This post is also available in: English (Englisch)
Nachhaltigkeit durch Big Data ist ein sehr wichtiges Thema. Nach unseren Berechnungen übersteigt die Menge an Abfall, die monatlich produziert wird, das Durchschnittsgewicht einer erwachsenen Person. Big Data und intelligente Algorithmen können der uns dabei helfen, effizienter mit unseren Ressourcen umzugehen.
Deshalb haben wir bei iunera mit der TPF Engenharia, der brasilianischen Tochtergesellschaft der TPF Group, zusammengearbeitet, um die Nutzung von Big Data in der Abfallsammlung in Recife, Brasilien, zu überprüfen. In diesem Artikel zeigen wir Ihnen die ersten Anwendungsmöglichkeiten von Big Data, um der Abfallsammlung unter die Arme zu greifen.
Um genau zu sein, versucht dieses Big-Data-Projekt einzuschätzen, ob Big Data genutzt werden kann, um die Fahrtroute eines Müllwagens zu verfolgen, vorherzusagen, wann und welcher Müll entsorgt werden muss und ordnungswidrig entsorgten Müll zu orten.
Ein großes DANKESCHÖN
Wir möchten die Gelegenheit nutzen, um Eduardo Scalia und José Santos zu danken, dass wir ihre Ergebnisse teilen dürfen.
Am Ende hoffen wir alle, dass Big Data vermehrt in der Abfallsammlung eingesetzt wird.
Das Problem mit der Abfallsammlung
Um dieses Analyseprojekt mithilfe von Big Data zu betreiben, konzentrieren wir uns auf drei hauptsächliche Probleme, die bei der Abfallsammlung entstehen:
- Big Data nutzen, um die Fahrtstrecken von Abfallsammelfahrzeugen zu optimieren
- Prognosen über die Müllentsorgung und -trennung machen und diese kontrollieren können
- Ordnungswidrige Müllentsorgung und Unregelmäßigkeiten identifizieren
Fahrtstrecken des Müllwagens
Sprit ist teuer und die Strecke, die ein Müllwagen zurücklegt, bestimmt, wie viel Sprit das Fahrzeug verbraucht. Offensichtlich verbraucht ein Wagen mehr Sprit, je länger der Weg ist. Allerdings sollten Schlüsselfaktoren wie eine wiederholte Zündung des Motors und Leerlaufzeiten berücksichtigt werden.
Wenn ein Müllwagen stehen bleibt, der Motor ausgemacht und dann wieder gezündet wird, dann wird Sprit verbraucht. Jedoch ist es schlimmer, den Motor im Leerlauf zu lassen, da 10 Sekunden Leerlaufzeit mehr Sprit verbraucht als eine einzige Zündung.
Sprit kostet Geld und nicht nur die Abgase sondern auch dessen Herstellung beeinflusst die Luftqualität sowie CO2-Emission. Wir wissen, dass Geld eine begrenzte Ressource ist und dass die Luft, dank der Treibhausgase durch Ölverbrennung, immer schlechter wird. Vor allem wenn das Öl durch nicht-erneuerbare Quellen gewonnen wird – was leider häufig der Fall ist.
Deshalb muss vorher festgelegt werden, wann der Motor aus- und eingeschaltet wird und wann man weiterfährt.
Kehren und Entleeren von Mülltonnen.
Hierbei müssen zwei Tätigkeiten im Gleichgewicht gehalten werden. Zunächst einmal die Notwendigkeit für einen Straßenkehrer, die öffentlichen Mülleimer zu reinigen, sodass der Müll nicht überquillt, weil er unbeaufsichtigt gelassen wurde. Und dann ist da noch die Häufigkeit, wie oft der Kehrer kontrollieren muss, wie voll die Tonne ist.
Ordnungswidrige Müllentsorgung
Menschen scheinen es zu lieben, nicht mehr benutzbare Gegenstände (dazu zählen auch Matratzen und Stühle) vor ihren Häusern abzuladen. Sie wollen, dass die ganzen Sachen von der Stadt entsorgt werden. Die Nachbarn machen es ihnen gleich und denken, dass dies eine gängige Art des Abladens von Gegenständen ist sowie gesellschaftlich (und rechtlich) akzeptabel sei.
Und dann ist da noch das Problem, dass die Abfallsammelfahrzeuge ihre Strecken nicht regelmäßig und konsistent abfahren. Sie können sich vorstellen, wie der Abfall sich dann stapeln wird.
Um die Wichtigkeit dieses Projekts zu veranschaulichen, stellen Sie sich vor, welche Konsequenzen ordnungswidrig abgeladene und aus den Eimern überquellende Abfälle nach sich ziehen, wenn sie nicht kontrolliert und sinnvoll gehandhabt werden. Beachten Sie welche Auswirkungen diese Vernachlässigung für die Umwelt und die Gesundheit von Menschen und anderen Lebewesen haben kann.
Abfälle, die Schadstoffe enthalten, können giftige Gase absondern und den Erdboden sowie Wasserquellen verunreinigen. Das Wasser ist dann nicht mehr brauchbar, vor allem nicht zum Trinken. Zudem sind Abfälle übersät mit Bakterien, daher ist eine unsachgemäße Entsorgung der perfekte Weg, um Lebewesen mit Krankheiten zu infizieren.
Des Weiteren kann unsachgemäß entsorgter Müll ein Sicherheitsrisiko darstellen. Beispielsweise kann ein Scherbe durch den Schuh eines Passanten dringen und den Fuß verletzen.
Eins ist sicher: Umweltverschmutzung durch regelwidrige Abfallentsorgung kann eine Gefährdung der Gesundheit und der Sicherheit von Menschen und Tieren darstellen.
Datenbasierte Optimierung von Abfallsammlung
Die TPF-Unternehmensgruppe soll der Stadt Recife, Brasilien, dabei helfen, den Abfall besser und effizienter zu entsorgen.
Aus diesem Grund haben wir uns von iunera mit TPF zusammengetan, um herauszufinden, ob Big-Data-Analysen dabei helfen können, die Kosten der Abfallsammlung und -entsorgung zu reduzieren.
Zwei Methoden wurden angewandt:
Streckenanalysen
Gut durchdachte Routen sind essentiell für eine optimale Abfallsammlung. Wie bereits erwähnt, wollen wir nicht, dass weder Sprit noch Geld verschwendet und die Luft unnötig mit Abgasen belastet wird.
Deshalb ist es die Aufgabe von Big Data, die gewonnenen Daten zu verarbeiten und zu reinigen, um die verschiedenen Streckenoptionen zu prüfen. Daraufhin kann anhand Big Data die Route vorgeschlagen werden, die langfristig die produktivste und effizienteste ist.
Eine große Menge an Bewegungsdaten von Abfallsammelfahrzeugen, die in einem Jahr gesammelt wurden, werden miteinander verbunden und gereinigt. Daraus ergeben sich Daten, die die durchschnittliche Bewegung und Stopps der Fahrzeuge darstellen.
Anhand dieser Daten können wir die Streckenabläufe verschiedener Tage miteinander vergleichen und die Veränderungen, die über eine bestimmte Zeit hinweg passieren, erkennen. Außerdem können wir feststellen, welche Ereignisse aufgrund von Effizienz-Engpässen die meiste Zeit in Anspruch nehmen und problematische Hotspot-Ereignisse ermitteln.
Optimierte Routenempfehlungen können entwickelt werden, um die Betriebskosten zu senken und die Effizienz zu steigern.
Raumbezogene Kosteninformationen mittels Internet der Dinge (IOT)
Verschiedene Stadtteile haben unterschiedliche Reinigungskosten. Kostenverteilungen zu kennen, ist für die Planung, Kontrolle und das Erreichen der besten Reinigungsresultate entscheidend (dazu zählen natürlich auch Kosteneinsparungen).
Big-Data-Technologien öffnen ganz neue Türen, um Bewegungsdaten von Abfallsammelfahrzeugen mit den entsprechenden Kosten zu kombinieren. Sensorbasierte Bewegungsdaten eines Jahres wurden zusammengeführt, gereinigt, gefiltert und mit Daten der Mitarbeiter, Fahrzeugkosten, Entsorgungsorte etc. kombiniert, um Heatmaps über die Kostenverteilung zu erstellen.
Die Kombination verschiedener Datenquellen und visueller Datenerfassung ermöglichen fortgeschrittene Drill-Downs. So können potentielle Kosteneinsparungen und Optimierungen einfacher erkannt werden.
Big Data nutzen um ein großes Durcheinander zu ordnen
Während der Analyse stellten wir fest, dass es mehr Situationen gibt, in denen Optimierungen der Abfallsammlung möglich sind. Daher können mehr Informationen gewonnen werden.
Allerdings haben wir bereits Möglichkeiten zur Betriebsoptimierung gefunden, indem wir die Fahrzeugbewegung untersuchten und ordnungswidrig entsorgten Abfall ermittelten:
- Durchschnittliche Haltezeiten an bestimmten Orten ermitteln, um zu erkennen, wann der Motor ausgeschaltet werden sollte, wo Unregelmäßigkeiten auftreten und Trends vorherzusehen.
- Informationen über die Orte gewinnen, an denen die meiste Zeit und der größte Aufwand zur Reinigung gebraucht wird.
- Prüfen, ob Orte übersehen wurden.
Bei der Reinigung der Mülltonnen wird empfohlen, dass die Reinigungsfachkraft das Ausmaß des Abfalls festhält und sich des Weiteren notiert, wie schnell die Tonnen sich gefüllt haben.
Alternativ dazu können auch sensorbasierte Daten genutzt werden, um herauszufinden, ob die Mülleimer voll sind und es einer Entleerung bedarf. Es kann auch helfen, vorhersagen zu können, wann die Eimer wahrscheinlich voll sein werden, damit die Reinigung frühzeitig geplant werden kann.
Machine Learning (ML) Anwendungen können mit Daten versorgt werden, die Informationen darüber enthalten, wann und wo der Eimer voll war. Infolgedessen können die Zeitreihendaten, die die Menge des Abfalls angeben als Grundlage für Prognosen genutzt werden, die aus ML Modellen gewonnen wurden.
Die Reinigungsfachkraft muss die Eimer dann nur noch prüfen, wenn die Prognosen dies anweisen. Jedes Mal, wenn die Mitarbeiter der Stadtreinigung die Tonnen untersuchen, kann das Programm ein Update erhalten. Letzten Endes kann so mehr Arbeit mit weniger Aufwand erledigt werden.
Zusammenfassend lässt sich sagen, die Ergebnisse zeigen, dass verschiedene Anwendungsfälle wie die Abfallsammlung von Datenerfassungen profitieren können. So kann der Gewinn (dank Kostensenkungen) gesteigert und die Rationalisierung verbessert werden.
Wir sehen, dass die Big-Data-Analysen letztendlich dabei helfen, Ressourcen einzusparen, wenn wir das große Chaos bereinigen, was wir Menschen jeden Tag hinterlassen. Wenn wir nicht die Vorteile von Big Data nutzen, um den Abfall ordentlich zu entsorgen, dann war alles für die Tonne.