Füllstandserkennung im Laubfangkorb Intelligenter Sensor für den Straßenabfluss Sensorik, Straßenabfluss, Laubfangkorb, IoT, LoRaWAN Henric Breuer, Benjamin Jung, Alexander Kotelnikow, Dieter Dalle, Felix Herrmann, Florence Kiehl, Felix Hüning Im Forschungsprojekt „ILSe“ wurde ein intelligenter Sensor entwickelt, der den Füllstand von Laubfangkörben im Straßenabfluss messen, mittels der LoRaWAN-Funktechnologie übertragen und auf einem Dashboard anzeigen kann. Auf Basis dieser Daten können die Laubfangkörbe gezielt gereinigt werden, um den Wasserabfluss, insbesondere bei starken Regenfällen, zu maximieren. So können Überschwemmungen reduziert bzw. vermieden werden. Zudem wird die Infrastruktur geschützt und die Sicherheit des Verkehrs erhöht. Des Weiteren können Betriebsabläufe durch die bedarfsgerechte Reinigung der Laubfangkörbe effizienter gestaltet werden. Einleitung A u f g r und d e s K lima w a nd e l s kommt es in Deutschland vermehr t zu E x tremwet terereignissen wie Hitze, Stürmen oder Starkniederschlägen [1]. Dabei stellen Starkregenereignisse, die aufgrund ihres räumlich sehr begrenzten Auftretens kaum exakt zu prognostizieren sind, eine große Herausforderung für die Infrastruktur dar [2]. Diese muss in der Lage sein, in kurzer Zeit große Niederschlagsmengen abführen zu können, um z.B. überflutete Straßen und damit Gefahren für den Verkehr und die Infrastruktur zu vermeiden. In dieser Hinsicht spielen Straßenabläufe eine entscheidende Rolle, da sie eine Engstelle für den Wasserfluss ins Kanalnetz darstellen, insbesondere auch durch die integrierten Laubfangkörbe. Eine Verschmutzung der Laubfangkörbe durch Laub oder Müll reduziert zusätzlich den Querschnitt des Wasse- 24 1 · 2025 TR ANSFORMING CITIES DOI: 10.24053/ TC-2025-0008 schall-Sensoren messen, übertragen und mittels KI auswerten kann, um Ablagerungen frühzeitig zu entdecken und die Spülung der Kanäle bedarfsgerecht durchzuführen [7]. Projekt ILSe Das Projekt ILSe wurde vom BMDV durch die Innovationsinitiative mFUND 1 gefördert, um einen intelligenten Sensor zu entwickeln, der den Füllstand des Laubfangkorbs und andere Umgebungsdaten erfasst und per LoRaWAN an ein Dashboard übertragen kann, wie in Bild 1 schematisch dargestellt. Die Projektziele waren: 1. Entwicklung eines intelligenten Sensors für den Einsatz im Laubfangkorb 2. Ver vielfältigung und Validierung der Prototypen im Feldtest 3. Entwicklung eines Webservices zur anwendungsgerechten Datenbereitstellung Dabei stellt der Einbauort für den Sensor, im metallischen Laubfangkorb unterhalb des Straßenniveaus, eine große Herausforderung dar: ƒ Raue Umgebungsbedingungen (Wasser, Schmutz, Temperatur) ƒ Mechanische Beanspruchung bei Reinigung des Laubfangkorbs ƒ Funkübertragung per LoRa- WAN aus dem metallischen Korb, der unter Straßenniveau platziert ist ƒ Lange Lebensdauer und hohe Nachhaltigkeit Diese Herausforderungen wurden beim Design und der Entwicklung von Beginn an berücksichtigt und insbesondere in den Feldtests intensiv entwicklungsbegleitend untersucht. Sensordesign & Software Ultraschall-Sensoren haben sich in Vor versuchen als wenig geeignet für den Einsatz in Laubfangkörben er wiesen, da die Funktionsfähigkeit aufgrund der schmutzigen Umgebung schnell eingeschränkt wurde. Daher wurde als Sensor ein Time-of-Flight- Sensor (ToF) von STMicroelectronic ausgewählt, der ein Sichtfeld von 27° aufweist, das in 4 unabhängige Messregionen aufgeteilt ist (ROI, region of interest) und Messdistanzen von 4 mm bis 4 m erfassen kann [8]. Dieses optische Sensorprinzip ist schnell, robust, energieeffizient und erfüllt somit die Anforderungen an die Sensoreinheit. Für die Signalverarbeitung und die Datenübertragung wird das Modul CMW X1Z Z ABZ von MuRata eingesetzt, das einen Low-Power-Microcontroller und ein LoRaWAN Modem vereint [9]. Diese Integration der Komponenten in Verbindung mit effizienten Energiesparmodi ermöglicht einen kleinen Bauraum, eine kleine Stückliste und einen energiesparenden Betrieb des Gesamtsysrablaufs und erhöht damit den Wasserrückstau [3]. Die Reinigung der Laubfangkörbe geschieht derzeit in der Regel zeitgesteuert, d.h. die Reinigungsbetriebe reinigen alle Straßenabläufe nach einem vorgegebenen zeitlichen Schema. Somit ist sichergestellt, dass alle Abläufe regelmäßig gereinigt werden, allerdings werden zeitliche, lokale und spezifische Besonderheiten dabei außer Acht gelassen. Dieses Vorgehen ist sehr einfach planbar, aber ineffizient, wenn Abläufe gereinigt werden, die nicht verschmutzt sind und wenig individuell, um auf starke Verschmutzungen von Straßenabläufen reagieren zu können und den Wasserablauf optimal zu halten. Um auf lokale Verschmutzungen reagieren zu können, müssen Informationen über den Zustand des Straßenablaufs bzw. des Laubfangkorbs vorliegen. Stand der Technik Während smarte Sensorik oberhalb der Straßendecke sehr verbreitet ist, hält sie nur langsam Einzug in Einsatzgebiete unterhalb der Straßendecke. Das Projekt „Low Cost Gully Monitoring“ hat einen Gully-Detektor entwickelt, der den Wasserstand im Gully misst und per Sigfox überträgt [4]. Die Installation des Detektors findet direkt unter dem Gullyrost statt. Die Firma Vega hat einen Füllstands-Detek tor für Sinkkästen entwickelt, der auf dem Radar-Prinzip beruht und die Daten mittels LoRaWAN überträgt [5]. Ebenfalls auf Radar-Technologie setzt der Sensor der Firma Mictronics, der auch den Wasserpegel misst [6]. Damit messen diese Systeme den Wasserstand und nicht den Befüllungsgrad mit Schmutz, um prädiktiv eine Reinigung starten zu können. Die Firma Kanal Netz GmbH hat ein System entwickelt, das Ablagerungsverhalten in Kanälen mittels Ultra- Bild 1: Schematische Darstellung des Datenflusses von der Erfassung durch den intelligenten Sensor bis zur Ausgabe in einem flexiblen Medium PRAXIS + PROJEKTE IoT 25 1 · 2025 TR ANSFORMING CITIES DOI: 10.24053/ TC-2025-0008 Daten über einen MQT T-Broker in eine Timeseries-Datenbank geschrieben. Die dort bereitgestellten Daten werden mittels Grafana visualisiert, s. Bild 3. Neben der interaktiven Standortkarte und der Darstellung der Füllstände werden weitere Umwelt- und Systemdaten dargestellt, wie Umgebungstemperatur oder Spannungsdaten der Energieversorgung. Des Weiteren wird die Verbindungsqualität der Sensoren mit dem LoRaWAN-Netz durch ein Verbindungssignaldiagramm überwacht. Ergebnisse Die Prototypen wurden mit Hilfe eines Teststands und einer Klimakammer hinsichtlich ihrer Messgenauigkeit und Robustheit untersucht. Im Temperaturbereich von -10 °C bis 40 °C liegt die maximale Standardabweichung bei ca. 2 mm, so dass die Anforderungen an die Genauigkeit der Füllstandsmessung voll erfüllt werden. Weitere Tests umfassten Spritzwassertests, Verschmutzungstests und inhomogene Füllhöhen des Laubfangkorbs. Für die finalen Feldtests wurden mehr als 20 Prototypen unterschiedlicher Varianten in Laubfangkörbe von Straßenabflüssen in Aachen und Hagen eingebaut. Die Sensoren in Aachen wurden im Umkreis von ca. 400 m bis 1100 m zum LoRa-Gateway am Drehturm Belvedere auf dem Lousberg derart installiert, dass mehrere gängige Szenarien abgedeckt werden können. So gibt es auf der Ludwigsallee viele Bäume und damit Laub, das die Körbe füllt, wohingegen die Laubfangkörbe in der Nähe des Ponttors keine Bäume in der Nähe haben, sondern an viel befahrenen Straßen liegen. Die Kupferstraße dagegen weist ein starkes Gefälle auf, so dass bei stärkeren Regenfällen die Gehäuse strapaziert werden. Die genauen Positionen sind in Bild 4 Um eine möglichst lange Sensorlebensdauer zu realisieren, wurde die Leistungsaufnahme des Gesamtsystems, neben der Auswahl energieeffizienter Komponenten, auch softwaretechnisch untersucht und optimiert. Dazu wurden die Energiesparmodi des Microcontrollers genutzt, um den Energieverbrauch zwischen Mess- und Sendeereignissen zu minimieren. So konnte der Stromverbrauch im Deep Sleep Mode auf ca. 400 nA reduziert werden. Ein Mess- und Übertragungszyklus dauert etwa 18 s bei einem Stromverbrauch von ca. 25 mC, so dass die Lebensdauer des Systems bei 4 Mess- und Übertragungszyklen pro Tag größer als 10 Jahre ist. Wie in Bild 1 dargestellt, findet die Datenübertragung aus dem Laubfangkorb mittels LoRaWAN zu einem LoRa- Gateway statt. Vom LoRa-Gateway werden die tems. In Bild 2 links ist die Platine mit dem ToF-Sensor (unten) und dem Controllermodul dargestellt, rechts der finale Protot yp mit Abmessungen 85 mm x 53 mm x 38 mm, eingebaut am oberen Rand des L aubfangkorbs. Die Gehäuse der finalen Prototypen wurden mittels Resin-3D-Druck gefertigt, bei dem einzelne flüssige Lagen aus Harz aufgetragen und dann mit UV-Licht ausgehärtet werden. Für den Sensor wird ein durchsichtiges Messfenster integriert. Als Energieversorgung dient eine 3V-CR123 Batterie, die aufgrund ihrer hohen Energiedichte bei kleinen Abmessungen eine große Kapazität von ca. 1500 mAh auf weist. Zudem können alle Komponenten ohne weitere Spannungswandler direkt angeschlossen werden, was die Effizienz der Schaltung erhöht. Bild 2: links: Platine mit ToF-Sensor (links), Controllermodul (mitte) und PCB-Antenne (unten); rechts: finales 3D-Druckgehäuse, eingebaut am oberen Rand des Laubfangkorbs Bild 3: Dashboard mit der interaktiven Standortkarte, die die geografische Verteilung der Sensoren darstellt und den Füllgrad farblich markiert, und weiteren Sensordaten PRAXIS + PROJEKTE IoT 26 1 · 2025 TR ANSFORMING CITIES DOI: 10.24053/ TC-2025-0008 Die Sensoren wurden über mehrere Wochen im Feld belassen, um deren Robustheit und Messfähigkeit zu testen, insbesondere während und nach Regenereignissen. Dabei ist zu beachten, dass die Gehäuse aus dem Resin-3D-Druck keine Langzeit-Dichtigkeit aufweisen können, wie später finale Gehäuse aus Spritzguss. In Bild 5 sind oben die Messwerte der 4 Messregionen eines Sensors im Zeitraum von 2,5 Tagen dargestellt. Die unterschiedlichen Messwerte zwischen je 2 Messregionen rühren daher, dass 2 Messbereiche auf den Laubfangkorbboden gerichtet sind, wohingegen 2 auf die Seitenwand treffen. Unten in Bild 5 sind die Regenmengen dargestellt. Deutlich ist zu erkennen, dass die Messungen während des Regens stark schwanken, sich aber nach dem Regen innerhalb kurzer Zeit wieder einpendeln und verlässlich sind. Dies liegt daran, dass Wassertropfen das Sichtfenster des Sensors benetzen und somit zu verfälschten Messergebnissen führen. Sobald die Tropfen das Sichtfenster nicht mehr benetzen, stabilisieren sich die Messwerte wieder. Als gewünschter Nebeneffekt können die Tropfen das Sichtfenster des Sensors so reinigen. Der Sensor sowie die Ergebnisse der Feldtests wurden Mitarbeitenden von Reinigungs- und Stadtbetrieben vorgestellt, um deren Feedback einzuholen und Anwendungsszenarien basierend auf den Ergebnissen zu entwickeln. Dabei ergaben sich folgende mögliche Anwendungsszenarien: ƒ Einbau von Sensoren an Stellen, die für die Infrastruktur bei Überschwemmungen kritisch dargestellt und entsprechen den Positionen im Dashboard (Bild 3). Bei einem Test der Sensoren mit einem mobilen LoRa-Gateway, das in unmittelbarer Nähe der Sensoren platziert wurde, konnten alle Sensoren Daten aus dem Laubfangkorb übertragen werden. Bei Nutzung des nächstgelegenen Gateways auf dem Lousberg hingegen konnten einige Sensoren keine Verbindung zum Gateway herstellen. Obwohl die Distanzen von den Sensorpositionen zum Gateway nicht wesentlich größer waren als bei einem ersten Feldtest, der erfolgreich mit dem Gateway in der Nähe der FH Aachen durchgeführt wurde, konnten somit von diesen Sensoren auch keine Daten übertragen werden. Dies kann auf die dichtere Bebauung zurückgeführt werden, wodurch mehr höhere Gebäude in der Funkstrecke standen und die Verbindung störten, wobei keine direkte Korrelation zwischen Einbauort und Übertragungsfähigkeit ermittelt werden konnte. So konnte bei Sensoren, die in benachbarten Straßenabflüsse montiert wurden und nur wenige Meter auseinander lagen, ein Sensor eine Verbindung zum Gateway herstellen, der andere nicht. Dies unterstreicht die Notwendigkeit, beim Einbau der Sensoren die Datenübertragung individuell zu testen. Bild 4: Einbauorte der Prototypen im Feldtest am Aachener Lousberg, rot ist das LoRa- Gateway markiert Bild 5: oben: Messwerte der 4 Messregionen eines Sensors während eines Zeitraums von 12 Tagen; unten: Regenmengen im gleichen Zeitraum PRAXIS + PROJEKTE IoT 27 1 · 2025 TR ANSFORMING CITIES DOI: 10.24053/ TC-2025-0008 sind, um diese gezielt leeren zu können ƒ Dauerhafter Einbau von Sensoren an repräsentativen Stellen (z.B. einer pro Straßenzug, an Stellen mit großem Baumbestand), um die Betriebsabläufe der Betriebe durch zielgerichtete Reinigung zu optimieren; dies kann insbesondere dem Fachkräftemangel in den Reinigungsbetrieben entgegenwirken ƒ Engmaschiges Sensornetzwerk in einzelnen Stadtvierteln über ein Jahr, um auf dieser Datenbasis, evtl. mittels KI, die Reinigungsprozesse zu optimieren, und Installation dieser Sensoren in anderen Stadtvierteln in den Folgejahren, um so über einen längeren Zeitraum Informationen über die gesamte Stadt zu erhalten Fazit und Ausblick Die im Rahmen des Projekts ILSe entwickelten Sensoren messen den Befüllungsgrad von Laubfangkörben mittels eines Timeof- Flight-Sensors und übertragen die Daten per LoRaWAN an eine Datenbank und von dort aus an ein Dashboard. Dort können die Daten auf vielfältige Art und Weise genutzt werden, z.B. zur bedarfsgerechten Reinigung der Laubfangkörbe. So können kritische Füllstände frühzeitig erkannt und die Betriebsabläufe zur Reinigung optimiert werden. Dies ermöglicht einen gezielteren Einsatz des Fachpersonals, um dem Fachkräftemangel bei Reinigungsbetrieben entgegenwirken zu können. Der Sensor liegt als validierter Prototyp vor, der im dauerhaften Feldtest seine Einsatzfähigkeit unter Beweise gestellt hat. In möglichen Folgeprojekten können jetzt die Einsatzszenarien mit Anwendungspartnern konkret evaluiert werden. ENDNOTEN 1 Förderkennzeichen 19FS1010A/ 19FS1010B/ 19FS1010C LITERATUR [1] https: / / www.umweltbundesamt. de/ themen/ klima-energie/ klimafolgen-anpassung/ folgen-des-klimawandels/ klimafolgen-deutschland/ regionale-klimafolgen-in-nordrhein-westfalen#wichtige-studienund-projekte (Abruf 28.01.2025) [2] https: / / www.umweltbundesamt. de/ monitoring-zur-das/ handlungsfelder/ verkehr-verkehrsinfrastruktur/ ve-i-5/ indikator (Abruf 28.01.2025) [3] https: / / bi-medien.de/ fachzeitschriften/ umweltbau/ regenwassermanagement/ erkenntnisse-aus-forschungsprojekt-hydraulische-leistungsfaehigkeit-von-strassenablaeufen-u13954 (Abruf 28.01.2025) [4] https: / / smartdocklands.ie/ project/ low-cost-gully-monitoring-Detektors (Abruf 28.01.2025) [5] https: / / www.vega.com/ de-de/ branchen/ wasser-abwasser/ abwasseraufbereitung/ sinkkasten (Abruf 28.01.2025) [6] https: / / microtronics.com/ nie-wieder-ein-event-im-kanal-verpassen/ (Abruf 28.01.2025) [7] https: / / bi-medien.de/ fachzeitschriften/ umweltbau/ kanalbau-kanalbetrieb/ smarte-entwaesserungvon-turnusmaessiger-zu-bedarfsgerechter-kanalreinigung-u14282 (Abruf 28.01.2025) [8] ST VL53L1X Datenblatt, STMicroelectronics, DS12385 - Rev 8 - August 2024 [9] CMWX1ZZABZ Datenblatt, Murata, SP-ABZ-093-M Eingangsabbildung: © iStock.com/ EyeEm Mobile GmbH AUTOR: INNEN Henric Breuer, 4traffic SET GmbH h.breuer@4traffic. email Benjamin Jung, 4traffic SET GmbH b.jung@4traffic. email Alexander Kotwlnikow, 4traffic SET GmbH a.kotelnikow@4traffic. email Dieter Dalle, Dekimo Experts Aachen GmbH dieter.dalle@dekimo. com Felix Herrmann, Dekimo Experts Aachen GmbH felix.herrmann @dekimo.com Florence Kiehl, FH Aachen, Fachbereich 5, Elektrotechnik und Informationstechnik kiehl@fh-aachen.de Felix Hüning, Prof. Dr., FH Aachen, Fachbereich 5, Elektrotechnik und Informationstechnik huening@fh-aachen.de \ Gesundheit \ Romanistik \ Theologie \ Kulturwissenschaften \ Soziologie \ Theaterwissenschaft \ Geschichte \ Spracherwerb \ Philosophie \ Medien- und Kommunikationswissen schaft \ Linguistik \ Literaturgeschichte \ Anglistik \ Bauwesen \ Fremdsprachendidaktik \ DaF \ Germanistik \ Literaturwissenschaft \ Rechtswissenschaft \ Historische Sprachwissen schaft \ Slawistik \ Skandinavistik \ BWL \ Wirtschaft \ Tourismus \ VWL \ Maschinenbau \ Politikwissenschaft \ Elektrotechnik \ Mathematik & Statistik \ Management \ Altphilologie \ Sport \ Gesundheit \ Romanistik \ Theologie \ Kulturwissenschaften \ Soziologie \ Theaterwissenschaft \ Geschichte \ Spracherwerb \ Philosophie \ Medien- und Kommunikations wissenschaft \ Linguistik \ Literaturgeschichte \ Anglistik \ Bauwesen \ Fremdsprachendidaktik \ DaF \ Germanistik \ Literaturwissenschaft \ Rechtswissenschaft \ Historische Sprach wissenschaft \ Slawistik \ Skandinavistik \ BWL \ Wirtschaft \ Tourismus \ VWL \ Maschinenbau \ Politikwissenschaft \ Elektrotechnik \ Mathematik & Statistik \ Management \ Alt philologie \ Sport \ Gesundheit \ Romanistik \ Theologie \ Kulturwissenschaften \ Soziologie \ Theaterwissenschaft \ Linguistik \ Literaturgeschichte \ Anglistik \ Bauwesen \ Fremdsprachendidaktik \ DaF \ Germanistik \ Literaturwissenschaft \ Rechtswissenschaft \ Historische Sprachwissenschaft \ Slawistik \ Skandinavistik \ BWL \ Wirtschaft \ Tourismus \ VWL \ Maschinenbau \ Politikwissenschaft \ Elektrotechnik \ Mathematik & Statistik \ Management \ Altphilologie \ Sport \ Gesundheit \ Romanistik \ Theologie \ Kulturwissen schaften \ Soziologie \ Theaterwissenschaft \ Geschichte \ Spracherwerb \ Philosophie \ Medien- und Kommunikationswissenschaft \ Linguistik \ Literaturgeschichte \ Anglistik \ Bauwesen \ Fremdsprachendidaktik \ DaF \ Germanistik \ Literaturwissenschaft \ Rechtswissenschaft \ Historische Sprachwissenschaft \ Slawistik \ Skandinavistik \ BWL \ Wirtschaft Bauwesen \ Fremdsprachendidaktik \ DaF \ Germanistik \ Literaturwissenschaft \ Rechtswissenschaft \ Historische Sprachwissenschaft \ Slawistik \ Skandinavistik \ BWL \ Wirtschaft PRAXIS + PROJEKTE IoT 28 1 · 2025 TR ANSFORMING CITIES DOI: 10.24053/ TC-2025-0008