iBridge - Intelligent Bridge surveillance

  • Contact:

    Dr. Hubert Keller 

  • Project Group:

    ProSys - Process Optimisation, intelligent Sensor Systems and safe/secure Software

  • Funding:

    BMBF 

Completed Project

Description:

 

The goal of the i-Bridge project is to develop intelligent analytical methods for intelligent bridge monitoring through the fusion of distributed sensor systems and to validate these using real data. Several concepts of data fusion and analysis have been developed as part of the project. The developed methods have already been tested on the first data sets.

iBridge

Ziel des Vorhabens ist die Entwicklung eines Prototyps, bestehend aus Hardware und Software zur intelligenten Brückenüberwachung. Dabei liegt der Fokus nicht etwa auf der Entwicklung neuartiger Sensoren oder Messtechnik sondern der neuartige Ansatz ist dabei vielmehr die sog. Multi-Sensor-Datenfusion, d. h. eine räumlich und zeitlich integrierende Sensordatenauswertung durch ein Trajektorien bewertendes neuronales Netzes Durch drahtlose und/oder drahtgebundene Kommunikation werden die Ergebnisse der ausgewerteten Daten in Echtzeit zur Verfügung stehen und in einer Datenbank zur Archivierung auf einem zentralen Server zusammengeführt.

Schwerpunkt des Vorhabens ist somit die Konzeption und Entwicklung, einschließlich der mathematischen und programmtechnischen Realisierung der Algorithmen zur Abbildung des neuronalen Netzes. Die Herausforderung besteht darin, die verschiedenartigen Sensorgrößen selbst, wie auch aus der Signalanalyse gewonnene Daten (z. B. FFT, Betriebsmodalanalyse) trotz ihrer lnkommensurabilität und teilweise arbiträren Parametern, d. h. unterschiedlichen Einhei-ten, Eigenschaften und Lage im Tragwerk, im neuronalen Netz zusammenzuführen und verlässliche Erkenntnisse zu erhalten.

Eine zentrale Neuerung stellt hierbei dar, dass durch die programmierten Neuro-Algorithmen eine Bewertung unter Würdigung der Gesamtdatenlage d. h. unter Einbeziehung aller Sensoren und Analyseergebnisse im Vergleich zu dem in der Trainingsphase erlernten und für dieses Tragwerk typische Verhaltens erfolgt. Die Visualisierung erkannter Abweichungen von den Trainingsmustern erlaubt schließlich die musterbasierte Klassifikation der Situationen (z. B. von Schäden) und ebenfalls eine Prognose der Situationsentwicklung. Daneben stehen Daten zum Verkehrsaufkommen und fundierte Daten zur gezielten Zuverlässigkeits- und Ermüdungsberechnung in einer Datenbank wie auch in Echtzeil zur Verfügung.