Anwendung von maschinellem Lernen bei der Vorhersage und Diagnose von Kranausfällen
I. Warum benötigen Kräne maschinelles Lernen zur Fehlervorhersage?
Ein Kran ist ein typisches Beispiel fürGeräte mit hohen Anforderungen an die Zuverlässigkeit, da plötzliche Ausfälle zu Produktionsstillständen oder sogar zu schweren Sicherheitsvorfällen führen können. Das herkömmliche Modell der ”regelmäßigen Wartung” weist zwei wesentliche Nachteile auf: Übermäßige Wartung führt zu Ressourcenverschwendung, während unzureichende Wartung plötzliche Ausfälle zur Folge hat. Maschinelles Lernen (ML) ermöglicht durch die Analyse von Betriebsdaten der Anlagen den Übergang von der ”planmäßigen Wartung” hin zu“Zustandsorientierte Instandhaltung”Sprung.
▲ Architektur eines auf maschinellem Lernen basierenden Systems zur Vorhersage von Kranausfällen
II. Technischer Umsetzungsansatz
1. Datenerfassung und -vorverarbeitung
Vom KranSPS-Steuerung、Frequenzumrichter、SensornetzwerkDie erfassten Daten umfassen: Motorstrom, -spannung und -leistung, Schwingungsbeschleunigung, Temperatur, Hubkraft, Verfahrweg, Betätigungshäufigkeit usw. Die Hochfrequenzdaten (Abtastrate des Motorstroms: 1 kHz) werden über Edge-Computing-Knoten verarbeitet.Merkmalsextraktion, wobei die Daten mit geringer Frequenz (stündliche Aggregatwerte) direkt in die Cloud hochgeladen werden.
2. Modellauswahl und -training
Je nach Prognoseziel werden unterschiedliche Algorithmen ausgewählt:
- Zweiklassen-Klassifizierungsproblem(Normal/Anomalie): Gradient-Boosting-Bäume (XGBoost, LightGBM), Genauigkeit von über 95%
- Prognose der Restlebensdauer(RUL): Zeitliche neuronale Netze (LSTM, TCN), Prognosefehler innerhalb von ±151 TP3T
- Klassifizierung der Fehlerarten:Random Forest, Support-Vektor-Maschinen (SVM), Genauigkeit bei der Mehrklassenklassifizierung über 90%
- Anomalieerkennung:Autoencoder oder Isolated Forest eignen sich für Szenarien mit wenigen beschrifteten Daten
▲ Ablauf des Trainings und der Validierung von Modellen zur Fehlervorhersage
3. Edge-Bereitstellung und Echtzeit-Inferenz
Das trainierte Modell wird überONNX-FormatExportieren und auf den lokalen Edge-Computing-Geräten von Crane (z. B. NVIDIA Jetson oder Raspberry Pi Industrial Edition) bereitstellen. Die Inferenzverzögerung wird aufinnerhalb von 50 ms, um den Anforderungen an die Echtzeitüberwachung gerecht zu werden. Die Edge-Knoten sind gleichzeitig für die Datenzwischenspeicherung und die Wiederaufnahme unterbrochener Übertragungen zuständig, um sicherzustellen, dass bei Netzwerkstörungen keine Daten verloren gehen.
III. Typische Modelle zur Fehlervorhersage
| Fehlerart | Prognostische Merkmale | Algorithmus-Empfehlungen | Vorlaufzeit der Prognose |
|---|---|---|---|
| Lagerverschleiß | Vibrationsbeschleunigung (RMS), Spitzenwertfaktor | LSTM | 10–14 Tage |
| Bremsenschlupf | Stromoberwellen des Motors, Bremsweg | XGBoost | 5–7 Tage |
| Drahtbruch bei Stahlseilen | Elektromagnetische Prüfsignale, Tragfähigkeitskurve | CNN | 7–10 Tage |
| Alterung der Motorisolierung | Isolationswiderstand, Teilentladungsmenge | Random Forest | 15–30 Tage |
| Verschleiß des Getriebes | Ölanalyse: Eisen-Spektrum, Schwingungs-Bandpassanalyse | LightGBM | 20–45 Tage |
IV. Umsetzungsempfehlungen
Die Umsetzung des ML-basierten Fehlervorhersagesystems sollte in drei Phasen erfolgen:
- Pilotphase:Wählen Sie 3–5 häufig genutzte Kräne aus, installieren Sie Sensoren und Edge-Gateways und sammeln Sie 6 Monate lang Trainingsdaten.
- Validierungsphase:Das Modell wurde anhand von Pilotdaten trainiert und auf seine Genauigkeit überprüft; nach Erreichen einer Genauigkeit von 901 TP3T+ wurde es flächendeckend eingeführt.
- Phase der Skalierung:Werksweite Einführung und Einrichtung einer einheitlichen Plattform für das Anlagenzustandsmanagement
▲ Dashboard für die vorausschauende Wartung der intelligenten Betriebs- und Wartungsplattform
Häufig gestellte Fragen
问：机器学习在起重机故障预测中有哪些典型应用？
A：典型应用包括：齿轮箱轴承剩余寿命预测（CNN/LSTM）、电机故障诊断（振动频谱+随机森林）、钢丝绳断丝识别（视觉+CNN）、制动器退化趋势预测（时序+GBDT）。
问：起重机故障预测模型需要多少训练数据？
A：分类任务一般每类故障需500~2000条样本，回归预测需连续运行3~6个月以上数据。迁移学习和数据增强可减少数据需求30%~50%。建议使用公开数据集预训练后微调。
问：克鲁德重工在AI故障诊断方面有什么能力？
A：克鲁德重工与AI研究机构合作，可提供基于振动频谱分析和1D-CNN的齿轮箱/轴承故障诊断方案，以及基于YOLOv8的钢丝绳视觉检测方案。
