Maschinelles Lernen für Kran-Fehlerdiagnose und prädiktive Wartung
Krane sind typische Anlagen mit hohen Zuverlässigkeitsanforderungen. Ein plötzlicher Ausfall kann zum Stillstand der Fertigungslinie oder sogar zu schwerwiegenden Sicherheitsvorfällen führen. Das traditionelle Modell der „regelmäßigen Wartung“ weist zwei wesentliche Nachteile auf: Übermäßige Wartung verursacht Ressourcenverschwendung, während unzureichende Wartung zu unerwarteten Ausfällen führt. Maschinelles Lernen (ML) analysiert Betriebsdaten der Anlage und ermöglicht den Übergang von der „planmäßigen Instandhaltung“ zur „zustandsorientierten Wartung“.
▲ Systemarchitektur der maschinellen Lern-basierten Fehlererkennung für Krane
Technische Umsetzung der prädiktiven Wartung
1. Datenerfassung und Vorverarbeitung
Die Datenerfassung erfolgt über die SPS-Steuerung, den Frequenzumrichter und das Sensornetzwerk des Krans. Erfasst werden unter anderem: Motorstrom/-spannung/-leistung, Schwingungsbeschleunigung, Temperatur, Tragfähigkeit, Verfahrweg und Bedienhäufigkeit. Hochfrequente Daten (Abtastrate des Motorstroms 1 kHz) werden über Edge-Computing-Knoten einer Merkmalsextraktion unterzogen, während niederfrequente Daten (stündliche Aggregatwerte) direkt in die Cloud übertragen werden.
2. Modellauswahl und Training
Für unterschiedliche Prognoseziele werden verschiedene Algorithmen eingesetzt:
- Binäre Klassifikation (normal/anormal): Gradient-Boosting-Modelle (XGBoost, LightGBM) erreichen eine Genauigkeit von über 95 %
- Restlebensdauer-Prognose (RUL): Zeitreihen-Neuronale Netze (LSTM, TCN) mit einer Prognoseabweichung von ±15 %
- Fehlertyp-Klassifikation: Random Forest, Support Vector Machines (SVM) mit einer Mehrklassen-Genauigkeit von über 90 %
- Anomalieerkennung: Autoencoder oder Isolation Forest – geeignet für Szenarien mit wenigen annotierten Daten
▲ Trainings- und Validierungsprozess des Fehlererkennungsmodells
3. Edge-Deployment und Echtzeit-Inferenz
Das trainierte Modell wird im ONNX-Format exportiert und auf Edge-Computing-Geräten am Kran deployt (z. B. NVIDIA Jetson oder industrielle Raspberry-Pi-Varianten). Die Inferenzlatenz bleibt unter 50 ms und erfüllt damit die Anforderungen an die Echtzeitüberwachung. Die Edge-Knoten übernehmen gleichzeitig Datenpufferung und unterbrechungsfreie Übertragung, sodass bei Netzwerkstörungen keine Daten verloren gehen.
Typische Modelle für die Fehlerfrüherkennung am Kran
| Fehlerart | Prognosemerkmal | Algorithmusempfehlung | Prognosevorlaufzeit |
|---|---|---|---|
| LagerVerschleiß | SchwingungsbeschleunigungRMS,Crestfaktor | LSTM | 10-14Tag |
| BremseSchlupf | MotorStromHarmonische,BremsungHub | XGBoost | 5-7Tag |
| DrahtseilDrahtbruch | ElektromagnetischErkennungSignal,TragfähigkeitKennlinie | CNN | 7-10Tag |
| MotorIsolierungAlterung | Isolationswiderstand,Teilentladungsmenge | Random Forest | 15-30Tag |
| GetriebegehäuseVerschleiß | Ferrografie der Ölanalyse,VibrationSeitenband | LightGBM | 20-45Tag |
Umsetzungsempfehlungen
Die Einführung eines ML-basierten Fehlerfrüherkennungssystems sollte in drei Phasen erfolgen:
- Pilotphase: Auswahl von 3–5 Kränen mit hoher Auslastung, Installation von Sensoren und Edge-Gateways, Sammlung von Trainingsdaten über 6 Monate
- Validierungsphase: Training und Validierung der Modellgenauigkeit auf Basis der Pilotdaten, Ausrollung nach Erreichen einer Erkennungsgenauigkeit von über 90 %
- Skalierungsphase: Werksweite Implementierung und Aufbau einer einheitlichen Plattform für das Anlagenzustandsmanagement
▲ Dashboard für prädiktive Wartung auf der intelligenten Betriebsplattform
Häufig gestellte Fragen
F: Welche typischen Anwendungen hat maschinelles Lernen bei der Kran-Fehlerdiagnose?
A: Typische Anwendungen umfassen: Restlebensdauer-Prognose für Getriebegehäuse-Lager (CNN/LSTM), Motor-Fehlerdiagnose (Schwingungsspektrum + Random Forest), Drahtseil-Drahtbrucherkennung (Vision + CNN) sowie Trendanalyse zur Bremsen-Degradation (Zeitreihen + GBDT).
F: Wie viele Trainingsdaten werden für ein Kran-Fehlerdiagnosemodell benötigt?
A: Für Klassifikationsaufgaben werden in der Regel 500–2.000 Stichproben pro Fehlerkategorie benötigt, für Regressionsprognosen sind kontinuierliche Betriebsdaten von 3–6 Monaten erforderlich. Transfer Learning und Datenaugmentierung können den Datenbedarf um 30–50 % reduzieren. Es wird empfohlen, mit öffentlichen Datensätzen vorzutrainieren und anschließend feinzujustieren.
F: Welche Kompetenzen hat Kelude im Bereich KI-gestützter Fehlerdiagnose?
A: Kelude arbeitet mit KI-Forschungseinrichtungen zusammen und bietet Lösungen zur Getriebe- und Lager-Fehlerdiagnose auf Basis von Schwingungsspektrum-Analyse und 1D-CNN sowie visuelle Drahtseilprüfung mit YOLOv8 an.
