KI-gestützte prädiktive Wartung für Brückenkrane
Kernaussagen
Die Instandhaltung von Kranen befindet sich im Wandel – vom reaktiven Prinzip „erst reparieren, wenn etwas kaputt ist“ hin zur prädiktiven Wartung (PHM). Das Zustandsüberwachungssystem (CMS) löst das Problem des „Sehens“: Es erfasst in Echtzeit Daten wie Motortemperatur, Getriebevibration und Bremsverschleiß. Die Integration von KI adressiert das Problem des „Verstehens“: Anhand historischer Daten trainierte Modelle geben bis zu 30 Tage vor einem auftretenden Fehler eine Frühwarnung aus. Nach der Einführung des KI-gestützten Planungssystems bei CITIC Heavy Industries erreichte die Online-Quote der kerntechnischen Produktionsdaten 100 %, die Quote für Hochrisiko-Frühwarnungen überstieg 90 %. Für ein Werk mit einem Jahresumsatz von über 100 Millionen Euro übersteigen die Stillstandsverluste (3–5 Tage) durch einen plötzlichen Getriebeschaden häufig die Gesamtinvestition in ein PHM-System. Im Jahr 2026 sind die Hardwarekosten für KI-gestützte prädiktive Wartung auf ca. 30.000–80.000 EUR pro Anlage gesunken – sie wird damit zunehmend auch für kleine und mittlere Unternehmen erschwinglich.
Eines der Schlüsselthemen der Kranbranche im Jahr 2026 lautet: „Vom Produktverkauf zum Servicegeschäft“. Die Kernkompetenz dieses Servicegeschäfts ist die prädiktive Wartung – sie hilft Kunden, ungeplante Stillstände zu vermeiden. Dieser Artikel beleuchtet den technischen Ansatz von CMS zu PHM, die Implementierungskosten und den realen Return on Investment.
Von CMS 1.0 zu PHM 2.0: Die technische Architektur im Wandel
| Vergleichskriterium | CMS 1.0(Zustandsüberwachung) | PHM 2.0(Prädiktive Wartung) |
|---|---|---|
| Kernfunktionen | Datenerfassung+Grenzwertalarm(Rotalarm bei Vibration) | AITrendprognose+RestlebensdauerSchätzung(30Tage späterZahnradmöglichVersagen) |
| Sensor Anzahl | 8~12Stück(Vibration×4,Temperatur×4,Strom×2) | 12~20Stück(Erhöhung der Ölpartikelzahl,Schallemission,Verschiebung) |
| Datenverarbeitung | LokalSPSEdge-Computing Grenzwertauslösung | EdgeAIInferenz + CloudModelltraining Trendprognose |
| Frühwarnung Zeitnähe | Stunden vor Ausfall(Echtzeit-Grenzwertalarm) | vor Ausfall7~30Tage(TrendabweichungFrühwarnung) |
| Hardwarekosten | 1~310.000 CNY/Einheit | 3~810.000 CNY/Einheit(inkl.Edge-AI-Gateway) |
| Jahresservicegebühr | 0.3~0.510.000 CNY/Einheit | 0.8~1.510.000 CNY/Einheit(inkl. Modellupdate+ExperteDiagnose) |
Zentrale technologische Fortschritte: Die Kosten für Edge-AI-Chips (z. B. Huawei Ascend Atlas 200, NVIDIA Jetson Orin) sind in den letzten zwei Jahren um rund 40–50 % gesunken, wodurch die Installation einer eigenen KI-Inferenzeinheit an jedem Kran wirtschaftlich tragfähig wird. Während früher eine Datenübertragung zur Cloud-Analyse erforderlich war (hohe Latenz, teure Datenübertragung), können Spektrumanalyse, Trendvorhersage und Fehlerklassifikation nun lokal durchgeführt werden.
Was PHM überwacht: Frühwarnlogik der vier Kernkomponenten
① Getriebe – Schwingungsspektrum + Ölpartikelanalyse
Das Getriebe ist das teuerste Bauteil des Krans und führt bei Ausfällen zu den schwerwiegendsten Folgen (Produktionsstillstand von 3–5 Tagen). Das PHM-System erfasst das Schwingungsspektrum am Eingangs- und Ausgangsende des Getriebes über dreiachsige Schwingungssensoren. Ein KI-Modell vergleicht die Daten mit der normalen Basislinie und erkennt automatisch die charakteristischen Frequenzen von Zahnradpitting, Zahnbruch und Schäden am Lagerkäfig. Parallel wird die Konzentration ferromagnetischer Partikel im Öl (ppm) überwacht. Die Kombination beider Messgrößen ermöglicht eine Frühwarnung vor Zahnradversagen von 30–45 Tagen.
② Bremse – Bremsweg + Temperaturanstiegskurve
Der Verschleiß der Bremse ist ein irreversibler, fortschreitender Prozess. Das PHM-System überwacht Bremszeit und Bremsweg bei jedem Bremsvorgang (berechnet aus der Encoder-Rückmeldung) und erstellt daraus eine Verschleißtrendkurve. Wenn der Bremsweg vom Normalwert von 320 mm auf 380 mm abweicht (entspricht einem Reibbelagverschleiß von ca. 2 mm), gibt das System 2–4 Wochen vorher eine Austauschwarnung aus. Zusätzlich wird die Temperaturanstiegsrate der Bremsenspule überwacht – ein beschleunigter Temperaturanstieg deutet häufig auf Federermüdung oder Anomalien im Luftspalt hin.
③ Motor – Stromoberschwingungen + Temperaturfeld
Elektrische Fehler wie Windungsschluss in der Statorwicklung oder Rotorstabbrüche zeigen im Stromspektrum eindeutige Oberschwingungsmerkmale (Seitenbänder bei der doppelten Schlupffrequenz). Das PHM-System erfasst das Stromsignal am Ausgang des Frequenzumrichters und erkennt über eine FFT-Analyse automatisch Vorboten elektrischer Fehler. Infrarot-Temperatursensoren überwachen den Temperaturgradienten an Motorlüfterhaube, Lagergehäuse und Statorblechpaket. Eine anomale Temperaturdifferenz (>15 °C) deutet in der Regel auf einen Ausfall der Lagerschmierung hin.
④ Drahtseil – magnetische Flusslecksage + Drahtbruchzählung
Die Drahtseilprüfung basierte traditionell auf manueller Sichtprüfung und regelmäßiger zerstörungsfreier Prüfung (in der Regel alle 6–12 Monate). Das PHM-System installiert magnetische Flusssensoren an der Trommelseite und überwacht online die Änderungen des magnetischen Flusses beim Durchlaufen des Drahtseils – Drahtbrüche und Querschnittsverluste erzeugen charakteristische Peaks im Flusssignal. Das KI-Modell zählt automatisch die Anzahl der Drahtbrüche und deren Position und gibt eine Frühwarnung aus, bevor die in DIN 15020 festgelegte Aussonderungsnorm erreicht wird.
Kapitalrendite: Wie viele PHM-Systeme kostet ein ungeplanter Stillstand?
Am Beispiel eines 50-t-Zweiträger-Brückenkrans (Triebwerksgruppe A5, 4.000 Betriebsstunden pro Jahr):
| Vergleichsmerkmal | NeinPHM | JaPHM | Einsparung |
|---|---|---|---|
| Außerplanmäßiger Stillstand(Mal/Jahr) | 1~2Mal | 0~0.5Mal | Reduzierung80%+ |
| Verlust pro Stillstand | Produktionsausfall3~5Tage×Tagesproduktionswert | Präventiver Teiletausch nur4~8Stunden vor Ausfall | — |
| Getriebe Generalüberholungsintervall | 3~5Jahr(Nationale Normweiche Zahnflanke) | verlängert auf10Jahr+(Früherkennung von Mikropitting) | Einsparung1~2MalGeneralüberholung=6~1610.000 |
| Ersatzteilbestand | Lagerhaltung nach Erfahrung(Überbestand) | nachRestlebensdauerPräzisionsbeschaffung | Lagerreduzierung30%~50% |
| Jahresgesamtkosten | Wartung+Produktionsausfall≈8~1510.000 | Wartung+PHMJahresservicegebühr≈4~610.000 | jährliche Einsparung4~910.000 |
Die Investition in die PHM-Hardware liegt bei 3.000 bis 8.000 EUR pro Kran, die jährlichen Einsparungen betragen 4.000 bis 9.000 EUR, die Amortisationszeit liegt bei etwa 1 bis 2 Jahren. Für Stahl- und Nichteisenmetallwerke mit einem Jahresumsatz von über 500 Millionen EUR (in der Regel 20 bis 50 Brückenkrane) belaufen sich die jährlichen Gesamteinsparungen durch eine werksweite PHM-Einführung auf 1 bis 3 Millionen EUR.
Häufige Fragen zu PHM-Systemen für Krane
F: Welche hardwaretechnischen Voraussetzungen muss ein Kran für PHM erfüllen?
A: Mindestens erforderlich sind eine vollständige Frequenzumrichter-Drehzahlregelung (die Stromsignale können direkt am Frequenzumrichter abgegriffen werden) sowie ein Absolutwertgeber für die Positionsrückmeldung. Ältere Brückenkrane mit Schleifringläufermotor und Drehzahlregelung über Vorwiderstände müssen zunächst elektrisch umgerüstet werden; die Umbaukosten liegen bei etwa 5.000 bis 10.000 EUR pro Kran. Dies ist auch der Grund, warum die zunehmende Verbreitung kompletter Frequenzumrichterantriebe die Voraussetzung für eine skalierbare PHM-Einführung ist.
F: Wie hoch ist die Prognosegenauigkeit der KI? Kommt es häufig zu Fehlalarmen?
A: Die Prognosegenauigkeit für Getriebezahnrad-Schäden liegt bei 85 % bis 92 % (abhängig von der Menge der historischen Daten), die Erkennungsgenauigkeit für Drahtbruch am Seil bei über 95 %. Fehlalarme treten vor allem in der frühen Phase des Modelltrainings auf (bei unzureichender Datenmenge); nach mehr als 6 Monaten Betrieb lässt sich die Fehlalarmrate auf unter 5 % senken. Empfohlen wird, in den ersten 3 Monaten nach PHM-Einführung einen Übergangsprozess mit „KI-Frühwarnung plus manueller Überprüfung“ zu fahren.
F: Können mittelständische Kranhersteller PHM ebenfalls anbieten?
A: Die Hardware-Integration ist machbar, für die KI-Modelle benötigt man jedoch Partner. Empfohlener Ansatz: Die Sensorinstallation und Datenerfassung (Hardware-Seite) selbst übernehmen und für Modelltraining und Fehlerdiagnose mit industriellen KI-SaaS-Anbietern zusammenarbeiten. So bleibt die Hardware-Marge im eigenen Haus und man erhält gleichzeitig Zugang zu KI-Kompetenz.
F: Wie verhält sich PHM zur regelmäßigen Wartung? Kann es die manuelle Inspektion ersetzen?
A: Eine vollständige Ersetzung ist nicht möglich, aber die Inspektionsfrequenz lässt sich von einer Prüfung pro Schicht auf eine tägliche Prüfung reduzieren. PHM ist darauf ausgelegt, die regelmäßige Wartung in eine zustandsbasierte Wartung (CBM) zu überführen – der Ölwechsel erfolgt dann nicht mehr nach festen 5.000 Betriebsstunden, sondern auf Basis der Messdaten zur Ölpartikelgröße. Die sicherheitsrelevante manuelle Inspektion bleibt weiterhin erforderlich.
Weiterführende Informationen
Einsatz unbemannter Brückenkrane— Zustandsüberwachung mit CMS
Neue Sicherheitsaufsicht-Verordnung— TSG 51 verpflichtet zu CMS
Datenquelle: ISO 13374 „Zustandsüberwachung und -diagnostik“ | Fallstudien industrieller KI-Anbieter | Digitalisierungsplattform CITIC Heavy Industries | Erstellt von der Technischen Abteilung Kelude
