Projektbeschreibung

Das ZEKISS-Projekt widmete sich der KI-gestützten Zustandsbewertung von Eisenbahnbrücken und Zügen im Sinne eines Predictive-Maintenance-Konzepts. Dafür wurden Sensordaten („Brücke misst Zug“, „Zug misst Brücke“) erfasst und mit BIM-basierten Strukturmodellen zu digitalen Zwillingen verknüpft. Künstliche Intelligenz, etwa Mustererkennung und Supervised Learning, ermöglichte eine automatisierte Auswertung umfangreicher Messdaten. So wurden Resonanzen erkannt, Schäden früher diagnostiziert und Wartungen optimiert. Dies schuf neue Einblicke in die dynamische Interaktion von Fahrzeug und Bauwerk.

Ergebnisse und Wirkung

Das Projekt erzielte wesentliche Fortschritte in der Integration von KI und Strukturdynamik. Die TU Darmstadt entwickelte Drive-by-Monitoring-Methoden, um aus Zugmessungen Zustandsdaten für Brücken zu gewinnen. Ein virtueller Achsdetektor identifizierte Überfahrten anhand von Beschleunigungssignalen. Zudem erlaubten KI-Ansätze wie AutoEncoder eine automatisierte Schadensdetektion. Durch eine Microservice-Architektur und vernetzte BIM-Modelle wurden digitale Zwillinge kontinuierlich aktualisiert und praxisnah erprobt. Über 20 Publikationen, mehrere Abschlussarbeiten und der intensive Austausch mit der Deutschen Bahn und anderen Forschungseinrichtungen belegten den Wissenstransfer. Ergebnisse flossen bereits in reale Monitoring-Anwendungen ein und bewirkten eine höhere Akzeptanz für KI-gestützte Wartungsstrategien. So eröffnete ZEKISS nachhaltige Möglichkeiten für die Instandhaltung, reduzierte Ausfallzeiten und stärkte den Wirtschaftsstandort Deutschland.