KI-gestützte vorausschauende Wartung für intelligente Krane

Die Instandhaltungsstrategie vieler Schwerindustrieunternehmen steht vor einem grundlegenden Wandel: Weg von starren Wartungsintervallen, hin zu einer datengetriebenen, vorausschauenden Wartung. Intelligente Krane liefern dafür die notwendigen Daten – entscheidend ist die richtige Auswertung. Dieser Beitrag zeigt, wie moderne KI-Verfahren wie Schallanalyse, Health Scoring und Large Language Models (LLMs) die Kranwartung revolutionieren.

Schallanalyse: Fehler frühzeitig akustisch erkennen

Die akustische Überwachung von Kranen hat sich in den letzten Jahren zu einem zentralen Baustein der vorausschauenden Wartung entwickelt. Hochsensible Mikrofone und Beschleunigungssensoren erfassen kontinuierlich die Betriebsgeräusche von Getrieben, Motoren und Seilwinden. KI-Modelle, die auf typische Schadensmuster trainiert sind, erkennen dabei frühzeitig Anomalien wie beginnende Lagerdefekte, Unwuchten oder Zahnradverschleiß – oft Wochen, bevor ein tatsächlicher Ausfall droht.

Die Herausforderung liegt in der Trennschärfe der Analyse: Umgebungslärm, Wind und Vibrationen aus der Halle überlagern die relevanten Signale. Moderne Algorithmen filtern diese Störgeräusche heraus und konzentrieren sich auf die charakteristischen Frequenzmuster der kritischen Komponenten. So lassen sich nicht nur akute Schäden identifizieren, sondern auch Verschleißtrends über die Zeit verfolgen.

Health Score: Der Zustand des Krans auf einen Blick

Ein quantitativer Health Score (auch Zustandsindex genannt) fasst den technischen Zustand eines Krans in einer einzigen Kennzahl zusammen. Dieser Wert basiert auf einer kontinuierlichen Auswertung aller relevanten Sensordaten – von der Vibration über die Temperatur bis hin zur Lastkollektivverteilung. Das zugrunde liegende PHM-Modell (Prognostics and Health Management) gewichtet die einzelnen Parameter entsprechend ihrer Ausfallrelevanz und berechnet daraus einen dynamischen Score zwischen 0 und 100.

Für das Instandhaltungsteam bedeutet das eine deutliche Vereinfachung der Priorisierung: Ein Kran mit sinkendem Health Score wird automatisch in der Wartungsplanung nach oben gestuft. Ergänzend liefert das System eine detaillierte Aufschlüsselung, welche Komponente den größten Einfluss auf die Verschlechterung hat – so können Maßnahmen gezielt eingeleitet werden, bevor es zu einem ungeplanten Stillstand kommt.

Thermografie: KI-gestützte Analyse von Wärmeanomalien

Wärme ist ein zuverlässiger Indikator für elektrische und mechanische Probleme. KI-basierte Thermografie-Systeme überwachen dabei kritische Punkte wie Schaltschränke, Motoren und Bremsen. Die intelligente Bildauswertung erkennt dabei nicht nur absolute Temperaturüberschreitungen, sondern auch relative Temperaturdifferenzen zwischen vergleichbaren Komponenten – ein häufiges Anzeichen für erhöhte Reibung oder elektrische Übergangswiderstände.

Die Integration dieser Daten in das Gesamtsystem ermöglicht eine frühzeitige Erkennung von Schwachstellen, die bei rein mechanischer Betrachtung oft übersehen werden. In Kombination mit der Schallanalyse und dem Health Score entsteht so ein ganzheitliches Bild des Kranzustands.

LLM-Assistent: Der digitale Wartungsexperte für Ihr Team

Die größte Hürde bei der Einführung von Predictive Maintenance ist oft nicht die Technik, sondern die Interpretation der Daten. Hier setzen Large Language Models (LLMs) an: Sie übersetzen komplexe Diagnoseergebnisse in verständliche Handlungsempfehlungen. Ein LLM-basierter Wartungsassistent beantwortet Fragen wie „Welche Komponente verursacht aktuell den niedrigsten Health Score?" oder „Welche Schritte sind bei einem akustischen Alarm am Getriebe einzuleiten?" direkt in natürlicher Sprache.

Der Assistent greift dabei auf die gesamte Datenbasis des Kranmanagementsystems zu – von historischen Wartungsprotokollen bis zu aktuellen Sensordaten. Dadurch wird das implizite Wissen erfahrener Instandhalter für das gesamte Team verfügbar. Gerade in Zeiten des Fachkräftemangels sichert diese Technologie langfristig die Wartungskompetenz im Unternehmen.

Von der reaktiven Instandhaltung zur Predictive Maintenance

Die Umstellung auf KI-gestützte Wartung ist ein Prozess, der in Etappen erfolgen sollte. Der erste Schritt ist die flächendeckende Sensorik und die Anbindung der Kransteuerung an ein zentrales Datenmanagementsystem. Darauf aufbauend lassen sich zunächst einfache Schwellwert-Alarme implementieren, die später durch die beschriebenen KI-Modelle ersetzt werden.

Die wirtschaftlichen Vorteile sind dabei erheblich: Ungeplante Stillstände werden reduziert, Ersatzteile können bedarfsgerecht bevorratet werden und die Lebensdauer der Komponenten verlängert sich spürbar. Unternehmen, die diesen Wandel frühzeitig vollziehen, sichern sich einen entscheidenden Wettbewerbsvorteil in der Produktion.

Häufig gestellte Fragen zur KI-Wartung bei Kranen

F: Welche Daten werden für die KI-gestützte Wartung benötigt?

A: Grundlage sind die Daten aus der Kransteuerung (Last, Bewegungen, Betriebsstunden) sowie zusätzliche Sensorik wie Vibration, Temperatur und Akustik. Die Integration in ein übergeordnetes System ist Voraussetzung für die Analyse.

F: Wie genau ist die Schallanalyse in der Praxis?

A: Die Genauigkeit hängt stark von der Qualität der Sensoren und der Kalibrierung der Algorithmen ab. In kontrollierten Umgebungen werden Erkennungsraten von über 90 % erreicht. In lauten Hallen ist eine sorgfältige Filterung der Umgebungsgeräusche entscheidend.

F: Lässt sich der Health Score mit bestehenden Systemen kombinieren?

A: Ja, der Health Score wird als standardisierter Wert über offene Schnittstellen (z. B. OPC UA) bereitgestellt und kann so in gängige CMMS-Systeme (Computerized Maintenance Management System) integriert werden.

F: Welche Qualifikationen benötigt das Instandhaltungspersonal?

A: Die KI-Systeme sind darauf ausgelegt, das Personal zu unterstützen, nicht zu ersetzen. Grundkenntnisse in der Dateninterpretation sind hilfreich, die Systeme liefern jedoch konkrete Handlungsempfehlungen, die ohne tiefgehende Data-Science-Kenntnisse umsetzbar sind.

Kelude: Ihr Partner für intelligente Kransysteme

Die Kelude Heavy Industry hat sich auf die Entwicklung und Integration intelligenter Kransysteme spezialisiert. Unser Portfolio umfasst die gesamte Bandbreite – von der Nachrüstung bestehender Anlagen mit Sensorik bis zur vollständig vernetzten Neukonstruktion. Profitieren Sie von unserer Erfahrung aus zahlreichen Projekten in der Schwerindustrie und machen Sie Ihre Krananlagen fit für die Zukunft der Instandhaltung.

Dieser Beitrag erläutert die technische Anwendung der KI-gestützten prädiktiven Wartung für intelligente Krane – von der akustischen Fehlererkennung über die Gerätegesundheitsbewertung (PHM) bis hin zur KI-Analyse der Wärmebildgebung und KI-gestützten Wartungssystemen. Ziel ist es, Unternehmen der Schwerindustrie den Weg von der reaktiven Instandhaltung hin zur vorausschauenden Wartung zu ebnen.

Dieser Artikel zeigt, wie KI-basierte prädiktive Wartung bei intelligenten Kranen eingesetzt wird: akustische Fehlererkennung (CNN-Modell), Gerätegesundheitsbewertung (PHM, sechsdimensionale Gewichtung), KI-Analyse der Wärmebildgebung sowie KI-gestützte Wartungssysteme – für eine Modernisierung Ihrer Instandhaltungsstrategie.

Prädiktive Wartung statt planmäßiger Instandhaltung

Prädiktive Wartung ist eine Instandhaltungsstrategie, die auf Echtzeit-Betriebsdaten und KI-Modellen zur Früherkennung basiert, um Eingriffe vor einem Geräteversagen zu ermöglichen. Die regelmäßige Wartung von Brückenkranen führt oft zu einem Dilemma aus „Überwartung" und „Unterwartung": Bauteile werden mitten in ihrer Lebensdauer ausgetauscht (Verschwendung) oder unerwartete Ausfälle verursachen lange Stillstandszeiten. Laut Statistik von Kelude Schwerindustrie zeigen 65 % der Brückenkranausfälle bereits 2 bis 4 Wochen vorher erkennbare Anomalien. Prädiktive Wartung senkt die Wartungskosten um 25–40 % und reduziert ungeplante Stillstandszeiten um 50–70 %. Die KI-Anwendungslösung von Kelude Schwerindustrie integriert ein vollständiges PHM-Modul für prädiktive Wartung.

Akustische Fehlererkennung: Deep Learning für die Diagnose

Die akustische Fehlererkennung erfasst die Schallsignale des Brückenkrans über ein Mikrofonarray und extrahiert mit einem faltenden neuronalen Netz Merkmale aus dem Mel-Spektrogramm. Eine einzelne Inferenz dauert weniger als 20 ms und kann auf Edge-Geräten wie dem Jetson ausgeführt werden:

Gerätegesundheitsbewertung: Der PHM-Index im Überblick

Die Gerätegesundheitsbewertung (PHM) aggregiert sechs Dimensionen – Vibration, Temperatur, Schallemission, elektrische Parameter, Verschleiß und Betriebshistorie – zu einem gewichteten Gesamtscore. Dieser Score ermöglicht eine priorisierte Wartungsplanung und eine optimierte Ersatzteilbevorratung. Das System unterstützt sowohl eine kontinuierliche Überwachung als auch eine ereignisgesteuerte Analyse.

KI-Analyse der Wärmebildgebung: Thermografie für den Kran

Die KI-Analyse der Wärmebildgebung identifiziert thermische Anomalien an kritischen Komponenten wie Motoren, Getrieben und Bremsen. Das System erkennt Überhitzungstrends frühzeitig und liefert eine klare Handlungsempfehlung, bevor ein Schaden entsteht. Die Integration in die bestehende Sensorik des Krans ist modular und erweiterbar.

Großmodelle für die Wartung: Assistenz und Diagnose

Ergänzend zu den spezialisierten Modellen unterstützt ein großes Sprachmodell das Wartungspersonal bei der Fehlersuche und der Interpretation von Diagnosedaten. Es beantwortet Fragen zu Wartungsintervallen, Ersatzteilnummern und historischen Fehlermustern direkt am Edge-Gerät oder über eine zentrale Schnittstelle. Dadurch wird das Wissen der Ingenieure digital verfügbar und der Wartungsprozess insgesamt effizienter.

Aufrüstung bestehender Krane: Der Weg zur intelligenten Wartung

Die Aufrüstung eines vorhandenen Krans zur intelligenten Wartung umfasst die Installation von Sensoren (z. B. Mikrofonarray, Thermografiekamera), die Anbindung an ein Edge-Gerät sowie die Integration in die bestehende Steuerungstechnik. Kelude Schwerindustrie bietet modulare Nachrüstpakete, die je nach Kranmodell und Einsatzbereich skaliert werden können. Die Umrüstung erfolgt ohne Beeinträchtigung des laufenden Betriebs und ist in der Regel innerhalb weniger Tage abgeschlossen.

Häufige Fragen zur KI-gestützten Kranwartung

F: Welche Daten werden für die akustische Fehlererkennung benötigt?
A: Es werden Schallsignale des Krans über ein Mikrofonarray erfasst. Das System benötigt keine zusätzlichen Sensoren am Getriebe oder Motor – die Analyse erfolgt rein akustisch über das Mel-Spektrogramm.

F: Wie genau ist die Gerätegesundheitsbewertung (PHM)?
A: Die Bewertung basiert auf sechs gewichteten Dimensionen und erreicht eine hohe Genauigkeit bei der Früherkennung. Die tatsächliche Präzision hängt von der Datenqualität und der Kalibrierung auf den jeweiligen Kran ab.

F: Kann die Lösung auch für ältere Krane nachgerüstet werden?
A: Ja, die Module sind für die Nachrüstung konzipiert. Die Installation erfolgt ohne Eingriff in die Kranstatik und ist in der Regel innerhalb weniger Tage abgeschlossen.

F: Welche Normen werden bei der Umsetzung berücksichtigt?
A: Die Systeme werden gemäß den gängigen Industrienormen wie DIN 15018, EN 13000 und EN 60204-32 ausgelegt. Die genaue Normenkonformität wird projektbezogen geprüft.

Die Modellarchitektur nutzt drei CNN-Ebenen mit Pooling zur Extraktion von Zeit-Frequenz-Merkmalen und gibt schließlich acht Fehlerklassen aus. Für das Training sind jeweils mindestens 200 Schallproben unter Normal- und Fehlerbedingungen erforderlich, die einen Lastbereich von 30 % bis 100 % sowie unterschiedliche Seillängen abdecken, um Störeinflüsse aus dem Betrieb zu eliminieren.

Gerätegesundheitsbewertung mit PHM-Modell

PHM ist eine Technologie, die den Zustand von Anlagen anhand multidimensionaler Sensordaten bewertet und die Restlebensdauer prognostiziert. Kelude Schwerindustrie setzt ein sechsdimensionales gewichtetes Bewertungsmodell ein, das sich an der ISO 10816 für Schwingungsmessung sowie an den Ablegekriterien für Drahtseile gemäß DIN-Norm orientiert:

Zum Einsatz kommt die DJI Matrice 350 RTK mit Zenmuse H20T-Wärmebildkamera und D-RTK-Zentimeter-Positionierung. Eine Inspektionsrunde pro Brückenkran dauert rund 15 Minuten – viermal schneller als die manuelle Inspektion in der Höhe. Die Drohne durchläuft den gesamten Prozess automatisch: Routenplanung, KI-gestützte Erkennung und Berichtserstellung in einem geschlossenen Kreislauf.

KI-gestützte Wartung mit LLM-Integration

Das LLM-gestützte Wartungssystem integriert große Sprachmodelle mit einer Wissensdatenbank für Brückenkrane und ermöglicht über RAG-Technologie eine intelligente Fehlerdiagnose mit Wartungsanleitung. Kelude Schwerindustrie setzt eine dreistufige Architektur aus lokalem Ollama, Qwen 14B und Vektordatenbank ein, um Standardfehler (Latenz <2s) zu bearbeiten; komplexe Analysen werden über die Cloud mit GPT-4 durchgeführt. Auch das KI-Dispositionssystem für unbemannte Krane nutzt diese Architektur für die Aufgabenverteilung und Koordination mehrerer Krane.

Kernfunktionen: ① Eingabe der Fehlersymptome – die KI analysiert Ursachen und empfiehlt Lösungen; ② Schritt-für-Schritt-Wartungsanleitungen mit Werkzeugliste und Drehmomentparametern; ③ Automatische Protokollanalyse zur Dekodierung von Fehlercodes; ④ Ersatzteilabfrage mit Typempfehlung und Lagerbestandsstatus. In der Praxis verkürzt sich die Fehlerlokalisierung von 45 Minuten auf 8 Minuten, die Diagnosegenauigkeit liegt bei 92 %.

Predictive-Maintenance-Lösungen von Kelude Schwerindustrie

Kelude Schwerindustrie bietet ein umfassendes Paket – von der Sensorinstallation über das Training akustischer Modelle und PHM-Bewertung bis hin zum LLM-basierten Wartungsassistenten. Die Lösung lässt sich vom Einzelkran-Pilotprojekt bis zur werksweiten Vernetzung skalieren. Alle Daten fließen in die Fernüberwachungsplattform und ermöglichen eine transparente Gerätegesundheitsbewertung mit geschlossenem Warnkreislauf. Kostenlose Vor-Ort-Bewertung und ROI-Berechnung auf Anfrage.

Häufige Fragen (FAQ)

Was ist der Unterschied zwischen prädiktiver Wartung und regelmäßiger Wartung?

Die regelmäßige Wartung tauscht Teile in festen Intervallen – dies führt zu Über- oder Unterwartung. Die prädiktive Wartung analysiert mithilfe von KI Echtzeitdaten wie Schall, Vibration und Temperatur und warnt 2–4 Wochen vor einem Ausfall. Dadurch lassen sich die Wartungskosten um 25–40 % senken und ungeplante Stillstandszeiten um 50–70 % reduzieren.

Welche Fehler kann die Schalldiagnose an Brückenkranen erkennen?

Erkannt werden acht Fehlerklassen: Lagerabnutzung (95 % Genauigkeit, 2–4 Wochen Vorlauf), Zahnbruch (92 %), Schleifbremse (97 %), Seilabnutzung (90 %), ungewöhnliche Motorengeräusche (93 %) sowie Getriebeölmangel (96 %).

Wie wird der Gerätegesundheitswert (PHM) berechnet?

Zugrunde liegt ein sechsdimensionales Gewichtsmodell: kumulierte Betriebszeit 20 %, Überlastereignisse 20 %, Bremsbelagverschleiß 20 %, Seilabnutzung 15 %, Getriebetemperatur 10 %, Motorvibration 15 %. Werte über 85 gelten als gesund, 60–84 als beachtenswert, 35–59 als warnend und unter 35 als kritisch.

Relevante Normen: ISO 10816 „Bewertung mechanischer Schwingungen“, DIN 15018 „Krane – Grundsätze für die Bemessung“, EN 13000 „Krane – Mobilkrane“, ISO 4306 „Krane – Vokabular“, EN 60204-32 „Sicherheit von Maschinen – Elektrische Ausrüstung von Kranen“

Schlüsselbegriffe: KI-Prädiktive Wartung, Intelligenter Kran, Schalldiagnose, Gerätegesundheitsmanagement, PHM, Kran-Prädiktivwartung, Kelude Schwerindustrie

Weiterführende Lektüre: LLM-basierter Wartungsassistent – Während das KI-Prädiktive-Wartungssystem auf Schalldiagnose und Gesundheitsbewertung fokussiert, erweitert der LLM-basierte Wartungsassistent das System um natürliche Sprachabfragen und RAG-Wissenssuche, sodass Wartungstechniker Fehlersymptome direkt eingeben und sofort Lösungsvorschläge erhalten.