Digitaler Zwilling für Brückenkrane: Sensorik & prädiktive Wartung
Die virtuelle Sensortechnologie des Digitalen Zwillings nutzt ein Mehrkörperdynamikmodell und ein Finite-Elemente-Simulationsmodell der Brückenkranstruktur. An Stellen, an denen keine physischen Sensoren installiert werden können, werden mithilfe virtueller Sensoralgorithmen kritische Parameter berechnet. In Kombination mit einer Fehlerinjektionssimulation wird eine vollständige Abdeckung der prädiktiven Wartung erreicht.
Gemäß der in DIN 15018 beschriebenen Methode zur Bewertung der Tragfähigkeit von Metallkonstruktionen gibt es beim realen Kranbetrieb zahlreiche Stellen, an denen die Installation physischer Sensoren schwierig ist: das obere Flanschblech in der Hauptträgermitte (durch Laufkatze und Schiene verdeckt), die gesamte Länge des Drahtseils (langfristige Dehnungsmessstreifen nicht möglich), die Verzahnungsflächen im Getriebeinneren usw. Die virtuelle Sensortechnologie des Digitalen Zwillings erstellt ein hochpräzises Mehrkörperdynamikmodell des Brückenkrans. Dieses Modell wird mit realen Daten von den wenigen bekannten physischen Messpunkten gespeist, um kritische Parameter an ungemessenen Positionen zu berechnen. Die KL-DT-VS-Plattform von Kelude Schwerindustrie integriert eine Fehlerinjektions-Simulationsengine und ermöglicht so eine prädiktive Wartung über den gesamten Lebenszyklus – von der Konstruktionsphase bis zur Betriebsphase des Brückenkrans.
Aufbau des Digitalen Zwillings für Brückenkrane
Der Digitale Zwilling des Brückenkrans wird mit einer mehrschichtigen Modellierungsstrategie aufgebaut:
Ebene 1 – Starrkörper-Mehrkörperdynamikmodell (basierend auf Simpack oder ADAMS), das die Starrkörperdynamik von Katzfahrwerk, Kranfahrwerk, Hubwerk und Lastaufnahmesystem abbildet.
Ebene 2 – Flexibler Körper als Finite-Elemente-Modell (basierend auf Ansys oder Abaqus). Für die Stahlkonstruktion von Hauptträger, Kopfträger und Katzfahrwerkrahmen wird eine modale Reduktion (CMS-Methode, erste 30 Moden) durchgeführt und in das Mehrkörperdynamikmodell für eine starr-flexible Kopplungssimulation importiert.
Ebene 3 – Steuerungslogikmodell (basierend auf Simulink), das den Frequenzumrichterantrieb, das Bremsenansprechen und die SPS-Steuerung simuliert.
Die Echtzeitsynchronisation zwischen physischem Raum und digitalem Raum wird durch Encoder am Getriebeeingang, eine SPS-Datenerfassungskarte im Führerhaus (Erfassung der vierdimensionalen Signale: Tragfähigkeit, Höhe, Katzposition, Kranposition) sowie Vibrations- und Dehnungssensoren an 8 kritischen Messpunkten realisiert. Der Digitale Zwilling schreitet in Schritten von 100 ms fort und bleibt so mit dem physischen Kran synchron. Nach der Kalibrierung des initialen Modells durch Parameteridentifikation liegt der Vorhersagefehler für Kräfte/Drehmomente unter typischen Betriebsbedingungen bei <5 %.
Prinzip des virtuellen Sensoralgorithmus
Der Kern der virtuellen Sensorik ist eine auf dem Kalman-Filter basierende Zustandsbeobachter-Technologie. Das System führt die Messwerte der physischen Sensoren yk (inklusive Rauschen) in die Zustandsraumgleichungen des Digitalen Zwillings ein. Mittels des erweiterten Kalman-Filters (EKF) wird der aktuelle vollständige Systemzustandsvektor x̂k|k geschätzt. Anschließend werden über die Ausgabegleichung die physikalischen Größen ŷkvir an den Positionen der virtuellen Sensoren berechnet.
Für die Schätzung der virtuellen Dehnung am oberen Flanschblech in der Hauptträgermitte nutzt der Algorithmus die Messwerte der Dehnungssensoren an den Kopfträgern (physische Messpunkte). Diese werden mit den vierdimensionalen Lastparametern (Tragfähigkeit, Katzposition, Kranposition) fusioniert. Über die Einflussflächenmethode (Influence Surface Method) wird die maximale Spannung in der Trägermitte berechnet. In einem Validierungsexperiment an einem Brückenkran mit 50 t Tragfähigkeit und 25 m Spannweite wich die virtuell berechnete maximale Spannung in der Trägermitte um +4,7 % bis −6,2 % von den Messwerten der aufgeklebten Dehnungsmessstreifen ab, was die technischen Genauigkeitsanforderungen erfüllt. Der Algorithmus ist auf der Edge-Seite der KL-DT-VS-Plattform implementiert und kann eine virtuelle Sensorberechnung in 1 ms durchführen.
Die Genauigkeit des virtuellen Sensoralgorithmus hängt vom Kalibrierungsgrad des Digitalen Zwillingsmodells und der sinnvollen Anordnung der physischen Sensoren ab. Weichen die Installationspositionen der Dehnungssensoren von den Konstruktionskoordinaten ab oder ändert sich die Empfindlichkeit aufgrund des Wärmeeinflusses beim Schweißen, führt dies zu systematischen Abweichungen in den Ergebnissen der virtuellen Sensorik. Die KL-DT-VS-Plattform verfügt über eine integrierte Sensor-Gesundheitsprüfung: Täglich in der Schwachlastphase in den frühen Morgenstunden wird aktiv ein Prüfsignal mit bekannter Amplitude injiziert. Durch den Vergleich der Residuen zwischen virtuell berechnetem Wert und theoretischem Erwartungswert wird der Gesundheitszustand jedes physischen Sensors bewertet. Überschreitet das Residuum eines Sensors dreimal in Folge das Zweifache der Basis-RMSE, markiert das System diesen Sensor automatisch als „kalibrierungsbedürftig“ und sendet eine Benachrichtigung an das Wartungspersonal. Dieser Selbsttestmechanismus gewährleistet den zuverlässigen Betrieb der virtuellen Sensorik über die gesamte Lebensdauer der Anlage.
Fehlerinjektionssimulation für die Wartungsplanung
Die Fehlerinjektionssimulation ist eine differenzierende Funktion der KL-DT-VS-Plattform, die es Betriebs- und Wartungspersonal ermöglicht, in einem digitalen Raum gezielt verschiedene Degradationsfehler zu injizieren und zu beobachten, wie sich Fehlersymptome in den virtuellen Sensorantworten manifestieren. Die Plattform unterstützt die Injektion von 12 gängigen Brückenkran-Fehlertypen: Ermüdungsrisse im Hauptträger (Steifigkeitsreduktion um 5 % bis 30 %, Position wählbar), Grübchenbildung an Getriebezahnrädern (Abnahme der Eingriffssteifigkeit, Überlagerung der zeitvarianten Eingriffssteifigkeitsfunktion mit Impulsfunktionen), Abblätterung der Lagerlaufbahn (Überlagerung von Impulsfolgen im Übertragungspfad, Periode = Kehrwert der Käfigdrehfrequenz), Drahtseilbruch (Reduktion des äquivalenten Querschnitts, linear abnehmende Steifigkeit), Rotorstabbruch im Motor (Injektion von Drehmomentpulsationen, Frequenz als 2sf-Oberschwingung) u. a.
Der Bediener wählt lediglich den Fehlertyp, den Schweregrad (leicht/mittel/schwer) und den Injektionszeitpunkt über die Oberfläche aus. Das System modifiziert automatisch die entsprechenden physikalischen Parameter des Digitalen Zwillings und generiert realistische virtuelle Sensorsignale, die die Fehlercharakteristik enthalten. Diese Signale werden verwendet, um KI-Diagnosemodelle zu trainieren, Schwellenwerte zu optimieren und Wartungs- und Instandsetzungspläne zu erstellen. Bei einer Anwendung an drei Containerbrücken (STS) in einem Hafen erreichte das auf Basis der Fehlerinjektionssimulation trainierte CNN-Diagnosemodell eine Klassifizierungsgenauigkeit von 93,8 % unter realen Fehlerszenarien – eine Verbesserung um 21 Prozentpunkte gegenüber einem Training mit nur wenigen realen Messdaten.
Prädiktive Wartung: Umsetzungskonzept und Implementierungsphasen
Das Konzept der prädiktiven Wartung auf Basis der virtuellen Sensorik des Digitalen Zwillings wird in drei Phasen umgesetzt:
Phase 1 (Basisphase, 1–3 Monate) – Installation physikalischer Sensoren und Kalibrierung des Digitalen Zwillings; Erstellung eines Basisprofils für Vibration, Dehnung und Temperaturverteilung jeder Brückenkrans.
Phase 2 (Betriebsphase, 4–12 Monate) – Der Digitale Zwilling läuft kontinuierlich; die virtuelle Sensorik berechnet die Schädigungsakkumulation an nicht messbaren Punkten. Das System generiert automatisch einen Gerätegesundheitsindex (Health Index, HI) im Bereich von 0–100 (neues Gerät = 100, empfohlener Wartungsschwellenwert HI ≤ 60).
Phase 3 (Optimierungsphase, ab dem 13. Monat) – Training eines Degradations-Trendprognosemodells auf Basis historischer Daten (LSTM-Zeitreihennetzwerk, Eingabezeitfenster 30 Tage, Prognose des Gesundheitsindex-Verlaufs für die nächsten 14 Tage).
Nach der Einführung der KL-DT-VS-Plattform an 28 Brückenkranen eines Aluminiumunternehmens sank die Anzahl ungeplanter Stillstandszeiten von durchschnittlich 17 auf 3 Vorfälle pro Jahr (82,4 %). Die jährlichen Wartungskosten reduzierten sich von ca. 286 Mio. CNY auf ca. 112 Mio. CNY (60,8 %), und das Austauschintervall für Drahtseile verlängerte sich von durchschnittlich 9 auf 15 Monate (66,7 %). Das Unternehmen setzte ein phasenweises Einführungskonzept um: Im ersten Jahr lag der Fokus auf dem Aufbau des Digitalen Zwillings und der Basiskalibrierung, im zweiten Jahr wurde die Plattform auf alle 28 Brückenkrane ausgeweitet und an das ERP-System angebunden, und im dritten Jahr wurde ein werksweites Dashboard für das Gerätegesundheitsmanagement etabliert.
| Vergleichskriterium | konventionelle planmäßige Wartung | Digitaler ZwillingPrädiktive Wartung |
|---|---|---|
| Instandhaltungsstrategie | Befestigungzyklischer Austausch/Inspektion | gesundheitsindexbasiertHIdynamische Planung |
| ungeplante Stillstandszeit | jährlich durchschnittlich15~20Einsätze/pro 100 Einheiten | jährlich durchschnittlich2~4Einsätze/pro 100 Einheiten(80%) |
| ErsatzteilLagerbestand | Sicherheitsbestand30%Redundanz | bedarfsgerechtErsatzteil,reduziert auf8%Redundanz |
| DiagnoseAbdeckungsgrad | physischSensorAbdeckung<30%Bauteil | virtuelle Sensorabdeckung>85%Bauteil |
| Fehlerwissensdatenbank | abhängig von Ingenieurserfahrung | automatische Akkumulation durch Fehlerinjektion>12Fehlerspektrumklasse |
| ROIZyklus | — | 12~18Amortisation in Monaten |
Häufig gestellte Fragen
F: Wie wird die Genauigkeit des Digitalen Zwillings für Brückenkrane sichergestellt und wie oft muss eine Kalibrierung der Modellparameter erfolgen?
A: Die anfängliche Modellgenauigkeit wird über eine Parameteridentifikation kalibriert – mittels Bayesianischer Optimierung werden die relevanten physikalischen Parameter (Dämpfungsgrad, Reibungskoeffizient, Steifigkeitskoeffizient usw.) so angepasst, dass die Modellantwort den Messwerten der physischen Sensoren mit minimalem RMSE (Root Mean Square Error) folgt. Die Basiskalibrierung erfordert lediglich fünf Testläufe unter Volllast innerhalb der ersten zwei Wochen nach der Inbetriebnahme. Danach wird die Modellkalibrierung automatisch vierteljährlich durchgeführt: Die Messwerte der physischen Sensoren werden mit den prognostizierten Werten des Modells für denselben Zeitraum verglichen. Überschreitet der RMSE das 1,5-fache der anfänglichen Baseline, wird automatisch eine erneute Parameteridentifikation ausgelöst. Betriebsdaten zeigen, dass sich die Modellabweichung nach einem Jahr mit Datenerfassung über alle Betriebszustände bei ±12 % des anfänglichen RMSE stabilisiert.
F: Kann die virtuelle Sensortechnologie physische Sensoren vollständig ersetzen?
A: Ein vollständiger Ersatz ist nicht möglich, jedoch lässt sich die Anzahl physischer Sensoren erheblich reduzieren. Das Modell des Digitalen Zwillings benötigt eine bestimmte Anzahl physischer Messpunkte als Eingangsgrößen und Referenzanker – typischerweise 8 bis 16 Schlüsselmesspunkte (jeweils mehrere für Dehnung, Schwingung und Temperatur) an kritischen Positionen des Brückenkrans. Darauf aufbauend kann die virtuelle Sensorik die äquivalente Überwachungsabdeckung auf über 200 Punkte erweitern. Gänzlich ohne physische Sensoren würde der Digitale Zwilling mangels realer Eingangsdaten driften – ein rein offener Regelkreis würde innerhalb von 24 Stunden eine inakzeptable Prognoseabweichung akkumulieren. Die sinnvolle Strategie ist daher eine hybride Architektur aus physischen und virtuellen Sensoren, die das optimale Gleichgewicht zwischen Kosten und Abdeckung erreicht.
F: Wie groß ist die Diskrepanz zwischen durch Fehlerinjektionssimulation erzeugten Fehlerdaten und realen Fehlern?
A: Die Abweichungen resultieren im Wesentlichen aus drei Faktoren: dem Vereinfachungsgrad des Fehlermodells (z. B. wird ein Ermüdungsriss als Steifigkeitsreduktionsfaktor abgebildet, ohne die zweidimensionale Rissausbreitung vollständig zu simulieren), den nicht modellierten Anteilen der Systemnichtlinearität (z. B. Zahnflankenspiel und nichtlineare Reibungseigenschaften im Getriebezahnrad) sowie der Streuung durch Fertigungs- und Montagetoleranzen (unterschiedliche dynamische Eigenschaften desselben Typs aufgrund von Fertigungstoleranzen). In Laborvalidierungen erreichen mit Fehlerinjektionsdaten trainierte Diagnosemodelle auf realen Fehlerdaten eine Genauigkeit von etwa 80–90 % im Vergleich zu Modellen, die ausschließlich mit realen Fehlerdaten trainiert wurden. Empfohlen wird eine inkrementelle Lernstrategie: Zunächst wird das Basismodell mit Fehlerinjektionsdaten trainiert, anschließend erfolgt eine kontinuierliche Feinabstimmung mit realen Betriebsdaten. Nach einer Iterationsphase von 3 bis 6 Monaten erreicht die Genauigkeit ein Niveau, das mit einem durchgehend auf realen Daten trainierten Modell vergleichbar ist.
F: Wie lange dauert die Implementierung der KL-DT-VS-Plattform von Kelude und wann amortisiert sich die Investition?
A: Die Implementierung für einen einzelnen Brückenkran dauert etwa 5 bis 7 Arbeitstage: Tag 1–2 Installation der physischen Sensoren und des Edge-Computing-Gateways (unter Nutzung von Wartungsfenstern), Tag 3–4 dynamische Tests und Modellkalibrierung (einschließlich Volllast-Testläufen unter drei typischen Betriebsbedingungen), Tag 5 Implementierung des Fehlerinjektions-Simulationsmoduls und des KI-Diagnosemodells, Tag 6–7 Systemintegration und Schulung des Betriebspersonals. Bei Serienimplementierung (ab 10 Kränen) reduziert sich die Dauer auf durchschnittlich 3 bis 4 Arbeitstage pro Kran. Zur Amortisation: Für einen KL-DT-VS-Einzelplatz in der Triebwerksgruppe A7/A8 bei Hütten- oder Hafen-Brückenkränen liegen die Implementierungskosten bei ca. 8.000–12.000 € pro Kran. Die erwarteten jährlichen Einsparungen bei den Instandhaltungskosten betragen ca. 15.000–25.000 € (Reduzierung ungeplanter Stillstandszeiten, Verlängerung der Austauschintervalle von Bauteilen, Reduzierung der Ersatzteillagerbestände). Die Amortisationszeit liegt somit bei etwa 12 bis 18 Monaten. Das System wird mit 3 Jahren Garantie und Fernwartungsservice für das Modell geliefert.
