezeigt.

A system for recording train rides for work in the track area is crucial. The usage of Artificial Intelligence contributes to this. In the following article a first approach based on Deep Learning is presented, that automatically detects trains on the base of image data and can lead to more safety in the track area. In addition, a software has been developed that reduces the extensive and work-intensive data preparation effort significantly. This article presents the potential and the flexible deployment of Artificial Intelligence in the engineering geodetic domain.


BIM in der Praxis − AnsĂ€tze zur Integration von Structural Health Monitoring in ein Bestands-BIM

2020

K. Zschiesche,
L. Rau,
M. SchlĂŒter

PDF / RTF

Leitfaden GeodÀsie und BIM

Structural Health Monitoring (SHM) dient zur Bestimmung und Überwachung des Zustands eines Bauwerks. Dabei kommt es zu kontinuierlicher oder periodischer Erfassung von großen Datenmengen, je nachdem ob auf bauwerksintegrierte Sensorik zurĂŒckgegriffen werden kann, oder ob die Er-fassung z. B. als vermessungstechnische Dienstleistung erfolgt. BIM bietet die Möglichkeit der Bereitstellung großer Datenmengen, der Prozessintegration und der Dokumentation vermessungstechnischer Leistungen (Clemen et al. 2019). Dadurch ermöglicht die Verbindung dieser beiden Methoden eine interdisziplinĂ€re Auswertung verschiedenster Informationen ĂŒber das Bauwerk innerhalb einer Plattform. Die frĂŒhzeitige Erkennung möglicher ZustandsĂ€nderungen der Bausubstanz hat insbesondere im Hinblick auf die Nachhaltigkeit der Lebens- und Nutzungsdauer des Objekts, von Bauteilen und von Bauteilschichten eine besondere Bedeutung. Eine effiziente ZugĂ€nglichkeit von SHM-Daten kann durch Integration dieser in die Bauwerkdatenmodellierung erfolgen (Zschiesche et al. 2020). Beispielhaft wird im vorliegenden Bericht die Integration in ein Bestands-BIM von zuvor erfassten und ausgewerteten Messergebnissen erprobt. Wie in Del Grosso et al. (2017) und Valineja-dshoubi et al. (2017) beschrieben, wird mittels dem Plug-in Keynote Manager sowie des Revit-Plug-ins BIM One und der Software Autodesk Revit das Vorgehen evaluiert.