Zustandsüberwachung von Brücken und Gebäuden aus Sensordaten (Structural Health Monitoring)

Alternde Brücken und Gebäude werden von Menschen in festen Abständen geprüft, sodass Schäden, die zwischen den Prüfungen entstehen oder im Beton verborgen bleiben, übersehen werden können. Structural Health Monitoring (SHM) rüstet das Bauwerk dauerhaft mit Sensorik aus; ML-Modelle trennen echte schadensbedingte Veränderungen vom täglichen und jahreszeitlichen Rauschen durch Temperatur und Verkehr und zeigen den Eigentümern, wo sie zuerst hinsehen sollten. Der Nutzen sind frühere Warnungen und eine bessere Priorisierung knapper Prüf- und Instandsetzungsbudgets – nicht ein Ersatz für Ingenieure.

Problem & Nutzen

• Wer: Straßen- und Bahnbehörden, Kommunen, Infrastrukturbetreiber, Eigentümer großer Gebäude, Stadien, Türme und Industriebauwerke sowie die Ingenieurbüros, die sie betreuen.
• Heute: periodische Sichtprüfung (in Deutschland nach DIN 1076 für Straßenbrücken), gelegentliche Belastungsversuche und bei wenigen Bauwerken ein klassisches Monitoringsystem mit festen Alarmschwellen. Schwellen auf Rohwerten versagen, weil Frequenzen und Dehnungen mit Temperatur, Feuchte und Verkehr schwanken.
• Warum jetzt (Deutschland): Der Teileinsturz der Carolabrücke in Dresden am 11. September 2024 brachte verborgene Spannstahlschäden und Monitoring in die öffentliche Debatte; spätere Sensormesswerte an den verbliebenen Feldern zeigten Risse in der Stahlbewehrung und führten zum beschleunigten Abbruch [5]. Öffentliche Forschungsprojekte, gefördert über mFUND mit BASt und der Autobahn GmbH als Partnern, entwickeln ML-basierte Anomalieerkennung für Brücken (P-BIM, OSiMaB) [1][2].
• KI-Nutzen: (1) Umwelteinflüsse herausrechnen, (2) Abweichungen von einer gelernten gesunden Basislinie ohne Schadensbeispiele erkennen, (3) viele Sensoren zusammenführen, (4) Bauwerke für die Prüfung priorisieren, (5) Berichte entwerfen. Belegte quantitative Praxisnutzen sind selten; die P-BIM-Seite nennt keine Ergebnisse [1] – behandeln Sie ROI-Versprechen von Anbietern daher mit Vorsicht.

Varianten

• Straßen-/Eisenbahnbrücken: Schwingung, Dehnung, Lagerverschiebung, Schallemission bei Spanngliedbrüchen; typischerweise langfristige „Smart-Bridge“-Installationen.
• Gebäude, Türme, Stadien, Denkmäler: Verfolgung modaler Größen, Setzung und Neigung, Schnellprüfung nach Erdbeben oder Sturm.
• Tunnel, Staudämme, Windkraft-Türme und Offshore-Gründungen nutzen dieselbe Pipeline mit anderer Sensorik.
• Temporäres Monitoring: Kampagnen bei Bau, Ertüchtigung oder benachbartem Aushub.
• Priorisierung auf Netzebene: wenige überwachte „Sentinel“-Bauwerke mit Prüfdaten kombinieren, um die übrigen zu reihen (Verweise auf VIS-003, PRED-033).
• Private Nutzung: praktisch keine, außer Rissmonitoren von Hausbesitzern; kein Anwendungsfall für Privatverbraucher.

So funktioniert es

1. sensors (accelerometer, strain, tilt, fibre, acoustic emission, temperature, traffic)
2. edge logger: sync, filtering, decimation, store-and-forward
3. signal processing: operational modal analysis (frequencies, damping, mode shapes)
4. normalisation: remove temperature/traffic/wind effects (regression, PCA, autoencoder)
5. anomaly detection against healthy baseline (statistical, deep, physics-informed)
6. localisation & severity hints (mode-shape change, sensor-group residuals, FE-model updating)
7. alert logic with persistence rules
8. engineer review
9. inspection / load restriction decision

• Operationelle Modalanalyse (Operational Modal Analysis, OMA) schätzt Eigenfrequenzen, Dämpfung und Eigenformen aus der Umgebungsschwingung (Algorithmen wie SSI und pLSCF, enthalten in der Open-Source-Toolbox pyOMA) [4].
• Umweltkompensation ist das zentrale ML-Problem: Ein Modell sagt erwartete Merkmale aus Temperatur und Verkehr voraus; das Residuum ist der Schadensindikator [3][8].
• Unüberwachtes Lernen ist die Regel, weil echte Schadensdaten kaum existieren; P-BIM nutzt ein tiefes Netz auf Dehnungsmessstreifen-Gittern, das normales Verhalten lernt, physikalisches Vorwissen einbettet und ein Erklärbarkeitsmodul ergänzt [1].
• Hybrid aus Physik und KI: Finite-Elemente-Modelle (FE) erzeugen synthetische Schadensszenarien, um Detektoren zu trainieren oder zu validieren und Schäden zu lokalisieren (Fähigkeit Simulation).
• LLM-Schicht (optional): Warnungen zusammenfassen, Überwachungsberichte entwerfen und Fragen zu Prüfunterlagen beantworten; niemals als Entscheider.
• Mensch-in-der-Schleife (Human-in-the-Loop): Eine qualifizierte Tragwerksplanerin bzw. ein qualifizierter Tragwerksplaner prüft jede Warnung oberhalb der Stufe „Information“ und entscheidet allein über Sperrungen oder Lastbeschränkungen.

Datenaufbereitung

Die Kerndaten sind Sensor-Zeitreihen (Beschleunigung, Dehnung, Neigung, Temperatur, Glasfaser) plus Kontext: Wetter-, Verkehrs- und Weigh-in-Motion-Daten, Prüfberichte (DIN 1076), Zeichnungen oder BIM-Modelle. Im Mittelstand oder in einer Behörde liegen diese in Anbieterportalen, Logger-Dateien vor Ort, Brückenmanagement-Datenbanken, PDF-Prüfberichten und Papierarchiven.

Typische Lücken: Uhrendrift und nicht synchronisierte Kanäle, Sensordrift und -ausfälle, keine gelabelten Schäden (daher unüberwachte Basislinien), fehlende Temperatur- oder Verkehrsdaten für die Kompensation, Prüfberichte nur als Scans, auf mehrere Ämter verteilte Bauwerksdaten.

Schritte der Aufbereitung: 1. Sensoren, Kanäle und Datenverantwortliche erfassen; Daten über APIs oder Logger-Exporte extrahieren (PREP-005). 2. Signale synchronisieren, bereinigen und neu abtasten; Ausfälle markieren und Sensoren kalibrieren. 3. Mindestens einen vollständigen Jahreszyklus als gesunde Basislinie aufzeichnen, bevor Warnungen zählen. 4. Prüfberichte digitalisieren und per OCR erfassen und Befunde mit Sensorpositionen verknüpfen (PREP-006, PREP-010). 5. Warnkategorien und Schweregrade gemeinsam mit den Ingenieuren festlegen (PREP-019).

Aufwand: hoch; Installation und Datenqualität dominieren, ML ist der kleinere Teil. Siehe GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• Unternehmen (Infrastruktureigentümer, Betreiber): Weg A — etablierte europäische Monitoring-Anbieter übernehmen Verantwortung für Sensorik, Datenqualität und Warnlogik, was die meisten Eigentümer personell nicht leisten können.
• Öffentliche Hand (Straßenbaubehörden, Kommunen): Weg A — etablierte Anbieter mit EU-Hosting und offenem Datenexport passen zum Vergaberecht und zum üblichen Prüfprozess nach DIN 1076.
• Entwickler: Weg C — Open-Source-Werkzeuge (pyOMA, scikit-learn, eine Zeitreihendatenbank) auf HW1 erlauben Ingenieurteams, maßgeschneiderte Detektoren für ihre Bauwerke zu bauen.

Weg A — Kaufen (empfohlen)

• Monitoring-Plattformen und Sensoranbieter: HBK (Hottinger Brüel & Kjær, früher HBM, DE/DK, OSiMaB-Partner [2]), Sixense (FR, Vinci-Gruppe), mageba (CH, Brückenlager mit Sensorik), Gantner Instruments (AT) sowie Ingenieurbüros, die Monitoring als Dienstleistung anbieten. Hinweis: Alle genannten sind europäisch.
• Asset-Plattformen und digitale Zwillinge: Bentley iTwin und ähnliche Infrastruktur-Zwillinge für Visualisierung und Integration.
• Wählen Sie A, wenn: Sie nur wenige Bauwerke besitzen, kein eigenes Personal für Signalverarbeitung/ML haben und einen Anbieter brauchen, der Verantwortung für Installation, Datenqualität und Warnlogik übernimmt. Bestehen Sie auf EU-Datenhosting, offenem Datenexport und erklärbaren Indikatoren.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Datenaufnahme über IoT-Dienste in EU-Regionen (Azure IoT Hub, AWS IoT Core Frankfurt oder EU-Anbieter), Ablage in einer Zeitreihendatenbank.
• Zeitreihen-Foundation-Modelle wie Amazons Chronos-2 (Zero-Shot-Prognose mit Kovariaten, 120 Mio. Parameter, Apache-2.0) können erwartete Sensorwerte aus Temperatur- und Verkehrskovariaten vorhersagen; das Residuum wird zum Anomaliemerkmal [6].
• Spitzen-LLMs (Claude, Gemini, GPT, Mistral) für Berichtsentwürfe und Fragen zu Prüfunterlagen; numerische Ergebnisse werden stets von deterministischem Code berechnet.
• Wählen Sie B, wenn: Sie ein Ingenieurbüro oder ein großer Eigentümer mit Data-Science-Team sind und maßgeschneiderte Indikatoren über viele Bauwerke benötigen. Beachten Sie, dass Foundation-Modelle nicht für Bauwerksschäden validiert sind; nutzen Sie sie für Basislinien, nicht als zertifizierte Detektoren.

Weg C — Selbst betreiben (Open Source)

• OMA/SHM: pyOMA (GPL-3.0, SSI-cov, SSI-data, pLSCF, automatisches Clustern von Eigenformen, SHM-Unterstützung) [4]; allgemeiner Python-Stack mit SciPy.
• Anomalieerkennung und Prognose: Darts (Apache-2.0; Scorer, Detektoren, PyOD-Wrapper, N-BEATS/TFT, Foundation-Modelle) [7]; scikit-learn/PyOD; PyTorch-Autoencoder.
• Pipeline: MQTT/Kafka-Aufnahme, TimescaleDB oder InfluxDB, Grafana, Edge-Gateways mit ONNX-Laufzeit.
• Hardware: HW1 genügt (CPU-Server plus Edge-Logger) für die Verfolgung modaler Größen und kleine Modelle; eine einzelne GPU (HW2) nur für tiefes oder physikinformiertes Training ergänzen. Der Betriebsaufwand wird von Sensorwartung und Datenqualitätssicherung bestimmt, nicht von der Rechenleistung.

Weg D — Eigenes Training

• Lohnt sich für Betreiber vieler ähnlicher Bauwerke (z. B. einer Flotte von Spannbetonbrücken) oder für Detektoren auf Forschungsniveau. Benötigt werden ein bis mehrere Jahre Basis-Monitoringdaten je Bauwerk (um die Jahreszeiten abzudecken), mit FE-Modellen erzeugte Schadensszenarien und idealerweise Schadensversuche im Labor. Ohne Schadenslabels sollte sich der Anspruch auf Anomalieerkennung beschränken. Öffentliche Beispiele: P-BIM und OSiMaB [1][2].

Stand der Technik (2026)

• Methoden: Die schwingungsbasierte Schadenserkennung hat sich von der modellgetriebenen Offline-Analyse zur datengetriebenen Online-Erkennung verschoben; Übersichtsarbeiten fordern erklärbare und hybride Physik-KI-Modelle, wobei der Einsatz am Rand (Edge) eine offene Herausforderung ist [3][8].
• Typische Pipeline ist OMA plus Umweltnormalisierung plus unüberwachte Neuheitserkennung; überwachte Schadensklassifikation ist außerhalb des Labors selten möglich.
• Foundation-Modelle für Zeitreihen (Chronos-2, veröffentlicht im Okt. 2025) machen Basisprognosen mit Kovariaten günstig, sind aber generisch und nicht schadensbewusst [6].
• Sensortrend: verteilte Glasfasersensorik und Schallemission für verborgene Spanngliedschäden; der Fall der Carolabrücke zeigt das Interesse, Spannstahlschäden früh zu erkennen [5].
• Grenzen: Umwelteinflüsse können Schäden verdecken oder vortäuschen; lokale Schäden verändern globale Eigenformen kaum; Sensoren driften und fallen aus; es gibt wenige validierte Schadensdatensätze; Fehlalarme führen zu Alarmmüdigkeit; Daten eines Bauwerks lassen sich selten auf ein anderes übertragen. Große Installationen existieren (z. B. Brücken in Hongkong mit rund 900 Sensoren, die Sydney Harbour Bridge mit über 2.400 [8]), doch der quantifizierte Nutzen speziell durch ML ist kaum veröffentlicht.

Gemeinsame Bausteine & Kombinationen

• Gleiche Bausteine (Zeitreihen + Anomalieerkennung + Streaming): PRED-006 vorausschauende Wartung (dieselbe Schwingungsanalytik), PRED-014 Soft-Sensoren, PRED-033 Ausfälle erdverlegter Netze (Priorisierung auf Netzebene), Alterungsmodellierung im Stil von PRED-026.
• Lässt sich gut kombinieren mit: VIS-003 Drohnenprüfung und VIS-043 Rohr-/Kanalinspektion (visuelle Belege für Sensorwarnungen), GEN-025 Foto-zu-3D-Erfassung und digitale Zwillinge, ROBO-010 Simulation für synthetische Schadensszenarien, PRED-017 Wetterprognosen und PRED-027 Hochwasserlasten als Kovariaten, PRED-048 Gebäudeenergiemodelle (gemeinsame Gebäudesensorik und BIM-Daten), DOC-014, um ältere Prüfberichte in strukturierte Daten zu überführen.
• Hardware/Daten: Edge-Gateways und eine Zeitreihendatenbank bedienen mehrere Monitoring-Anwendungsfälle; ein HW1-Server kann Dutzende Bauwerke tragen.

Aufwand, Kosten & Kennzahlen

• Weg A: Monate für Installation und Inbetriebnahme; Sensoren und Installation (Verkehrsführung, Verkabelung) dominieren die Kosten, Software ist ein kleiner Anteil.
• Weg B/C: 6–12 Monate bis zu einer validierten Pipeline auf einer bestehenden Sensorinstallation; Basisphase von mindestens einem Jahreszyklus, bevor Warnungen verlässlich sind.
• Weg D: mehrjährig, auf Forschungsniveau.
• Kennzahlen: Sensorverfügbarkeit, Datenvollständigkeit, Fehlalarmrate je Bauwerk und Jahr, Erkennung bekannter Testschäden oder Ertüchtigungseffekte, Vorlaufzeit der Warnungen gegenüber Befunden der manuellen Prüfung, Anteil der durch Daten ausgelösten Prüfungen, Prüfzeit der Ingenieure je Warnung.

Menschen & Veränderung

Beziehen Sie von der Planungsphase an die Geschäftsleitung (Budget, Haftung), die Abteilungsleitung / Tragwerksplaner (die allein über Sperrungen oder Lastbeschränkungen entscheiden), IT und IT-Sicherheit (Sensornetz, Fernzugriff, OT-Trennung, GUIDE-013) und die Lieferanten (Sensor- und Monitoring-Anbieter) ein. Datenverantwortliche für bestehende Prüfunterlagen kommen früh hinzu; Recht/Compliance klärt die Haftung, wenn Warnungen ignoriert oder verpasst werden.

Betriebsrat: in der Regel nein. Das System misst Bauwerke, nicht das Verhalten oder die Leistung von Beschäftigten. Prüfen Sie nur, wenn Protokolle der Warnungsbearbeitung oder Prüfzeiten der Ingenieure je Person ausgewertet werden; dann greift §87 Abs. 1 Nr. 6 BetrVG (bzw. die Rechte des Personalrats). Unterrichten Sie den Betriebsrat dennoch nach §90 Abs. 1 Nr. 3, wenn sich Arbeitsprozesse ändern.

Datenschutz: Sensordaten sind normalerweise nicht personenbezogen; Verkehrs- oder Kameradaten können es sein, beziehen Sie daher die Datenschutzbeauftragte bzw. den Datenschutzbeauftragten ein, wenn Kennzeichen oder Videos auftauchen (GUIDE-005).

KI-Kompetenz: Unterstützen Sie Ingenieure mit kurzen Schulungen zu Basislinien, Fehlalarmen und den Grenzen unüberwachter Erkennung (GUIDE-006).

Pilot und Bedenken: Beginnen Sie mit einem Bauwerk und lassen Sie die Warnungen im Schattenbetrieb neben den regulären Prüfungen laufen. Ingenieure könnten befürchten, kontrolliert oder mit Fehlalarmen überlastet zu werden; begegnen Sie dem mit Persistenzregeln, transparenten Indikatoren und klarer menschlicher Entscheidungshoheit (GUIDE-009, GUIDE-008).

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): Die Einstufung hängt vom Einzelfall ab. Anhang III Nr. 2 nennt KI als Sicherheitsbauteil bei Verwaltung und Betrieb kritischer digitaler Infrastruktur, des Straßenverkehrs oder der Versorgung mit Wasser, Gas, Wärme oder Strom [9]. Reine Zustandsüberwachung, die Ingenieure berät, ist in der Regel kein solches Sicherheitsbauteil (minimales Risiko); ein System, das automatisch Fahrspuren sperrt, den Verkehr einschränkt oder als Sicherheitsfunktion eines Versorgungsbauwerks wirkt, kann dagegen Hochrisiko sein – prüfen Sie von Fall zu Fall. Art. 4 (KI-Kompetenz) gilt.
• Bau- und Prüfrecht: Die Prüfungen nach DIN 1076 und die deutschen Nachrechnungsrichtlinien bleiben verpflichtend; Monitoring ergänzt sie, ersetzt sie aber nicht. Die Tragwerksplaner behalten die fachliche Verantwortung für die Beurteilung.
• DSGVO: in der Regel keine personenbezogenen Daten; Verkehrserfassung per Kamera oder Kennzeichen wäre personenbezogen, nutzen Sie daher anonyme Weigh-in-Motion-Messungen oder aggregierte Zählungen.
• NIS2/kritische Infrastruktur: Betreiber kritischer Infrastruktur müssen Sensornetze und Datenverbindungen absichern.
• Risiken: Falsch-negative Ergebnisse erzeugen trügerische Sicherheit, falsch-positive führen zu unnötigen Sperrungen, Anbieterbindung durch proprietäre Formate, Cyberangriffe auf Sensordatenströme. Gegenmaßnahmen: unabhängige Redundanz, dokumentierte Warnschwellen, offener Datenexport, regelmäßige Sensorkalibrierung, Prüfprotokoll und eine definierte Eskalationskette zu einer qualifizierten Ingenieurin bzw. einem qualifizierten Ingenieur.

Erste Schritte

1. Legen Sie mit einem Tragwerksplaner Überwachungsziel und Versagensarten fest (welcher Schaden, wo, welche Maßnahme folgt auf eine Warnung).
2. Installieren Sie ein Pilot-Sensorset (Beschleunigung, Dehnung, Temperatur) und sammeln Sie mindestens einen vollständigen Jahreszyklus an Basisdaten.
3. Führen Sie OMA mit pyOMA durch und verfolgen Sie die Frequenzen gegenüber der Temperatur; bauen Sie zunächst eine einfache regressionsbasierte Normalisierung.
4. Ergänzen Sie unüberwachte Anomalieerkennung (Darts/PyOD) und validieren Sie sie an bekannten Ereignissen wie Ertüchtigung oder Testlasten.
5. Binden Sie Warnungen mit dokumentierter Prüfung und Eskalation in den Prüfablauf ein; erst danach kommen Foundation-Modelle oder LLM-Berichte in Betracht.

Quellen

1. P-BIM (Predictive Bridge Information Deep Learning Model for Anomaly Detection), University of Würzburg Data Science Chair — https://www.informatik.uni-wuerzburg.de/datascience/projects/physics-informed-deep-learning/p-bim-concluded/
2. HBK/HBM — OSiMaB project (mFUND, BASt-funded adaptive bridge safety evaluation) — https://www.Hbm.com/en/9279/osimab-project-on-the-road-to-mobility-40/
3. Algorithms and Techniques for the Structural Health Monitoring of Bridges: Systematic Literature Review (PMC) — https://www.ncbi.nlm.nih.gov/pmc/articles/PMC10181214/
4. pyOMA — Operational Modal Analysis toolbox (Bauhaus-Universität Weimar) — https://github.com/pyOMA-dev/pyOMA
5. Carola Bridge (Dresden collapse, 11 Sept 2024; sensor-detected cracks Feb 2025) — https://en.wikipedia.org/wiki/Carola_Bridge
6. Amazon Science — Chronos forecasting models (Chronos-2) — https://github.com/amazon-science/chronos-forecasting
7. Darts time-series library (anomaly detection module) — https://github.com/unit8co/darts
8. Structural health monitoring overview (Wikipedia) — https://en.wikipedia.org/wiki/Structural_health_monitoring
9. EU AI Act Annex III (point 2, critical infrastructure) — https://artificialintelligenceact.eu/annex/3/
10. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj