KI-basierte Drahtseil- und Schienenprüfung für Brückenkräne
Das KI-gestützte optische Inspektionssystem für Brückenkrane basiert auf dem Deep-Learning-Framework YOLOv8. Die Erkennungsgenauigkeit für Drahtbrüche am Seil erreicht mAP ≥ 95,3 %, die Erkennungsrate für Schienenrisse ≥ 92 % und die Inferenzzeit pro Bild liegt bei ≤ 12 ms (Jetson Orin NX). Gegenüber der manuellen Inspektion steigert das System die Effizienz um das 8- bis 10-fache.
Drahtseilbrüche, Schienenrisse und Hakenverformungen zählen zu den drei kritischsten Sicherheitsrisiken an Brückenkranen. Die traditionelle Sichtprüfung (VT) durch Personal hängt stark von der Erfahrung der Prüfenden ab. Sie bietet nur eine geringe Abdeckung, leidet unter mangelnder Standardisierung und benötigt pro Kran 2 bis 4 Stunden. Angesichts der quantitativen Anforderungen an die Sichtprüfung von Drahtseilen gemäß ISO 4309:2017 – Norm für die Seilinspektion – sowie der in der Norm DIN 15018 festgelegten Prüfintervalle für sicherheitsrelevante Bauteile ist der Einsatz von KI-basierter optischer Inspektion für eine vollautomatische, kontinuierliche Oberflächenfehlererkennung ein logischer Schritt im modernen Management von Hebezeugen.
Das KI-Inspektionssystem für Brückenkrane besteht aus drei Komponenten: einer Anordnung von Industriekameras, einem Edge-Computing-Inferenzterminal und einer cloudbasierten Verwaltungsplattform. Hochauflösende Industriekameras sind an kritischen Punkten installiert – entlang des Seilwegs des Hubwerks, an den Kranbahnschienen und am Hals des Hakens. Sie erfassen Bilddaten in Echtzeit. Auf Edge-Computing-Geräten laufen Deep-Learning-Modelle, die eine Inferenz in Millisekunden durchführen. Die Ergebnisse inklusive Fehlermarkierungen werden synchron an die Verwaltungsplattform übertragen. Dies ermöglicht den Wandel von reaktiver Wartung hin zu proaktiver Warnung.
YOLOv8-Architektur für die Echtzeit-Defekterkennung am Kran
Das System nutzt eine kaskadierte Architektur aus zwei Modellen: YOLOv8 und SegFormer. YOLOv8 ist für die schnelle Lokalisierung und Klassifizierung von Objektdefekten zuständig – etwa die Erkennung von Drahtbrüchen, die Markierung von Druckstellen an Schienen oder die Erkennung anomaler Hakenöffnungen. Die Erkennungsgenauigkeit erreicht hier mAP@0.5 von 95,3 %.
Das semantische Segmentierungsmodell SegFormer ist auf Aufgaben spezialisiert, die Pixelgenauigkeit erfordern: die Erkennung feiner Risse, die Bestimmung des Korrosionsflächenanteils und die Bewertung von Verschleiß. Hier wird ein mIoU von 82,7 % erzielt. Ein leichtgewichtiges Fusionsmodul kombiniert die Ergebnisse beider Modelle und senkt die Fehlerrate im Vergleich zu einem einzelnen Modell von 6,8 % auf 1,9 %.
Für den Echtzeitbetrieb unter industriellen Bedingungen wird das Modell mittels TensorRT FP16-Quantisierung auf dem NVIDIA Jetson Orin NX Edge-Computing-Modul bereitgestellt. Die Inferenzzeit pro Bild liegt bei unter 12 ms, die Verarbeitungsrate des Videostreams erreicht 83 FPS. Damit ist eine lückenlose Echtzeitprüfung aller Kranbewegungen gewährleistet.
Das Training erfolgte auf einem eigenen Datensatz mit 82.000 annotierten Bildern, die vier typische Defektkategorien abdecken: Drahtseilbrüche, Schienenrisse, Hakenverformung und Lichtbogenfehler an der Schleppleitung. Der Datensatz wurde im Verhältnis 7:2:1 in Trainings-, Validierungs- und Testdatensatz aufgeteilt.
Vergleich: Manuelle Inspektion vs. KI-gestützte optische Inspektion
| Vergleichspunkt | traditionell manuellInspektion | AIoptisches Inspektionssystem |
|---|---|---|
| Erkennungsverfahren | Sichtprüfung+Messschieber+LupeManuellInspektion | 4KIndustriekameraautomatische Erfassung+AIEchtzeit-Auswertung |
| pro Einheit Inspektion Zeitaufwand | 2~4Stunden(mit Anlagenstillstand) | Echtzeit-Online,ohne Stillstand |
| Drahtseil Drahtbruch-Erkennungsrate | ca.40%~60%(abhängig von Beleuchtung und Erfahrung) | ≥95.3%(YOLOv8+SegFormerFusion) |
| Riss Minimum Erkennungsgröße | ≥0.3mm(Lupenunterstützt) | ≥0.1mm(4KBild+überAuflösungerweitert) |
| Erkennung Häufigkeit | monatlich/vierteljährlichWiederkehrende Prüfung | täglich automatisch erzeugtErkennungBericht |
| Referenznorm | GB/T 5972-2016 Anforderungen an die Sichtprüfung | GB/T 28264 — Sicherheitsüberwachungs- und Managementsystem-2017 ÜberwachungSystemarchitektur |
Leistungskennwerte und technische Parameter
Die Kernleistung des optischen Inspektionssystems umfasst drei Dimensionen: Erkennungsgenauigkeit, Inferenzgeschwindigkeit und Umgebungstauglichkeit. Bei der Erkennungsgenauigkeit erreicht das System für die vier Inspektionsaufgaben – Drahtseilriss, Schienenriss, Hakenverformung und Schleppleitung-Lichtbogen – mAP-Werte von 95,3 %, 92,1 %, 97,6 % bzw. 94,8 %.
Bei der Inferenzgeschwindigkeit beträgt die Verarbeitungszeit pro Einzelbild auf dem Edge-Gerät 12 ms, wobei bis zu 6 parallele Videostreams unterstützt werden. In Bezug auf die Umgebungstauglichkeit ermöglicht die Nahinfrarot-Beleuchtung bei 850 nm eine zuverlässige Erkennung bei niedrigen Lichtverhältnissen von 0–20 Lux. Die Kameras sind mit Schutzart IP67 klassifiziert und für einen Betriebstemperaturbereich von –20 °C bis 60 °C ausgelegt.
Fehlererkennung und Datensatzaufbau für Brückenkrane
Das System deckt typische Oberflächenfehler an den vier zentralen Inspektionsobjekten eines Brückenkrans ab. Die Drahtseilprüfung konzentriert sich auf Drahtbrüche, Verschleiß mit Durchmesserreduzierung und Korrosionsflächen. Die Bewertung erfolgt gemäß den Ablegekriterien der Norm GB/T 5972-2016, wobei das KI-Modell direkt die Fehlerklasse ausgibt.
Die Schienenprüfung umfasst die drei Dimensionen Rissbildung auf der Schienenoberfläche, Eindrucktiefe und einseitigen Verschleiß des Schienenkopfes. Die Bewertung erfolgt nach dem Abnahmestandard der Norm GB/T 10183-2018 für Räder und Schienen. Die Hakenprüfung konzentriert sich auf die beiden Kernindikatoren Öffnungsmaßänderung und Länge von Oberflächenrissen. Die Schleppleitungsprüfung überwacht online den Verschleiß der Kohlebürsten sowie Lichtbogenspuren.
Der Datensatzaufbau kombiniert reale Werksaufnahmen mit synthetischer Datenaugmentierung. An drei typischen Einsatzorten – Stahlwerk, Hafen und Kraftwerk – wurden temporäre Erfassungssysteme installiert, um 42.000 Originalbilder zu gewinnen. Durch GAN-basierte synthetische Datengenerierung wurden zusätzlich 40.000 augmentierte Proben unter verschiedenen Lichtverhältnissen und Winkeln erzeugt. Dieser Ansatz adressiert effektiv das Problem der natürlichen Datenknappheit bei industriellen Fehlerbildern (Long-Tail-Verteilung). Die Annotation erfolgt im Polygon-Segmentierungsformat mit einer durchschnittlichen Bearbeitungszeit von 15 Minuten pro Bild. Jedes Bild wird von einem Kraninspekteur und einem KI-Annotator doppelt geprüft, um eine hohe Annotationsqualität sicherzustellen.
Edge-Computing und Leistungsoptimierung
Rechenleistung – Als Edge-Inferenzplattform kommt das NVIDIA Jetson Orin NX 16GB Modul zum Einsatz. Mit einer Rechenleistung von bis zu 100 TOPS bei FP16-Genauigkeit erfüllt es die Anforderungen für die Echtzeitverarbeitung mehrerer Videostreams.
Inferenzoptimierung – Das Modell wird über die TensorRT-Optimierungsengine für YOLOv8 und SegFormer mittels Operator-Fusion und Speicheroptimierung beschleunigt. Die Inferenzlatenz wird von ursprünglich 267 ms auf 12 ms reduziert – eine Beschleunigung um den Faktor 22,3.
Fehlertoleranz – Das System unterstützt einen ONNX-Runtime-Fallback-Modus. In Extremszenarien, in denen TensorRT nicht verfügbar ist, wechselt das System automatisch auf die ONNX-Engine, um einen unterbrechungsfreien Inspektionsbetrieb zu gewährleisten.
Bei der Installation vor Ort werden die Kameras über Encoder-Trigger mit der Bewegung der Kranmechanik synchronisiert. Die Drahtseilkameras werden am Querträger oberhalb des Hubwerks montiert, die Schienenkameras an beiden Seiten der Laufkatzenplattform und die Hakenkameras mit Blickrichtung nach unten unterhalb des Führerhauses. Alle Kameras werden über industrielle Ethernet-Kabel zu einem nahegelegenen, geschützten Edge-Computing-Schrank zusammengeführt. Die aggregierten Daten werden über 4G/5G oder kabelgebundene Netzwerke an die Cloud-Management-Plattform übertragen. Gemäß den Anforderungen an die Datenschnittstelle der Norm GB/T 28264-2017 – Sicherheitsüberwachungs- und Managementsystem für Hebezeuge stellt die Plattform eine standardisierte REST-API für die Anbindung an MES- und EAM-Systeme bereit.
Übersicht der Einsatzorte und Erkennungsparameter für das optische Inspektionssystem
| Installationsort | Kameratyp | ErkennungZielobjekt | MinimumFehlerErkennungsgröße |
|---|---|---|---|
| Hubwerk Querträger | 4KZeilenkamera | DrahtseilDrahtbruch/Verschleiß/Korrosion | 0.1mmDrahtbruch |
| Laufkatzebeidseitig der Plattform | 4KFlächenkamera | SchieneRiss/Eindruck/einseitiger Verschleiß | 0.2mmRiss |
| Führerhausunterhalb | Stereokamera | Hakenöffnungmonatlich/Verformung/Riss | 0.05mmÖffnungsweite |
| Schleppleitungentlang der Seil | Infrarot-Thermografiekamera | KohlebürsteLichtbogen/Kontaktfehler | 10°CTemperaturanstieg-Schwellwert |
Systemvorteile und wirtschaftlicher Nutzen
Der Kernwert des optischen KI-Inspektionssystems liegt darin, unvorhersehbare, plötzliche Seilbrüche in beherrschbare, frühzeitig erkennbare Warnsignale umzuwandeln. Das System meldet einen Seilwechsel bereits dann, wenn die Anzahl der Drahtbrüche 80 % des in der Norm GB/T 5972-2016 festgelegten Ablegekriteriums erreicht – und erkennt so frühe Defekte 7 bis 30 Tage vor der herkömmlichen monatlichen Inspektion.
Am Beispiel eines Stahlwerks mit einer Jahresproduktion von 1 Million Tonnen: Ein einzelner Seilbruch verursacht Produktionsausfälle zwischen 300.000 und 800.000 EUR. Das KI-Inspektionssystem reduziert die Ausfallrate durch Seilbruch um über 85 % und verhindert durchschnittlich 2 bis 3 schwere Störfälle pro Jahr.
Bei den Wartungskosten ersetzt das System 50 % bis 70 % der manuellen Inspektionsarbeit. Zertifizierte Prüfer werden dadurch von der Routineinspektion entlastet und können sich auf die Überprüfung, Analyse und tiefergehende Prüfungen konzentrieren – eine deutliche Steigerung der Personaleffizienz.
Die Gesamtbetriebskosten über den gesamten Lebenszyklus (inkl. Kamerawartung, Modellpflege und Rechenleistung) liegen bei etwa 60.000 bis 100.000 EUR pro Jahr und Brückenkran. Ein einziger schwerer Störfall deckt damit die Systemkosten für 3 bis 5 Jahre. Die gesammelten Betriebsdaten fließen zudem in die kontinuierliche Modelloptimierung zurück und schließen so einen datengetriebenen Verbesserungskreislauf.
Häufige Fragen zur KI-Seilprüfung
F: Kann die optische KI-Inspektion die manuelle Drahtseilprüfung vollständig ersetzen?
A: Nein, eine vollständige Ersetzung ist nicht möglich. Die KI-gestützte Bildverarbeitung übernimmt die tägliche Sichtprüfung und Teile der monatlichen Kontrolle. Gemäß Norm GB/T 5972-2016 müssen die jährliche Hauptuntersuchung und die Ablegeentscheidung jedoch weiterhin durch zertifizierte Prüfer erfolgen. Das KI-System verlängert die Intervalle zwischen manuellen Prüfungen erheblich: Die monatliche Routineinspektion wird automatisiert, der Prüfer muss lediglich die vom System gemeldeten auffälligen Bilder überprüfen.
F: Wie bleibt die Erkennungsgenauigkeit unter Staub- und Ölverschmutzung erhalten?
A: Das System nutzt drei Störfestigkeitsmaßnahmen: Die Kameraobjektive sind mit einer Druckluft-Düsenleiste ausgestattet, die Staubablagerungen verhindert. Die Trainingsdaten enthalten künstlich erzeugte Simulationsbilder mit Ölverschmutzung und Objektivverschmutzung (12 % des Trainingsdatensatzes). Zudem verfügt das Modell über eine adaptive Entrauschungsfunktion. In Feldtests in Gießereien mit Staubkonzentrationen von 5 mg/m³ sank die Erkennungsgenauigkeit um nicht mehr als 3 Prozentpunkte.
F: Wie passt sich das Modell an unterschiedliche Hersteller und Krantypen an?
A: Das System verwendet Transfer Learning: Das vortrainierte Basismodell wird beim Kunden vor Ort mit nur 500 bis 1.000 Aufnahmen feinjustiert. Die Anpassungsphase dauert 5 bis 7 Arbeitstage. Mit über 120 installierten KI-Bildverarbeitungssystemen verfügt Kelude über eine umfangreiche Modellbibliothek für vielfältige Einsatzszenarien.
F: Wie werden die Systemdaten an das bestehende Sicherheitsüberwachungs- und Managementsystem des Krans angebunden?
A: Das System unterstützt standardisierte REST-API- und MQTT-Protokolle. Erkennungsergebnisse und Fehlerbilder werden als JSON-Daten in Echtzeit an Drittsysteme übertragen. Gemäß der Datenschnittstellen-Spezifikation der Norm GB/T 28264-2017 liefert das System einen Datensatz mit Fehlerklasse, Positionskoordinaten, Zeitstempel und Bild-URL – nahtlos integrierbar in das Sicherheitsüberwachungs- und Managementsystem des Krans sowie in die EAM-Plattform des Unternehmens.
— Kelude Schwerindustrie ist auf intelligente Inspektionssysteme für Brückenkrane spezialisiert und hat über 120 KI-Bildverarbeitungssysteme installiert – für die vier Kernprüfobjekte Drahtseil, Schiene, Haken und Schleppleitung. Für weitere Informationen zu den Anwendungsmöglichkeiten der Norm GB/T 5972-2016 „Wartung, Inspektion und Ablegekriterien von Drahtseilen in Kranen“ sowie zu DIN 15018 – Kernanforderungen der Krankonstruktion im KI-Einsatz kontaktieren Sie bitte das Technikteam von Kelude Schwerindustrie.
