© unsplash/@ubahnverleih

© unsplash/@ubahnverleih
Home › 
Use Cases › 
Überwachung von Förderstrecken

Überwachung von Förderstrecken

Use Case
Bergbau

Hintergrund

Ein entscheidender Bestandteil von großen Bergbauprojekten ist der Transport der geförderten Rohstoffe und die Instandhaltung der entsprechenden Infrastruktur. Dies ist mit enormen Kosten verbunden, da dafür hauptsächlich schwere Maschinen zum Einsatz kommen mit entsprechend hohem Energieverbrauch und teuren Reparaturkosten.

Gerade vor dem Hintergrund, dass für den Bau von Förderstrecken hauptsächlich grubeninterne Materialien verwendet werden und diese unter starker Belastung stehen, sind Förderstrecken enorm anfällig für diverse Schäden, beispielweise Pfützen, Spurrillen und Schlaglöcher, und für Unwetter wie Überschwemmungen und Stürme. Dies führt einerseits zu Schäden an den LKWs, erhöhtem Benzinverbrauch und Verletzungen von Arbeitern, andererseits kann durch die Zerstörung der Förderstrecken der ganze Förderprozess unterbrochen werden, was zu hohen operativen Ausfällen und Umsatzverlusten führt.

All diese Faktoren erhöhen die Kosten und verringern die Effizienz von Bergbautätigkeiten, weshalb die Förderstrecken regelmäßig gewartet und instandgehalten werden müssen. In der Regel wird die Instandhaltung durch separate Teams koordiniert, was besonders für große Bergwerke einen enormen Personen- und Zeitaufwand bedeutet.

Herausforderungen

Die automatisierte Überwachung von Förderstrecken kann durch die Echtzeitanalyse von Satelliten- und/oder UAV-Daten mit einem Machine Learning (ML) Modell erreicht werden. Ein ML-Algorithmus ist in der Lage, in gelabelten Bildtrainingsdaten Muster zu erkennen und auf neue Daten zu übertragen. Somit kann ein Modell entwickelt werden, das in den Bilddaten von den Förderstrecken Objekte, wie z.B. Schlaglöcher, Spurrillen, Steine, Pfützen etc., detektiert und klassifiziert sowie die Geometrie der Fahrbahn, beispielsweise Neigung und Breite, bestimmt.

Für Satellitendaten kann man Open Source Datenquellen, wie z.B. die Sentinel-Daten der ESA, verwenden. Allerdings wird für das Training eines ML Modells ein ausreichend großer Datensatz mit hoch aufgelösten Bildern benötigt, damit auch kleinere Objekte identifiziert und Unterschiede zwischen Fahrbahn und Umgebung erkannt werden können. Open Source Satellitendaten liefern für solche Zwecke meist nicht die gewünschte Auflösung im sichtbaren Spektralbereich, während der Einsatz unbemannter Luftfahrzeuge kostspielig ist.

Zusätzlich wird für eine regelmäßige Kontrolle eine Datenquelle benötigt, die in kurzen Zeitintervallen neue Daten liefert. Je nach Datenquelle hat man für Satellitendaten Aktualisierungsfrequenzen von 3-15 Tagen. Bei UAV-Daten können die Zeitintervalle flexibler und individueller gewählt werden.

Lösungsansatz

Zur Detektion und Klassifizierung von Objekten in Bildern, werden Algorithmen zur Bildsegmentierung benutzt, wie z.B. U-Net oder Mask R-CNN Architekturen. Diese klassifizieren jeden Pixel eines Bildes in die vordefinierten Kategorien, wodurch verschieden Objekte in einem Bild identifiziert und unterschieden werden können.

Um das Problem der geringen Auflösung und kleineren Aktualisierungsfrequenz von Satellitendaten zu lösen, können einerseits verschiedene Datenquellen herangezogen werden, beispielweise die Verwendung von Sentinel-1-Daten zusätzlich zu Sentinel-2-Daten, die andere spektrale Informationen liefern. Andererseits können zusätzlich Zeitreihendaten analysiert werden, die auf Bilddatensequenzen basieren und/oder auf georeferenzierten Vibrationsdaten, die mit Hilfe Sensoren in den LKWs oder am Förderband mittels IoT Sensoren gemessen wurden.

KI-News jedes Quartal

Erhalten Sie Nachrichten über Machine Learning und Neuigkeiten rund um dida.

Erfolgreich angemeldet.

Gültige Email-Adresse benötigt.

Email-Adresse bereits registriert.

Etwas ist schiefgelaufen. Bitte versuchen Sie es nochmal.

Mit dem Klick auf "Anmelden" erklären Sie sich mit unserer Datenschutzerklärung einverstanden.

dida Logo