Zustandsüberwachung Brückenkran-Getriebe: Schwingung & Ölanalyse

Gemäß den Anforderungen der Norm DIN 15018 zur Zustandsüberwachung von Antriebssträngen durchläuft die Schadensentwicklung an kritischen Komponenten des Brückenkran-Antriebsstrangs – wie Getriebe, Lager und Bremse – typischerweise einen langwierigen Prozess von mikroskopischen Schädigungen bis hin zum makroskopischen Versagen. Ein einzelnes Sensormessverfahren kann solche Defekte oft erst erkennen, wenn die Schädigung bereits fortgeschritten ist.

Die drei Messtechniken – Schallemission (Körperschall/Akustik), Vibrationsanalyse und Ölanalytik – weisen jeweils unterschiedliche Empfindlichkeiten für verschiedene Frühschäden auf: Die Schallemission reagiert äußerst sensibel auf das erste Aufreißen mikroskopischer Materialrisse, das Vibrationssignal liefert eindeutige Frequenzmerkmale für Unwucht und Wellenausrichtung rotierender Bauteile, und die Ölanalyse gibt direkt Aufschluss über Material, Morphologie und Konzentration von Verschleißpartikeln.

Durch die KI-gestützte multimodale Fusion dieser drei Messdaten lassen sich Frühsignale von Schäden aus mehreren physikalischen Dimensionen erfassen und so eine frühere und präzisere Diagnose ermöglichen. Dieser Beitrag erläutert systematisch die Sensorik, Merkmalsextraktion, Fusionsalgorithmen und die technische Implementierung der dreimodalen Diagnose (Schall-Vibration-Öl) für Antriebsstränge von Brückenkranen.

Physikalische Grundlagen und Sensorik der multimodalen Zustandsüberwachung am Brückenkran-Getriebe

Der Schädigungsprozess im Antriebsstrang eines Brückenkrans zeigt in verschiedenen physikalischen Domänen unterschiedliche Frühsignale. Im Bereich der Schallemission erzeugen die Ausbreitung mikroskopischer Risse und Versetzungsbewegungen im Material transiente Schallemissionssignale im Frequenzbereich von 100 kHz bis 1 MHz. Diese Signale können bereits 2 bis 4 Wochen bevor sich der Riss auf makroskopische Abmessungen ausweitet, von Schallemissionssensoren erfasst werden.

Im Vibrationsbereich verursacht beginnender Ermüdungsabtrag an Wälzlagern periodische Stoßantworten bei den charakteristischen Durchgangsfrequenzen (BPFO/BPFI/BSF/FTF). Ein dynamischer Beschleunigungssensor kann in diesem frühen Stadium schwache Stoßsignale im Bereich von 10 bis 50 mg detektieren – typischerweise 1 bis 2 Wochen bevor ein Temperaturanstieg messbar wird.

Im Ölbereich suspendieren Verschleißpartikel aus Zahnrädern und Lagern im Schmieröl. Bevor der Verschleiß in die beschleunigte Phase übergeht, steigt die Konzentration ferromagnetischer Partikel im Öl von einem Normalwert von <10 ppm auf 50 bis 200 ppm an. Mittels Ferrografie lässt sich dieser anomale Verschleißtrend bereits 2 bis 6 Wochen im Voraus erkennen.

Die drei Verfahren ergänzen sich hinsichtlich ihres zeitlichen Erkennungsfensters: Die Schallemission liefert die frühesten Hinweise (2–4 Wochen im Voraus), gefolgt von der Ölanalyse (2–6 Wochen) und der Vibrationsanalyse (1–2 Wochen). Die Fusion aller drei Methoden ermöglicht eine lückenlose Überwachung des gesamten Schädigungsverlaufs – von der Frühphase bis zum vollständigen Versagen.

Die Konfiguration des Sensorsystems sollte die beiden zentralen Antriebseinheiten abdecken: das Hubwerk-Getriebe und das Fahrwerk-Getriebe des Brückenkrans. An jedem Getriebe werden folgende Sensoren installiert:

• Dynamische Beschleunigungssensoren (IEPE-Typ, Empfindlichkeit 100 mV/g, Frequenzbereich 0,5 Hz–10 kHz, Messbereich ±50 g) – montiert an den Lagergehäusen der Schnelllaufwelle, der Zwischenwelle und der langsamen Welle.
• Schallemissionssensoren (Resonanzfrequenz 150 kHz, integrierter 40-dB-Vorverstärker, Frequenzbereich 50 kHz–400 kHz) – montiert an der Außenwand des Getriebegehäuses nahe der Verzahnungskontaktzone, befestigt über Magnetfuß und akustisch angekoppelt mit Ultraschall-Koppelgel.
• Online-Ölsensoren (Inline-Ausführung, Messparameter: Viskosität ±5 %, Wassergehalt ±50 ppm, ferromagnetische Partikelkonzentration ±10 ppm, Dielektrizitätskonstante ±0,5) – integriert in den Ölkreislauf des Getriebes oder als Bypass-Montage.

Am Beispiel eines Hubwerk-Getriebes eines 40-t-Brückenkrans umfasst die vollständige Sensorausstattung 3 Vibrationsmessstellen, 2 Schallemissionsmessstellen und 1 Online-Ölsensor. Die Daten werden mit einer Abtastrate von 25,6 kHz (Vibration), 1 MHz (Schallemission) bzw. alle 10 Minuten (Öl) erfasst.

Multimodale Merkmalsextraktion und Edge-Computing-Vorverarbeitung

Die Rohsignale der drei Modalitäten unterscheiden sich erheblich in ihren Dateneigenschaften, weshalb für jede Modalität eine spezifische Merkmalsextraktions-Pipeline erforderlich ist. Für die Vibrationssignale werden statistische Merkmale aus Zeitbereich, Frequenzbereich und Zeit-Frequenz-Bereich extrahiert. Zu den Zeitbereichsmerkmalen gehören Spitzenwert, Effektivwert, Kurtosis, Wellenformfaktor, Scheitelfaktor und Impulsfaktor. Dabei ist die Kurtosis am empfindlichsten für frühe Schäden an Wälzlagern – bei gesunden Lagern liegt die Vibrationskurtosis bei etwa 3, während sie bei beginnender Ablösung auf 5 bis 8 ansteigen kann.

Die Frequenzbereichsmerkmale werden mittels FFT-Transformation aus den Amplituden der jeweiligen Verzahnungsfrequenzen und deren Seitenbändern extrahiert. Bei einem zweistufigen Getriebe sind die Seitenband-Amplitudenänderungen der Hochgeschwindigkeitsstufe (typischerweise 300–800 Hz) und der Langsamstufe (typischerweise 80–200 Hz) wichtige Indikatoren für Zahnradschäden.

Im Zeit-Frequenz-Bereich werden mittels Kurzzeit-Fourier-Transformation (STFT) oder kontinuierlicher Wavelet-Transformation (CWT) Schadensmuster aus dem Spektrogramm extrahiert. Die Wavelet-Transformation bietet eine hohe Frequenzauflösung im niedrigen Frequenzband und eignet sich besonders zur Erfassung nicht-stationärer Vibrationsmerkmale des Brückenkran-Getriebes unter Anfahr-, Stopp- und Lastwechselbedingungen.

Bei der Verarbeitung der Schallemissionssignale liegt der Schwerpunkt auf der Extraktion von Parametern für transiente und kontinuierliche Signale.

Zu den transienten Schallemissionsparametern gehören Ringzählung, Ereigniszählung, Amplitude, Anstiegszeit, Dauer und Energie. Jeder Parameter besitzt eine Unterscheidungsfähigkeit für verschiedene Schadensquellen – Schallemissionssignale von Ermüdungsrissen an Zahnflanken weisen typischerweise längere Anstiegszeiten (50–200 μs) und höhere Energien (>1000 aJ) auf, während Signale von Wälzkörpern, die über Risse laufen, kürzere Anstiegszeiten (10–50 μs) zeigen.

Zu den kontinuierlichen Schallemissionsparametern gehören der RMS-Effektivwert (der die Gesamtintensität der Schallemissionsaktivität widerspiegelt) und der mittlere Signalpegel ASL (ein ASL-Wert von mehr als 10 dB über der Basislinie deutet auf verstärkten anormalen Verschleiß hin).

Die Schallemissionsanalyse nutzt zudem räumliche Lokalisierungstechniken: Durch die Anordnung mehrerer Schallemissionssensoren als Array auf dem Getriebegehäuse wird mittels Zeitdifferenz-Lokalisierung die räumliche Koordinate der Schallemissionsquelle im Getriebeinneren berechnet. Dadurch kann der Schaden einer bestimmten Getriebestufe oder Lagerposition zugeordnet werden, mit einer Positioniergenauigkeit von ±50 mm.

Die Ölanalysedaten umfassen sowohl Echtzeitparameter von Online-Sensoren als auch Offline-Labordaten. Online-Sensoren überwachen kontinuierlich die Konzentration ferromagnetischer Partikel, den Verschleißpartikelindex, die kinematische Viskosität und die Dielektrizitätskonstante des Öls. Dabei sind die Konzentration ferromagnetischer Partikel (Norm ISO 4406) und der Verschleißpartikelindex (WPC) die zentralen Kennwerte zur Beurteilung des Verschleißgrades.

Die Offline-Laboranalyse wird vierteljährlich durchgeführt und umfasst die Ferrografie (zur Bestimmung der Partikelmorphologie – ob Schnittverschleiß, Ermüdungsablösung oder Gleitverschleiß), die Spektralanalyse (die Konzentrationen von Fe, Cu, Al, Si, Cr usw. geben Aufschluss über die spezifische Verschleißstelle – hohe Fe-Konzentration deutet auf Zahnrad- oder Lagerverschleiß hin, hohe Cu-Konzentration auf Verschleiß des Messingkäfigs) sowie die physikalisch-chemische Ölanalyse (Säurezahl, Wassergehalt, Flammpunkt, Demulgierverhalten usw.).

Die Strategie für die kombinierte Analyse von Online- und Offline-Daten besteht darin, dass Online-Sensoren kontinuierlich Trendveränderungen überwachen. Bei einem anomalen Anstieg wird eine Offline-Probenahme ausgelöst, um eine detaillierte Ferrografie- und Spektralanalyse durchzuführen und den Schadenstyp sowie die Verschleißstelle zu bestätigen.

KI-Multimodales Fusionsdiagnosemodell mit Aufmerksamkeitsmechanismus

Die zentrale technische Herausforderung der dreimodalen Fusionsdiagnose (Schall, Vibration, Öl) liegt in den enormen Unterschieden der Zeitskalen, Abtastraten und Merkmalsdimensionen der drei Modalitäten: Die Schallemission erfasst 1 Million Datenpunkte pro Sekunde, die Vibration 25.600 Datenpunkte pro Sekunde, während die Ölanalyse nur alle 10 Minuten einen Messwert liefert. Herkömmliche Methoden der Datenfusion können diese Heterogenität nur schwer verarbeiten. Daher wird eine hierarchische Architektur mit Merkmalsfusion und Entscheidungsfusion eingesetzt.

Auf Merkmalsebene werden die Daten jeder Modalität durch spezielle Merkmalsextraktionsnetzwerke in niedrigdimensionale Einbettungsvektoren überführt: Das Vibrationssignal wird durch ein 1D-CNN mit Residualblöcken in einen 192-dimensionalen Merkmalsvektor überführt, das Schallemissionssignal durch mehrskalige Wavelet-Paket-Zerlegung und 1D-CNN in einen 256-dimensionalen Vektor, und die Öl-Zeitreihendaten durch LSTM oder TimesNet in einen 128-dimensionalen Merkmalsvektor.

Die drei Merkmalsvektoren werden über einen Multi-Head-Cross-Attention-Mechanismus fusioniert: Die Merkmalsvektoren jeder Modalität dienen als Query, Key und Value, wobei das Modell während des Trainings automatisch die Korrelationsgewichte zwischen den Modalitäten erlernt.

Auf Entscheidungsebene wird der fusionierte multimodale Merkmalsvektor (Dimension 576) durch vollständig verbundene Schichten und Softmax in Wahrscheinlichkeiten für jede Schadensklasse überführt. Die Ausgabeschicht des Modells umfasst 8 Schadensklassen: Zahnflankenverschleiß, Zahnbruch, Außenringschaden am Lager, Innenringschaden am Lager, Wälzkörperschaden am Lager, Lagerkäfigschaden, Wellenausrichtungs-/Unwuchtfehler sowie Schmierungsmangel/Ölverschmutzung.

Zusätzlich gibt das Modell einen Gesundheitsindex HI (0–100) aus, der den Gesamtzustand des Getriebes bewertet. Der Trainingsdatensatz muss multimodale Daten des Brückenkran-Getriebes unter verschiedenen Betriebsbedingungen (unterschiedliche Lastfaktoren, Drehzahlen, Temperaturen) abdecken, mit etwa 2.000 Datensätzen für den Normalzustand (Positivproben) und mindestens 200 Datensätzen pro Schadensklasse (Negativproben).

Da reale Schadensdaten schwer zu beschaffen sind, können beschleunigte Lebensdauerprüfstände für Brückenkran-Getriebe zur Erfassung von Schadensdaten eingesetzt oder über digitale Zwillinge Simulationsdaten für verschiedene Schadensszenarien generiert werden.

In gemeinsamen Tests von Kelude Schwerindustrie und kooperierenden Hochschulen erreichte das dreimodale Diagnosemodell mit Cross-Attention-Fusion eine Erkennungsgenauigkeit von 97,2 % für frühen Zahnradverschleiß – eine Verbesserung um 10,7 Prozentpunkte gegenüber der reinen Vibrationsmodalität (86,5 %) und um 9,1 Prozentpunkte gegenüber der reinen Schallemissionsmodalität (88,1 %). Die durchschnittliche Vorwarnzeit war gegenüber der reinen Vibrationsmodalität um 13,6 Tage verkürzt.

Systemarchitektur und Edge-Cloud-Kooperation

Das dreimodale Diagnosesystem für Schwingung, Schallemission und Ölanalyse basiert auf einer dreistufigen, verteilten Architektur.

Auf der Feldebene wird an jedem Getriebe eine intelligente Datenerfassungseinheit (DAU) installiert. Diese integriert einen IEPE-Eingangskanal für Schwingungen (4 Kanäle, synchron abgetastet), einen Hochgeschwindigkeitskanal für Schallemission (2 Kanäle, 1-MHz-Abtastrate, 256 MB Datenpuffer), eine RS485/Modbus-Schnittstelle für den Ölsensor sowie ein Edge-Computing-Modul (ARM Cortex-A72-Prozessor mit NPU, 4 TOPS Rechenleistung).

Die DAU übernimmt die Signalerfassung, die Merkmalsextraktion am Edge und die erste Diagnosestufe. Unterschreitet der lokal berechnete Gesundheitsindex (HI) den Wert 60, werden die komprimierten Merkmalsdaten und ausgewählte Rohsignalfragmente an die Analyseplattform auf Werkstattebene übertragen. Auf dieser Ebene ist ein Datenserver (empfohlen: NVIDIA RTX 4090 oder vergleichbare Rechenleistung) installiert, der die vollparametrische Version des Fusionsdiagnosemodells ausführt und die zentrale Verwaltung der Daten aller Brückenkrane, die Modellinferenz und die Berichtserstellung übernimmt.

In der Cloud wird eine zentrale Datenplattform betrieben, die die Zusammenführung und Analyse von Daten mehrerer Werke, die kontinuierliche Modelloptimierung sowie die Wissensdatenbankverwaltung für das Experten-Ferndiagnosesystem ermöglicht.

Die Systemkommunikation ist mit einem dreistufigen Puffer- und Nachübertragungsmechanismus gegen Netzwerkunterbrechungen abgesichert. Erstens speichert die DAU lokal mindestens 30 Tage der vollständigen Rohdaten (Schwingung + Schallemission) sowie 3 Jahre Trenddaten. Dadurch wird sichergestellt, dass auch bei einem Ausfall des Werkstattnetzwerks keine kritischen Daten verloren gehen. Zweitens erfolgt die Kommunikation zwischen DAU und Werkstattserver über kabelgebundenes Gigabit-Ethernet. Bei einer Unterbrechung der Verbindung zwischen Werkstattserver und Cloud fungiert der Werkstattserver als Zwischenspeicher und überträgt die Daten nach Wiederherstellung der Verbindung automatisch nach.

Drittens werden kritische Alarmmeldungen parallel über drei Kanäle ausgegeben: den akustischen und optischen Signalgeber vor Ort, ein Popup-Fenster im SCADA-System der Leitwarte sowie eine Benachrichtigung per SMS oder über eine Messaging-App. Dies gewährleistet, dass keine Warnung verloren geht.

In der Praxis bei Kelude Schwerindustrie deckt ein vollständiges dreimodales Diagnosesystem die Überwachung der Antriebsstränge von 10 bis 20 Brückenkranen in einer Werkstatt ab. Die Datenspeicherung ist auf etwa 2 GB Rohdaten pro Kran und Tag ausgelegt (Schwingung: 25,6 kHz × 4 Kanäle × 24 h + Schallemission: 1 MHz × 2 Kanäle × 24 h). Nach der Merkmalsextraktion am Edge reduziert sich das zu übertragende Datenvolumen auf etwa 50 MB pro Tag, was die Anforderungen an Kommunikationsbandbreite und Cloud-Speicher erheblich reduziert.

Praxisbeispiele und Projekterfahrungen

In einem von Kelude Schwerindustrie durchgeführten Projekt zur intelligenten Überwachung von Kranantrieben in einem großen Stahlwerk wurden 12 metallurgische Gießkrane (jeweils mit 40 t/80 t Doppelhaken-Hubwerk) mit dem dreimodalen Diagnosesystem ausgestattet.

Am 47. Betriebstag meldete das System für das Lager der Hochgeschwindigkeitswelle des Haupthubwerks-Getriebes von Kran Nr. 4 einen Abfall des Gesundheitsindex HI von 87 auf 52. Die Schwingungs-Kurtosis stieg von 3,1 auf 7,8, die Anzahl der Schallemissionsereignisse erhöhte sich von durchschnittlich 200 auf 3.800 pro Tag, und die Konzentration ferromagnetischer Partikel im Öl stieg von 12 ppm auf 186 ppm. Das dreimodale Fusionsmodell bewertete den Zustand als „Frühe Ermüdungsabplatzung am Außenring des Lagers“ mit einer Konfidenz von 96,5 %.

Das Instandhaltungsteam veranlasste daraufhin eine geplante Wartung. Bei der Inspektion wurden am Außenring der Hochgeschwindigkeitswelle drei Ermüdungsrisse mit einer Länge von ca. 5 bis 8 mm festgestellt. Bei der herkömmlichen vierteljährlichen Schwingungsmessung wäre dieser Schaden vermutlich erst etwa drei Wochen später entdeckt worden. Zu diesem Zeitpunkt hätte die Abplatzung wahrscheinlich zu einem Bruch des Lagerkäfigs oder sogar zu einem Blockieren des Getriebegehäuses geführt, was einen ungeplanten Stillstand und Folgeschäden an den Zahnrädern zur Folge gehabt hätte.

Durch diese frühzeitige Warnung konnten Produktionsausfälle und Reparaturkosten von ca. 35.900 EUR vermieden werden. Die Investition für das Überwachungssystem aller 12 Krane betrug ca. 46.100 EUR, sodass allein dieses eine Warnereignis eine Amortisation von über 77 % der Gesamtinvestition ermöglichte.

Aus der Projektdurchführung lassen sich mehrere wichtige Erkenntnisse ableiten. Erstens: Die Kopplungsqualität zwischen Schallemissionssensor und Getriebegehäuse beeinflusst die Signalqualität direkt. Eine Magnetbasis in Kombination mit einem Ultraschall-Koppelmittel auf einer sauberen Metalloberfläche liefert eine stabile Kopplung. Auf lackierten oder unebenen Oberflächen wird jedoch eine dauerhafte Befestigung mit Epoxidharzkleber empfohlen.

Zweitens ist die Wahl des Montageorts für den Online-Ölsensor entscheidend. Er sollte in der Rücklaufleitung oder im Partikelabsinkbereich am Boden des Getriebeölsumpfs installiert werden. Bei einer Bypass-Installation muss die Ölflussgeschwindigkeit zwischen 0,3 und 1,0 m/s liegen, um eine repräsentative Partikelzählung zu gewährleisten.

Drittens unterscheiden sich die Signalsignaturen eines Brückenkran-Getriebes im Anlauf-/Stoppbetrieb deutlich von denen im stationären Betrieb. Für das Training des KI-Modells ist es daher notwendig, Last- und Drehzahlbereiche zu definieren (Leerlauf, Teillast, Nennlast, Überlast). Für jeden Bereich sollten separate Diagnoseschwellwerte und Referenzmodelle verwendet werden, um Fehlalarme durch unterschiedliche Betriebsbedingungen zu vermeiden.

Kelude Schwerindustrie verfügt über umfangreiche Erfahrung in der Sensorauswahl, Systemintegration und Datenanalyse für die intelligente Überwachung von Kranantrieben. Das Unternehmen bietet Lösungen für das dreimodale Diagnosesystem für Krananwender in der Metallurgie, im Hafen und in der Energiebranche – von der Pilotinstallation an einem einzelnen Kran bis zur flächendeckenden Einführung im gesamten Werk.

Häufig gestellte Fragen

Die dreimodale Diagnosetechnologie – Schallemission, Schwingung und Ölanalyse – repräsentiert die zukunftsweisende Entwicklung in der Zustandsüberwachung von Brückenkran-Antriebssystemen. Durch die hohe Empfindlichkeit der Schallemission für Mikrorisse, die präzise Frequenzcharakteristik der Schwingungsanalyse für rotierende Maschinen und die direkte quantitative Messung von Verschleißpartikeln durch die Ölanalyse ergänzen sich die drei Modalitäten im Rahmen eines KI-basierten Multimodal-Fusionsansatzes optimal. Dadurch verlängert sich die Vorwarnzeit für Getriebe- und Lagerschäden an Brückenkränen von 1–2 Wochen (herkömmliche Schwingungsanalyse) auf 3–6 Wochen, wodurch das Risiko ungeplanter Stillstandszeiten erheblich reduziert wird. Für weitere Informationen zu intelligenten Überwachungslösungen für Brückenkran-Antriebssysteme kontaktieren Sie bitte das technische Team von Kelude Schwerindustrie für detaillierte technische Lösungen und Fallstudien. Kelude Schwerindustrie bietet den vollständigen intelligenten Wartungszyklus für industrielle Hebeanlagen – von der Sensorik über die KI-Diagnose bis hin zur Wartungsentscheidung.