KI-gestützte Wärmebildanalyse für Brückenkrane mit 32 Messpunkten

Gemäß den Anforderungen der Norm DIN 15018 – Kernbestimmungen zur Konstruktion von Kranen zur Temperaturüberwachung elektrischer Betriebsmittel und zur Isolationsprüfung arbeiten Brückenkrane (auch als Kranbrücken bezeichnet) unter Dauerlast und im Dauerbetrieb. Überhitzung im elektrischen System, Temperaturanstieg durch Reibung an mechanischen Komponenten sowie Alterung der Isolierung zählen zu den Hauptursachen für Geräteausfälle. Die Infrarot-Thermografie ermöglicht die berührungslose Erfassung der Temperaturverteilung auf Bauteiloberflächen und deckt Überhitzungsrisiken frühzeitig auf. Das KI-gestützte Bildauswertungssystem löst die Probleme der herkömmlichen manuellen Auswertung – starke Erfahrungsabhängigkeit, geringe Effizienz und uneinheitliche Bewertungsmaßstäbe.

Dieser Beitrag beschreibt die gesamte technische Lösungskette der intelligenten Infrarot-Thermografie-Inspektion von Brückenkranen – von der Aufnahmeprozedur vor Ort über den Aufbau der Thermografie-Merkmalsdatenbank und die Implementierung der KI-Deep-Learning-Modelle bis hin zur automatischen Generierung des Inspektionsberichts.

Einsatzbereiche und Messziele der Thermografie-Inspektion an Brückenkranen

Die Einsatzbereiche der Infrarot-Thermografie-Inspektion an Brückenkranen umfassen drei Hauptkategorien: elektrische Systeme, mechanische Antriebssysteme und strukturelle Verbindungselemente. Im elektrischen System stehen die Erwärmung der IGBT-Module im Frequenzumrichter, die Temperaturerhöhung der Statorwicklungen im Motor, lokale Überhitzung durch erhöhten Übergangswiderstand an Klemmenleisten und Kabelverbindungen sowie anomale Temperaturanstiege an Leistungsschaltern, Schützen und Relais im Schaltschrank im Fokus.

Im mechanischen Antriebssystem wird geprüft, ob die Temperaturverteilung an den Getriebelagern gleichmäßig ist, ob die Reibungswärme zwischen Reibbelag und Bremsscheibe der Bremse im Normbereich liegt, ob Wellenausrichtungsabweichungen an der Kupplung lokale Überhitzung verursachen, sowie die Betriebstemperatur von Trommellagergehäuse und Radachsenlagern. Bei den strukturellen Verbindungselementen liegt der Schwerpunkt auf anomalen Temperaturanstiegen an tragenden Stellen wie den Verbindungsschrauben zwischen Hauptträger und Kopfträger, Schienenklemmen und Halterungen der Schleifleitung – Temperaturanomalien an diesen Stellen deuten häufig auf strukturelle Lockerung oder schlechten Kontakt hin.

Hinsichtlich des Inspektionszyklus ist die Thermografie-Inspektion an Brückenkranen gestaffelt nach Betriebszustand und Wichtigkeitseinstufung durchzuführen. Geräte der Klasse A (Schwerlastkrane in Gießereien, kritische Krane in Fertigungslinien) werden monatlich vollständig thermografisch gescannt, Geräte der Klasse B (Krane in Standard-Arbeitsbereichen) vierteljährlich und Geräte der Klasse C (Reserve- oder selten genutzte Krane) halbjährlich. Nach Hochlastbetrieb, vor der heißen Jahreszeit sowie innerhalb von 24 Stunden nach Wiederinbetriebnahme nach Wartungsarbeiten ist eine zusätzliche gezielte Thermografie-Nachprüfung einzuplanen.

Die Messung ist bei Nennlast des Krans durchzuführen, wobei in der Regel ein Lastfaktor von mindestens 70 % gewählt werden sollte, damit die Erwärmungsmerkmale eindeutig erkennbar sind.

Wärmebildkamera: Auswahlparameter und Inspektionsverfahren für den Brückenkran

Die Infrarot-Inspektion von Brückenkranen stellt klare Anforderungen an die Kernleistungsparameter der Wärmebildkamera. Die Detektorauflösung sollte nicht unter 320×240 Pixel liegen; empfohlen werden Modelle mit 640×480 Pixel oder mehr, um die Erkennungsgenauigkeit kleiner Ziele in großer Entfernung sicherzustellen. Die Temperaturauflösung (NETD) sollte besser als 0,05 °C sein, bei einer Messgenauigkeit von ±2 °C oder ±2 % des Messwerts. Der Messbereich muss -20 °C bis +350 °C abdecken, um den breiten dynamischen Bereich von Niedertemperatur-Umgebungen bis hin zu Hochtemperatur-Fehlerstellen zu erfassen.

Die Wahl der Objektivbrennweite hängt von der Messdistanz ab: Für die Prüfung von Brückenkranmotoren und Bremsen in 3–5 m Entfernung genügt ein Standardobjektiv mit 24°-Sichtfeld. Für die Inspektion von Schleppleitungen und Schienenstößen in über 10 m Höhe wird ein Teleobjektiv mit 12° oder eine Laser-Entfernungsmessung mit Autofokus empfohlen. Die Wärmebildkamera sollte manuelle Fokussierung, einstellbaren Emissionsgrad (0,1–1,0 in Schritten von 0,01), Reflexions-Temperaturkompensation und Atmosphären-Transmissionskorrektur unterstützen – diese Parameter sind für die Erkennungsgenauigkeit bei der Kran-Inspektion vor Ort entscheidend.

Die Aufnahme vor Ort muss standardisierten Verfahren folgen. Vor der Aufnahme erfasst das Prüfpersonal zunächst die Umgebungsparameter: Umgebungstemperatur, Luftfeuchtigkeit, Windgeschwindigkeit, Reflexionstemperatur (üblicherweise nach der Alufolien-Methode gemessen) sowie den Emissionsgrad der zu prüfenden Oberfläche (lackierte Metallflächen ca. 0,85–0,92, blanke Metallflächen ca. 0,25–0,45). Der Aufnahmeabstand sollte im optimalen Fokusbereich der Kamera liegen und 15 m nicht überschreiten.

Für jeden Messpunkt sind mindestens zwei Thermografieaufnahmen zu erstellen: eine Panorama-Aufnahme zur Positionsbestimmung (mit umliegenden Referenzpunkten für die spätere Fehlerlokalisierung) und eine Nahaufnahme (Zielobjekt füllt mindestens ein Drittel des Bildes). Die Thermografiebilder sind im Rohformat mit Strahlungstemperaturdaten zu speichern (z. B. Radiometric JPEG von FLIR oder TMG von GuidIR), um spätere KI-Analysen und Temperaturtrend-Vergleiche zu ermöglichen.

Kelude Schwerindustrie hat in der Praxis der Brückenkran-Infrarotinspektion eine standardisierte Messpunkt-Tabelle entwickelt, die 32 kritische Prüfpunkte pro Kran abdeckt – darunter Elektroschrank, Motor, Bremse, Getriebe, Trommellagergehäuse, Radblock, Schleppleitungsverbindungen und Schrauben der Hauptträgerverbindungen.

Wärmebild-Referenzdatenbank und KI-Training mit Deep-Learning-Modellen

Der Kern der KI-gestützten Bildanalyse ist der Aufbau einer Wärmebild-Referenzdatenbank, die den Normalbetrieb und typische Fehlerzustände aller relevanten Kranbauteile abdeckt. Der Aufbau der Datenbank erfolgt in drei Phasen. In der ersten Phase – der Basisdatenerfassung – werden über mindestens 30 Tage kontinuierlich Infrarotdaten bei gesundem Kranbetrieb gesammelt, die verschiedene Lastzustände, Umgebungstemperaturen und Betriebszeiten abdecken. Daraus wird für jeden Messpunkt eine Temperaturverteilungs-Basiskurve erstellt.

Die Basisdatenbank benötigt mindestens 100 gültige Wärmebildaufnahmen pro Messpunkt. Die Gerätetypen umfassen fünf Hauptkategorien: Frequenzumrichter, Motoren, Bremsen, Getriebe und elektrische Verbindungen – jeweils mit mindestens drei verschiedenen Marken- oder Typvarianten. In der zweiten Phase – der Fehlerbild-Erweiterung – werden durch simulierte Fehler oder historische Fehlerdaten mindestens 50 Positivbeispiele pro Fehlertyp gesammelt.

Für schwer zu beschaffende reale Fehlerdaten können GANs (Generative Adversarial Networks) zur Synthese von Fehler-Thermografiebildern eingesetzt werden. Alternativ lässt sich mit CycleGAN ein Stiltransfer von Normal- zu Fehlerbildern durchführen, um den Datensatz zu erweitern.

Bei der Modellauswahl setzt das KI-System zur Brückenkran-Thermografieanalyse typischerweise eine zweistufige Detektionsarchitektur ein.

In der ersten Stufe identifiziert ein Objekterkennungsnetzwerk (z. B. YOLOv8 oder RT-DETR) die relevanten Zielbereiche in der Panorama-Thermografieaufnahme und schneidet diese aus. In der zweiten Stufe analysiert ein Klassifikationsnetzwerk (z. B. ResNet-50, EfficientNet-B4 oder Vision Transformer) das Temperaturmuster jedes Zielbereichs und bewertet den Zustand als normal, warnwürdig oder alarmrelevant.

Für Zeitreihen-Trendanalysen werden zeitliche Informationen durch Modelle wie ConvLSTM oder TimesNet einbezogen, um die Temperaturverlaufskurve desselben Messpunkts über mehrere aufeinanderfolgende Inspektionen zu prognostizieren und abnormale Temperaturanstiegsraten zu erkennen. Beim Modelltraining werden die Rohdaten der Strahlungstemperatur normalisiert als Eingabe verwendet; jeder Pixelwert entspricht einer realen Temperatur (Auflösung 0,1 °C). Das Kontextfenster umfasst die Daten der letzten drei Inspektionszyklen des jeweiligen Messpunkts.

In der praktischen Bereitstellung bei Kelude Schwerindustrie erreicht das YOLOv8m-Detektionsmodell auf dem NVIDIA Jetson Orin NX Edge-Gerät eine Inferenzgeschwindigkeit von 35 fps bei einer mAP@0,5 von 94,7 %. Das EfficientNet-B4-Klassifikationsmodell erzielt eine Genauigkeit von 96,3 %. Die Gesamtzeit von der Bildaufnahme bis zum Diagnoseergebnis bleibt unter 2 Sekunden pro Thermografiebild.

KI-Bildauswertung: Systemarchitektur und automatisierte Diagnose im Praxiseinsatz

Das KI-gestützte Infrarot-Bildauswertungssystem für Brückenkrane basiert auf einer hybriden Architektur aus Edge-Computing und Cloud-Management.

Im Edge-Bereich werden die von der Wärmebildkamera erfassten Rohdaten der Wärmestrahlung über USB 3.0 oder GigE Vision an ein lokal in der Werkstatt installiertes Edge-Computing-Gerät (NVIDIA Jetson Orin NX/AGX oder industrieller AI Box PC) übertragen. Das Edge-Gerät führt YOLOv8-Detektions- und EfficientNet-Klassifikationsmodelle aus, um eine Echtzeit-Inferenz und sofortige Alarmierung zu ermöglichen.

Für Messpunkte, die eine Zeitreihen-Trendanalyse erfordern, überträgt das Edge-Gerät die zugeschnittenen Wärmebilddaten der Zielbereiche sowie die Temperaturkennwerte über das MQTT-Protokoll an das Cloud-Rechenzentrum. Dort sind ein ConvLSTM-Trendvorhersagemodell und eine umfangreiche Wärmebild-Merkmalsdatenbank implementiert. Die Cloud übernimmt zudem die Modellversionsverwaltung, die Generierung von Inspektionsberichten und die aggregierte Analyse über mehrere Werksstandorte hinweg.

Die Systemkommunikation ist per TLS-Verschlüsselung abgesichert. Die Übertragung und Speicherung der Wärmebilddaten erfolgt gemäß der Sicherheitsstufe 2 des Mehrstufigen Schutzes der Cybersicherheit nach GB/T 22239.

Die Ausgabe der KI-gestützten automatischen Diagnose folgt einer dreistufigen Klassifizierungsstrategie. Die grüne Stufe kennzeichnet den Normalzustand: Das System archiviert die Wärmebilddaten automatisch und aktualisiert die Temperatur-Referenzkurve für den jeweiligen Messpunkt. Die gelbe Stufe bedeutet Beobachtungsbedarf: Die Temperaturdifferenz überschreitet den Vorwarnschwellwert, liegt jedoch unter dem Alarmschwellwert. Das System markiert den Messpunkt im Inspektionsbericht und empfiehlt eine gezielte Nachmessung bei der nächsten Inspektion.

Die rote Stufe löst einen Alarm aus: Die Temperaturdifferenz überschreitet den Alarmschwellwert oder die Temperaturänderungsrate ist anomal. Das System versendet umgehend Alarmmeldungen per SMS, WeChat und Enterprise-WeChat. Im Inspektionsbericht wird ein detaillierter Fehleranalysebericht erstellt, der Wärmebilder, Vergleichsbilder im sichtbaren Spektrum, Temperaturverlaufskurven, historische Daten vergleichbarer Anlagen sowie Wartungsempfehlungen umfasst.

In der praktischen Anwendung bei Kelude Schwerindustrie an mehreren Standorten konnte die manuelle Bildauswertungszeit pro Brückenkran von durchschnittlich 45 Minuten auf 8 Minuten reduziert werden. Die Fehlererkennungslücke liegt unter 0,5 %, die Fehlalarmrate unter 3 %. In den beiden typischen Szenarien – Überhitzung elektrischer Verbindungen und frühzeitiger Lagerverschleiß – wurde eine Vorwarnzeit von 7 bis 14 Tagen erreicht.

Automatisierte Inspektionsberichte und Datenmanagement-Plattform

Die automatische Generierung von Inspektionsberichten ist ein zentraler Baustein für den praktischen Nutzen des KI-gestützten Bildauswertungssystems.

Nach jeder abgeschlossenen Inspektion erzeugt das System automatisch strukturierte Berichte im PDF- und HTML-Format. Der Bericht umfasst: grundlegende Inspektionsinformationen (Anlagennummer, Inspektionsdatum, Umgebungsparameter, Prüfpersonal), eine Übersichtstabelle der Temperaturdaten aller kritischen Messpunkte (mit rot/gelb/grün-Kennzeichnung des Status jedes Messpunkts), eine detaillierte Wärmebildanalyse der auffälligen Messpunkte (inklusive Wärmebild, Temperaturverteilungs-Histogramm, historische Trendkurve desselben Messpunkts, KI-Diagnoseergebnis und Wartungsempfehlung) sowie eine Gesamtübersicht des Anlagen-Gesundheitszustands.

Der Anlagen-Gesundheitszustand wird anhand eines gewichteten Bewertungsmodells ermittelt, das die Temperaturzustände der 32 Messpunkte gewichtet zusammenführt. Das elektrische System fließt mit 40 % ein (davon Frequenzumrichter-IGBT 15 %, Motorwicklungen 10 %, Klemmenleiste 8 %, Steuergeräte 7 %). Das mechanische Antriebssystem hat einen Anteil von 35 % (Getriebelager 12 %, Bremsen-Reibfläche 10 %, Trommellagergehäuse 7 %, Radblock 6 %). Strukturelle Verbindungselemente tragen 25 % bei (Hauptträger-Verbindungsschrauben 10 %, Schienenklemme 8 %, Schleppleitungs-Verbindungen 7 %).

Das Bewertungsergebnis wird auf einer Skala von 0 bis 100 dargestellt: 90 und mehr Punkte gelten als ausgezeichnet, 75 bis 89 als gut, 60 bis 74 als beobachtungswürdig und unter 60 als wartungsbedürftig.

Die Datenmanagement-Plattform bietet umfangreiche Analysefunktionen: historische Temperaturtrendanalyse für einzelne Brückenkrane (rückverfolgbar über alle Inspektionsdaten der letzten 12 Monate), Quervergleich gleichartiger Anlagen (Bewertung von Konsistenz und Abweichungen bei baugleichen Modellen), saisonale Temperaturverteilungsanalyse (zur Optimierung von Inspektionsintervallen und Vorwarnschwellwerten) sowie Prognose des Degradationsverhaltens (Vorhersage der Restlebensdauer kritischer Bauteile auf Basis von Zeitreihenmodellen).

Die Datenplattform stellt zudem standardisierte API-Schnittstellen bereit, die eine Anbindung an EAM-Systeme (Enterprise Asset Management) oder CMMS (Computerized Maintenance Management System) ermöglichen. Dadurch wird ein automatischer Übergang von Inspektionsdaten zu Arbeitsaufträgen gewährleistet. Kelude Schwerindustrie hat dieses KI-gestützte Infrarot-Inspektionssystem vollständig in das Management über den gesamten Lebenszyklus von Brückenkranen integriert und damit einen geschlossenen Kreislauf von Erkennung, Diagnose, Wartung und Nachprüfung etabliert.

Praktische Umsetzung der Infrarot-Inspektion für Brückenkrane

Bei der praktischen Umsetzung der KI-gestützten Infrarot-Inspektion für Brückenkrane sind mehrere Aspekte von zentraler Bedeutung.

Erstens muss die Auswahl und Abstimmung von Wärmebildkamera und Edge-Computing-Gerät sorgfältig auf die jeweiligen Einsatzbedingungen abgestimmt sein. Entscheidend sind dabei die Messdistanz vor Ort, die Zielgröße, die Umgebungstemperatur und die Vibrationsklasse. Nur so lassen sich typische Probleme wie nicht auflösbare kleine Ziele bei unzureichender Brennweite oder nicht erkennbare minimale Temperaturdifferenzen bei zu hoher NETD vermeiden.

Zweitens ist das anlagenspezifische Training der KI-Modelle unerlässlich. Allgemeine vortrainierte Modelle liefern bei der Erkennung kranspezifischer Bauteile – etwa der Sechser-IGBT-Module im Frequenzumrichter oder der bogenförmigen Kontaktflächen des Bremsen-Reibbelags – häufig unzureichende Ergebnisse. Erst durch Feintuning mit real erfassten Wärmebilddaten vor Ort wird die erforderliche Erkennungsgenauigkeit erreicht.

Drittens sind die Planung der Inspektionsroute und die Standardisierung der Aufnahmepositionen die Grundlage für konsistente Messdaten. Es empfiehlt sich, jede Aufnahmeposition am Boden mit Markierungen zu kennzeichnen und am Kran selbst hochreflektierende Zielmarken für den Aufnahmewinkel anzubringen. Dadurch wird sichergestellt, dass Bildwinkel und Aufnahmeabstand bei jeder Inspektion identisch sind, was die Zuverlässigkeit der Temperaturtrendvergleiche gewährleistet.

Kelude Schwerindustrie bietet den vollständigen Engineering-Service – von der Vor-Ort-Erkundung über die Geräteauswahl und das Modelltraining bis hin zur Systemintegration – und unterstützt Unternehmen beim Aufbau eines standardisierten KI-gestützten Infrarot-Inspektionssystems für Brückenkrane.

Häufig gestellte Fragen

Das KI-gestützte Wärmebild-Inspektionssystem für Brückenkräne ist eine typische Anwendung der Digitalisierung und intelligenten Aufrüstung traditioneller Prüftechnik. Durch standardisierte Aufnahmeverfahren, eine professionelle Wärmebild-Merkmalsdatenbank, hochpräzise KI-Deep-Learning-Modelle und eine automatisierte Berichtsplattform wird die Kranprüfung von einer erfahrungsbasierten, qualitativen Bewertung zu einer datengetriebenen, quantitativen Analyse weiterentwickelt. Für weitere Informationen zu intelligenten Kranprüfungs- und Predictive-Maintenance-Lösungen kontaktieren Sie bitte das technische Team von Kelude Schwerindustrie für ausführliche Technische Unterlagen und eine Vor-Ort-Besichtigung. Kelude Schwerindustrie verfügt über umfangreiche praktische Erfahrung im Bereich intelligente Kranwartung und bietet Unternehmen umfassende technische Unterstützung – von der Prüfkonzeption über die Systemintegration bis hin zum Betriebsservice.