KI-gestützte Bauzustandsprüfung von Großstrukturen |
Ein neuer Ansatz für die Bauzustandskontrolle
| Zeitschrift | Industry 4.0 Science |
| Ausgabe | 42. Jahrgang, 2026, Ausgabe 5, Seite 78-84 |
| Open Access | https://doi.org/10.30844/I4SD.26.5.9 |
| Literatur | Teilen | Zitieren | Download |
Abstract
Keywords
Artikel
Die Errichtung komplexer Großstrukturen wie Gebäuden, Produktionsanlagen oder Schiffen, erfordert eine kontinuierliche Überwachung des Bauzustands, um Abweichungen frühzeitig zu erkennen und gezielt darauf reagieren zu können. Diese Bauzustandskontrolle (BZK) umfasst die systematische Erfassung und Dokumentation von Prozessen, Planungs- und Arbeitsschritten während der Produktionsphase, um die Einhaltung technischer Vorgaben, Qualitätsstandards und gesetzlicher Anforderungen sicherzustellen. Dazu gehören insbesondere die Datenerfassung sowie der Abgleich mit einer festgelegten Entität [1]. Darauf aufbauend erfolgen die Interpretation und Bewertung sowie die Ableitung von Maßnahmen.
Die BZK erstreckt sich über mehrere Prüfdimensionen: die geometrische Dimension (Anwesenheit und Position von Bauteilen), die zeitliche Dimension (Termine und Reihenfolgen) sowie die qualitative Dimension (Zustand). Je nach Prüfzeitpunkt kann die Kontrolle der Freigabe eines Arbeitsschritts, der Abnahme einer Baugruppe oder der Dokumentation des Gesamtfortschritts dienen. Branchenübergreifend stehen der BZK zentrale Herausforderungen gegenüber: manuelle Erfassung, subjektive Einschätzung und heterogene Datenquellen. Um diesen zu begegnen, werden automatisierte Verfahren zur digitalen Datenerfassung, -analyse und -bewertung intensiv erforscht, unter anderem im Kontext digitaler Modelle wie dem Building Information Modeling (BIM) [2].
Im Schiffbau kommt der BZK eine besonders hohe Bedeutung zu. Schiffe werden als Unikate in einer Baustellenfertigung hergestellt, bei der zahlreiche Gewerke parallel an einer ortsfesten Struktur arbeiten [3]. Die hohe Produktkomplexität in Kombination mit strengen regulatorischen Anforderungen (z. B. durch Klassifikationsgesellschaften) führt dazu, dass der Überblick über den aktuellen Bauzustand eine Herausforderung darstellt. Systematische Prüfungen erkennen frühzeitig fehlende Bauteile und Arbeitsschritte und reduzieren kostenintensive Nacharbeiten und Verzögerungen. Gleichzeitig verursachen sie jedoch einen hohen manuellen Aufwand bei der Dokumentation und dem Abgleich mit Sollmodell und Planterminen.
Ziel des Beitrags ist es daher, die Erfassung mithilfe lernbasierter Modelle zu unterstützen und den Abgleich mit dem Produktionsplan zu automatisieren, um eine signifikante Effizienzsteigerung in der BZK zu erreichen. Das methodische Vorgehen folgt dem Design Science Research-Ansatz nach [4]: Im ersten Schritt werden die Grenzen konventioneller Verfahren analysiert und der Forschungsbedarf abgeleitet. Darauf aufbauend werden die Anforderungen an eine objektive BZK formuliert. Im dritten Schritt wird eine Systemarchitektur aus sensorbasierter Erfassung, lernbasierter Datenauswertung sowie automatisiertem Planabgleich entwickelt. Die prototypische Erprobung der Architektur erfolgt im schiffbaulichen Kontext. Abschließend werden die Ergebnisse bewertet und der weitere Forschungsbedarf aufgezeigt.
Grenzen konventioneller Bauzustandskontrolle
Die konventionelle BZK basiert überwiegend auf manuellen visuellen Inspektionen mit Fotodokumentation. Insbesondere in Baustellenfertigungen des Schiffbaus findet die Prüfung unter wechselnden räumlichen und organisatorischen Bedingungen statt. Entsprechend folgen die Zustandsbewertungen keinem standardisierten Muster, sondern sind maßgeblich vom Erfahrungswissen der beteiligten Fachkraft abhängig [5]. Um eine objektive digitale Datenbasis für die Bewertung zur Verfügung zu stellen, werden neben optischen Messverfahren zunehmend auch Methoden der Künstlichen Intelligenz eingesetzt, um die BZK zu unterstützen und zu automatisieren. Mit Verfahren wie dem 3D-Laserscanning oder der digitalen Bildverarbeitung lässt sich der Baufortschritt dabei abbilden [1].
Parallel dazu kommen zunehmend Augmented-Reality-Ansätze (AR) für die Bauüberwachung zum Einsatz. Diese projizieren Planungsinformationen direkt ins Sichtfeld und erlauben einen visuellen Soll-Ist-Vergleich vor Ort. Für einfache Prüfaufgaben haben sich AR-Ansätze als effizient erwiesen, bei komplexen Bauzuständen stoßen diese jedoch an Grenzen, da die Bewertung manuell erfolgt und daher subjektiv bleibt [6]. Beim Einsatz von 3D-Laserscannern besteht die Herausforderung, dass sie qualifiziertes Fachpersonal zur Bedienung erfordern, was wiederum ebenso ein Kostenfaktor ist [7].
Der hier vorgestellte Ansatz unterscheidet sich daher durch die automatisierte, lernbasierte Erkennung und den algorithmischen Abgleich mit Planungsdaten, wodurch eine personenunabhängige Bewertung ermöglicht wird.
Die Verknüpfung von 3D-Erfassung mit Planungsmodellen wie im BIM für den terminlichen Abgleich erfolgt bereits punktuell. In der Unikatfertigung ist dies jedoch weiterhin stark manuell geprägt. Oft fehlt Referenzmodellen die notwendige Detailtiefe oder Dynamik [8, 9]. Die Verknüpfung der Daten aus Enterprise-Resource-Planning (ERP)- und Product-Lifecycle-Management (PLM)-Systemen ist nicht hinreichend gewährleistet.
Die große Anzahl an Bauteilen und somit an Prüfmerkmalen erschwert zudem die Automatisierung des Prozesses. Hierzu zählen etwa geometrische Merkmale wie die Position, Ausrichtung oder Vollständigkeit von Rohren, Halterungen oder Armaturen. Insbesondere Bauteile, die hinsichtlich Einbauort und -zeitpunkt variabel sind („weiche Merkmale“), erfordern im Gegensatz zu exakt quantifizierbaren Größen Flexibilität in der Erfassung.
Ebenso stellt die dynamische Umgebung von Baustellen eine Hürde für die digitale BZK dar. Der Unikatbau ist durch kontinuierliche Veränderungen im Bauablauf geprägt. Bisherige Verfahren sind gegenüber realen Bedingungen nicht ausreichend robust [10].
Organisatorische und wirtschaftliche Herausforderungen wie Schulungsbedarf und hohe Investitionskosten erschweren die Implementierung zusätzlich. Aus den dargelegten Defiziten leitet sich ein klarer Forschungsbedarf ab, mit welchem sich dieser Beitrag beschäftigt.
Zielsetzung der objektiven Zustandskontrolle
Das Ziel ist die Entwicklung eines effizienten Ansatzes zur objektiven und reproduzierbaren BZK im Schiffbau. Für den Bewertungsprozess soll eine digitale und objektivierte Datenbasis zur Verfügung gestellt werden. Aus dem dargelegten Forschungsbedarf lassen sich folgende Anforderungen ableiten:
- Das System muss verschiedene Prüfmerkmale gleichzeitig und reproduzierbar erfassen und auswerten können.
- Die regelmäßige Erfassung darf keinen Mehraufwand gegenüber bestehenden Vorgehensweisen erzeugen.
- Die Auswertung muss unter realen Bedingungen einer Baustellenfertigung robust funktionieren und ohne externe Netzanbindung möglich sein.
- Die erfassten Ist-Daten müssen mit bestehenden Planungsinformationen verknüpfbar sein, um einen zeitlichen Soll-Ist-Abgleich zu ermöglichen.
- Das Ergebnis muss nachvollziehbar und interpretierbar dargestellt werden.
Im Folgenden wird die Systemarchitektur vorgestellt, die diese Anforderungen adressiert.
KI-gestützte Baufortschrittserfassung und -kontrolle
Die entwickelte Systemarchitektur basiert auf drei Kernkomponenten: einem mobilen Multisensorsystem, einer lokalen Recheneinheit zur Datenauswertung sowie einer Prüflogik für den algorithmischen Abgleich der erkannten Objekte mit dem digitalen Planungsmodell. Erst das Zusammenspiel dieser drei Komponenten ermöglicht den Übergang von der reinen Datenerfassung zu einer bewertenden BZK. Daraus ergibt sich ein prozessbegleitender Datenfluss, der sich über alle Bauphasen von der Planung bis zur Bewertung erstreckt. Bild 1 zeigt den methodischen Ablauf. In der initialen Planungsphase werden zunächst die zu erfassenden Bauteile und ihre relevanten Prüfmerkmale (vor allem Anwesenheit und Position) auf Basis eines 3D-Sollmodells definiert. Zudem werden Begehungsrouten und -zeitpunkte für eine strukturierte und reproduzierbare Datenerfassung festgelegt.
Baubegleitend erfolgt regelmäßig die messtechnische Erfassung. Hierzu werden visuelle und geometrische Sensordaten des aktuellen Bauzustands entlang der Begehungsrouten aufgezeichnet. Die lokale Recheneinheit verarbeitet und segmentiert die Sensordaten und detektiert darin Bauteile mittels eines Residual Network (ResNet) für Bilddaten [11] und des Deep-Learning-Netzwerks (PointNet) für Punktwolken [12]. Für Bauteile mit weichen Merkmalen werden 2D- und 3D-Informationen zusammengeführt, um eine kontextbasierte Zuordnung zum 3D-Sollmodell zu ermöglichen. Dabei umfassen 2D-Informationen Merkmale aus Bildern – beispielsweise Farbe, Textur und Kontur –, während 3D-Informationen geometrische Eigenschaften aus Punktwolken, wie Form und Lage, enthalten.
Grundlage dafür bietet ein 3D-Planungsmodell. Dieses orientiert sich an den etablierten Methoden zum BIM und verknüpft 3D-Sollmodell und zeitlichen Ablaufplan miteinander. Aufgrund teils geringer Detailtiefe erfolgt der Abgleich auf Typ-Ebene innerhalb räumlicher Kontexte. Hierbei werden nicht einzelne Bauteilinstanzen, sondern Bauteiltypen betrachtet, beispielsweise ein Rohr in einem definierten Raumbereich. Damit bleibt der Ansatz auch bei Modellen mit eingeschränktem Detaillierungsgrad anwendbar und geht über bestehende Ansätze hinaus [13]. Arbeitspakete und Plantermine werden über eine ERP-Schnittstelle integriert.
Der zentrale Mehrwert des Ansatzes liegt darin, dass erst durch die Verknüpfung von Ist-Zustand und Zeitplan aus einer statischen Zustandsaufnahme eine belastbare Fortschrittskontrolle entsteht. Die bei der Erfassung erkannten Bauteile werden dazu den entsprechenden Elementen im 3D-Planungsmodell zugeordnet. Die identifizierten Objekttypen inklusive ihrer Anzahl werden dabei im Rahmen des Soll-Ist-Abgleichs den im Modell für die jeweilige Räumlichkeit vorgesehenen Bauteilen zugeordnet. Bauteile, die zum geplanten Termin nicht erfasst wurden, werden als überfällig identifiziert, wodurch Abweichungen vom Bauablauf systematisch sichtbar gemacht werden. Fehlende Bauteile mit überschrittenem Plantermin werden ebenfalls im digitalen Modell visuell hervorgehoben.
Ergänzend werden Statusberichte generiert, die eine Gegenüberstellung von Soll- und Ist-Terminen enthalten. Damit wird eine fundierte Entscheidungsgrundlage für nachfolgende Prozessschritte, etwa Maßnahmen der Bauleitung, generiert.
Praktische Umsetzung im schiffbaulichen Kontext
Für den Einsatz im Baustellenumfeld eines industriellen Anwendungsfalls im Schiffbau wurde ein robustes, mobiles Handsystem entwickelt: eine kompakte Action-Kamera und ein kabelloser 3D-Handlaserscanner ermöglichen eine kontinuierliche Aufnahme entlang der Begehungsroute.
Erfasst werden Bild- und Videodaten sowie Punktwolken für die BZK. Die Verarbeitung der erfassten Daten erfolgt auf einem Standalone-Rechner im Rahmen eines Edge-Computing-Ansatzes. Mit geeigneten Lernmodellen werden die Daten segmentiert und darin Objekte detektiert. Durch die Datenreferenzierung mit dem 3D-Planungsmodell und den Objekt-IDs kann ein präziser Soll-Ist-Abgleich durchgeführt werden (Bild 2).
Hierzu wurde ein Software-Prototyp mit Objekt-Datenbank entwickelt, der die Plan-Daten lokal zusammenführt und die Ist-Daten bewertet sowie visualisiert. Zur Integration der benötigten Informationen wurden Schnittstellen zu ERP- und PLM-System implementiert. Zentrale Grundlage ist das 3D-Modell mit Bauteilstruktur aus dem PLM-System. Das ERP-System liefert Daten zu Arbeitspaketen und Planterminen. Die Zuordnung der Montage-Arbeitspakete zu den Bauteilen erfolgt anhand der jeweiligen Baugruppe und des dazugehörigen Raums.
Die durch die Messung erkannten Objekt-IDs werden algorithmisch dem Soll-Modell zugeordnet. Maßgeblich ist dabei die definierte Örtlichkeit, in der die Erfassung durchgeführt wurde. Der zuvor in der Architektur beschriebene Abgleich auf Typ-Ebene wird hierbei umgesetzt. Auf diese Weise wird für Fälle ohne eineindeutige Bauteilidentifikation ebenfalls eine belastbare Zustandsaussage ermöglicht. Durch die Verknüpfung können nun der Montagestatus und das Erfassungsdatum jedes Bauteils automatisch aktualisiert werden. Auf Grundlage des Erfassungszeitpunkts wird gleichzeitig der jeweilige Ist-Termin für erkannte Bauteile gesetzt.
Eine am 3D-Modell orientierte Benutzeroberfläche visualisiert den Soll-Ist-Abgleich farblich. Ein Ampelsystem bewertet Terminabweichungen anhand von Fertigstellungsgrad und Verzug (Erfassungszeitpunkt zu Plantermin). „Grün“ steht für montierte Bauteile, „Gelb“ für nicht montierte Bauteile mit anstehendem Plantermin und „Rot“ für eine Terminüberschreitung. Dies ermöglicht eine schnelle Einschätzung des Bauzustands und mehr Raum für die Bewertung und die Ableitung geeigneter Maßnahmen zwischen den Erfassungszyklen. Bild 2 zeigt den schematischen Ablauf.
Beitrag zur Effizienzsteigerung in der Unikatfertigung
Das entwickelte System zur Bauzustandskontrolle bietet klare Vorteile für den komplexen und dynamischen Schiff- und Anlagenbau, da es auch Bauteile mit variablen Einbauorten erfassen kann. Die einfache Handhabung ermöglicht eine Erhöhung der Prüffrequenz, wodurch Abweichungen früher erkannt werden. Durch den Einsatz eines mobilen Handscanners wird zudem eine intuitive Bedienung unabhängig von spezifischem Fachpersonal ermöglicht, wodurch Messungen in kürzerer Zeit und mit 50 % geringerem Bedarf an Nacharbeiten durchgeführt werden können.
Gleichzeitig wird durch die objektive Bewertung eine konsistentere BZK geschaffen. Die im Rahmen der initialen Planungsphase formalisierten Merkmale werden hinterlegt und stehen damit dauerhaft zur Verfügung.
Ein weiterer Vorteil ist die verwendete Kombination aus 2D- und 3D-Daten bei der BZK. Diese verbessert die Robustheit der Objekterkennung und der Zuordnung zum 3D-Planungsmodell. Die dezentrale Systemarchitektur bietet zudem den Vorteil der geringen Abhängigkeit von externen Netzinfrastrukturen. Da alle Verarbeitungsschritte lokal erfolgen, bleibt das System auch in Umgebungen mit eingeschränkter Konnektivität einsatzfähig. Gleichzeitig kann dadurch ein hohes Maß an Datensicherheit gewährleistet werden.
Ein derzeit limitierender Faktor des Systems ist hingegen dessen anfängliche Einbindung in den Prozess. Obwohl der Schulungsaufwand für das Prüfsystem gering ist, sind die Definition und das Modelltraining von Prüfmerkmalen mit einem gewissen organisatorischen Aufwand verbunden. Dennoch ist von signifikanten Effizienzsteigerungen auszugehen.
Bisher wurde das System in Testumgebungen erprobt. In diesen Untersuchungen konnten alle eingelernten Bauteile mit dem Messsystem detektiert werden. Um die Leistungsfähigkeit des Systems belastbar nachzuweisen, sind zukünftig quantifizierbare Tests im industriellen Umfeld erforderlich.
Der vorgestellte Ansatz ist somit ein Proof of Concept für die Verknüpfung von Ist-Zustand und Terminplanung mit zeitlich kontextualisierter Bewertung. Das Ampelsystem schafft eine objektive Grundlage zur Bewertung. In künftigen Untersuchungen sollen zusätzlich Abhängigkeiten und Kaskadeneffekte berücksichtigt werden, um somit automatisiert Gegenmaßnahmen vorschlagen zu können. Mit diesem Übergang von der reinen Zustandserfassung hin zu einem entscheidungsunterstützenden System sind weitere Effizienzsteigerungen zu erwarten.
Literatur
[1] Perkonig, C. E.: Gebäudeerkundungsmethoden zur ganzheitlichen Gebäudeerfassung, Diploma Thesis, Technische Universität Wien 2025.[2] Borrmann, A.; König, M.; Koch, C.; Beetz, J. (eds): Building Information Modeling – Technology Foundations and Industry Practice. Cham 2018.
[3] Gruß, R.: Schlanke Unikatfertigung: Zweistufiges Taktphasenmodell zur Steigerung der Prozesseffizienz in der Unikatfertigung auf Basis der Lean Production, 1. Auflage. Beiträge zur Produktionswirtschaft. Wiesbaden 2010.
[4] Peffers, K.: The Design Science Research Process: A Model for Producing and Presenting Information Systems Research. In DESRIST International Conference on Design Science Research in Information Systems and Technology, Claremont, CA, USA, February 24–25, 2006, S. 83–106.
[5] Sender, J.; Geist, M.; Fischer, A.; Flügge, W.: Digitales Bauzustandsmonitoring im Schiffbau. In: ZWF Zeitschrift für wirtschaftlichen Fabrikbetrieb 116 (2021).
[6] Asmar, P. G.: Contextualizing benefits and limitations reported for augmented reality in construction research, In: Journal of Information Technology in Construction (2021).
[7] Kim, J.-Y.: Measurement of Work Progress Using a 3D Laser Scanner in a Structural Framework for Sustainable Construction Management. In: Sustainability 16 (2024), 1215.
[8] Bosché, F.: Computer vision-based interior construction progress monitoring: A literature review and future research directions. In: Advanced Engineering Informatics 24 (2010), S. 107–118.
[9] Jagusch, K., Sender, J. Jericho, D., Flügge, W.: Digital thread in shipbuilding as a prerequisite for the digital twin. In: Procedia CIRP 104 (2021), S. 318–323
[10] Ekanayake, B.: Automated recognition of 3D CAD model objects in laser scans and calculation of as-built dimensions for dimensional compliance control in construction, In: Automation in Construction 127 (2021), 103705
[11] He, K.: Deep Residual Learning for Image Recognition (2015).
[12] Qi, C.: PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation (2016).
[13] Wandt, R.: Modellgestützte Fertigungssteuerung in der Unikatfertigung am Beispiel des Schiffbaus. Dissertation. Technische Universität Hamburg-Harburg 2014.
Lösungen: Produktionsplanung
Das könnte Sie auch interessieren
