© unsplash/@jayrheike

© unsplash/@jayrheike
Versorger

Überwachung der Infrastruktur

Hintergrund

Unternehmen im Versorgungssektor verfügen über große Infrastrukturnetze, beispielsweise Gaspipelines oder Stromnetze, die eine umfassende Versorgung gewährleisten. Die Überwachung dieses Netzes ist von wesentlicher Bedeutung, da es Informationen über Wartung, Ausfälle und mögliche Versorgungslücken liefert und somit sicherheitsrelevant ist, insbesondere in dicht besiedelten Gebieten. Es ist jedoch schwierig, vor den eigentlichen Schäden Informationen über den Wartungsbedarf zu erhalten, und die Inspektion und Überwachung der Infrastrukturnetze vor Ort ist sehr mühsam und zeitaufwendig.

Die Verwendung von Satelliten- und UAV-Daten (unbemannte Luftfahrzeuge) in der erforderlichen räumlichen Auflösung und deren automatisierte Analyse könnte es Versorgungsunternehmen ermöglichen, die Überwachung effizienter zu gestalten, da Anomalien früher erkannt und Frühwarnungen automatisch generiert werden können.

Durch den Einsatz eines KI-gesteuerten Satellitenüberwachungssystems konnte beispielsweise die Deutsche Bahn die durch Bäume verursachten Sturmschäden um 25 % reduzieren.

Herausforderungen

Die automatisierte Überwachung von Infrastrukturnetzen erfordert die Echtzeitverarbeitung von Satellitendaten, um in hohen Zeitintervallen Informationen über den Zustand des Netzes zu liefern. Abhängig von den verwendeten Satellitendaten werden innerhalb von 3 - 15 Tagen neue Satellitendaten erstellt. Die automatisierte Datenverarbeitung kann durch die Programmierung eines machine learning-Modells erreicht werden, das in der Lage ist, Muster und Anomalien in Satellitenbildern zu erkennen, z.B. Bauarbeiten in der Nähe von Gaspipelines.

Satelliten können Bilddaten in verschiedenen Wellenlängenbereichen liefern, z.B. im sichtbaren Spektrum sowie im Radarbereich, die unterschiedliche Informationen über das beobachtete Gebiet enthalten. Beispielsweise liefern Sentinel-1-Radardaten unter anderem Informationen über Vegetation und Wasser, während Sentinel-2-Daten Informationen im sichtbaren Spektrum (RGB) enthalten

Lösungsansatz

Für die Verarbeitung von Satellitendaten muss der machine learning Algorithmus in der Lage sein, Muster, d.h. Objekte wie Bauarbeiten oder Veränderungen in der Oberfläche, im Satellitenbild oder in den Radardaten zu erkennen und zu klassifizieren. Dies kann durch die Verwendung eines Modells zur Bildsegmentierung erreicht werden, das üblicherweise ein Convolutional Neural Network (CNN) ist.

Die aus den Daten extrahierte Information muss mit früheren Bildinformationen verglichen werden, um Anomalien zu identifizieren.

Die abgeleiteten Informationen können auch als Datenbasis für ein Modell zur Zeitreihenanalyse zur Vorhersage von Ausfällen verwendet werden. Darüber hinaus kann das Modell mit IoT-Daten kombiniert werden, die entlang der Pipeline oder des Netzes generiert wurden, falls diese verfügbar sind.

Passende Case Studies

© Anthony Rosset
Computer Vision

Überwachung von urbanen Veränderungen

Ein Algorithmus zur Bildsegmentierung unterstützt nachhaltige Stadtplanung.
Unsere Lösung