KI-Drahtseilprüfung für Brückenkrane
Das KI-basierte optische Inspektionssystem für Brückenkrane ist eine intelligente Sicherheitsüberwachungslösung auf Basis von Deep Learning und Edge-Computing. Im Kranbetrieb installierte Industriekameras laden KI-Modelle wie YOLOv8 und ResNet, um eine mehrdimensionale visuelle Erfassung zu ermöglichen: Personenerkennung im Lastbereich (Genauigkeit >98 %), Erkennung von Drahtbrüchen an der Drahtseiloberfläche (Genauigkeit >95 %), Überwachung des Schienenverschleißes (Genauigkeit >96 %) sowie die Vorhersage des Hakenpendelns (MSE <0,5°). Die Erkennungslatenz bleibt dabei unter 50 ms. 50 ms.
Systemarchitektur des KI-Visionssystems für Brückenkrane
Das KI-Visionssystem für Brückenkrane ist dreistufig aufgebaut: die Erfassungsebene (Industriekamera + Beleuchtung + Encoder), die Inferenzebene (Edge-AI-Gateway mit geladenen Modellen) und die Ausführungsebene (SPS-Verriegelung + Alarm + Protokollierung). Die Kameras sind in der Regel unter dem Katzfahrwerkrahmen oder seitlich am Hauptträger montiert und übertragen den Live-Videostream per RTSP an den Edge-Inferenzknoten. Das Bildverarbeitungssystem ist mit dem Sicherheitsüberwachungs- und Managementsystem des Krans gekoppelt (siehe Lösung für das Sicherheitsüberwachungssystem des Brückenkrans) und löst bei erkannter Gefahr direkt eine Verzögerung oder einen Notstopp über die SPS aus.
| ErkennungEinsatzszenario | AIModell | Eingabegröße | InferenzGenauigkeit | EdgeInferenzlatenz | Genauigkeit | Fehlalarmrate |
|---|---|---|---|---|---|---|
| Personen unter der LastErkennung | YOLOv8n | 640×640 | FP16 | 8~15ms | >98% | <1% |
| Drahtbrucherkennung am Seil | ResNet18-FPN | 224×224 | FP16 | 3~8ms | >95% | <3% |
| Schienenverschleißerkennung | EfficientNet-B0 | 512×512 | FP16 | 20~40ms | >96% | <2% |
| Hakenpendelvorhersage | Bi-LSTM-2 | 64×10Sequenz | FP16 | 2~5ms | MSE<0.5° | — |
Kameraauswahl und Bereitstellungsparameter für die Drahtseilprüfung
Die Kameraauswahl im Bildverarbeitungssystem eines Brückenkrans hat direkten Einfluss auf die Erkennungsgenauigkeit der KI. Empfohlen wird eine Industriekamera mit CMOS-Sensor und Global Shutter, einer Auflösung von 5 bis 12 Megapixeln und einer Bildrate von ≥30 fps. Bei der Drahtseilprüfung sollte die Kamera in einem Abstand von 0,5 bis 1,5 m zum Drahtseil montiert werden. Die Beleuchtungsstärke des Ergänzungslichts muss mindestens 200 Lux betragen, und die Objektivbrennweite von 8 bis 16 mm stellt sicher, dass die Seiloberfläche mindestens 60 % des Sichtfelds ausfüllt.
| Parameter | Empfohlener Wert |
| Kameratyp | Industriekamera mit Global Shutter |
| Auflösung | 5–12 Megapixel |
| Bildrate | ≥30 fps |
| Montageabstand | 0,5–1,5 m vom Drahtseil |
| Beleuchtungsstärke | ≥200 Lux |
| Brennweite | 8–16 mm |
| Anteil der Seilfläche im Sichtfeld | ≥60 % |
| ErkennungEinsatzszenario | Empfohlene Kamera | Auflösung | Bildrate(fps) | Objektivbrennweite | Montageabstand | Beleuchtungsanforderung |
|---|---|---|---|---|---|---|
| PersoneneindringungErkennung | HikvisionMV-CA050-10GC | 2592×1944 | 30 | 6~12mm | 5~15m | Ohne/Tageslicht |
| DrahtseilOberflächeErkennung | BasleracA2440-75um | 2448×2048 | 75 | 12~25mm | 0.5~1.5m | LEDRinglicht |
| Schienenverschleißerkennung | HikvisionMV-CA013-21GC | 1280×1024 | 210 | 8~16mm | 0.3~0.8m | Zeilenbeleuchtungs-LED |
| HakenpendelnTracking | DahengMER-502-79U3M | 2592×2048 | 79 | 6~12mm | 3~8m | Ohne/Umgebungslicht |
KI-Modellbereitstellung und Inferenzoptimierung
3.1 Strategien zur Modellquantisierung
KI-Modelle auf der Brückenkran-Seite müssen vor dem Einsatz auf Edge-Gateways mit begrenzter Rechenleistung quantisiert und komprimiert werden, um eine Echtzeitausführung zu ermöglichen. Empfohlen wird ein dreistufiger Bereitstellungsansatz: FP16-Quantisierung (Genauigkeitsverlust <0,1 %, halbierte Größe) + TensorRT-Beschleunigung (1,5- bis 2-fache Inferenzbeschleunigung) + INT8-Quantisierung (Genauigkeitsverlust 0,3–1,5 %, 75 % geringere Größe, 2- bis 4-fache Inferenzbeschleunigung). Das YOLOv8n-Modell erreicht nach FP16-Quantisierung und TensorRT-Optimierung auf dem NVIDIA Jetson Orin NX eine Inferenzlatenz von nur 8–12 ms.
3.2 Auswahl des Edge-Inferenz-Gateways
| Edge-Gateway Typ | CPU/GPU | RAM | Speicher | Unterstützte Protokolle | Betriebstemperatur | Einsatzbereiche |
|---|---|---|---|---|---|---|
| EG-200 | ARM Cortex-A76 2.0GHz | 4GB | 64GB eMMC | OPC UA/MQTT/Modbus | -25~70℃ | Drahtbrucherkennung am Seil |
| EG-500 | x86 Celeron N5105 | 8GB | 128GB SSD | Alle Protokolle+WiFi 6 | -20~65℃ | PersoneneindringungErkennung |
| EG-1000 | x86 i7-1185G7+NVIDIA Jetson | 32GB | 512GB NVMe | Alle Protokolle+5G | -20~60℃ | Paralleler Multi-Modell-Betrieb |
Implementierungsprozess und Datenschleife
Die Implementierung des KI-Bildverarbeitungssystems für Brückenkrane erfolgt in fünf Schritten: Vor-Ort-Besichtigung zur Bestimmung der Kamerapositionen, Bereitstellung des Edge-Gateways, Datenerfassung und -annotation für das Training (mindestens 5.000 Bilder pro Szenario), Modelltraining sowie Inbetriebnahme und Abstimmung. Das KI-Bildverarbeitungssystem teilt sich die Edge-Inferenzknoten mit dem KI-Pendeldämpfungssystem des Krans (siehe Technische Lösung zur KI-Pendeldämpfung), wodurch die Hardware-Konfigurationsanforderungen reduziert werden. Nach der Inbetriebnahme werden die Inferenzprotokolle der Edge-Seite kontinuierlich erfasst und in die Cloud hochgeladen. Das Modell wird monatlich durch inkrementelles Training aktualisiert, wodurch ein Datengeschlossener Kreislauf von „Erfassung – Training – Bereitstellung – Feedback" entsteht.
Bei Kränen mit einer Lagerzeit von mehr als 3 Jahren liegt die Amortisationszeit für die KI-Vision-Nachrüstung in der Regel zwischen 8 und 14 Monaten. In einem Stahlwerk wurde ein 50-t-Gießbrückenkran mit einem KI-Bildverarbeitungssystem nachgerüstet. Seitdem sind Drahtseilbrüche auf null gesunken, und die Reaktionszeit für Alarme bei Personen im Lastbereich wurde von 2–3 s auf 0,3 s reduziert.
Lösungsvorteile des KI-Visionssystems von Kelude
Kelude Schwerindustrie bietet eine schlüsselfertige Lieferung des KI-Bildverarbeitungssystems für Brückenkrane an. Dies umfasst die Auswahl der Industriekamera und das Design der Montagehalterung, die Bereitstellung des Edge-AI-Gateways (unterstützt TensorRT/OpenVINO/ONNX Runtime Multi-Framework) sowie das KI-Modelltraining (unterstützt privates Training mit Kundendaten, ohne dass Prozessparameter offengelegt werden). Das System kann direkt mit der bestehenden SPS des Krans kommunizieren und verfügt standardmäßig über eine Datenübertragung über die dualen Protokolle OPC UA/MQTT. Kelude Schwerindustrie bietet eine kostenlose Vor-Ort-Besichtigung und KI-Machbarkeitsbewertung an, um sicherzustellen, dass die Erkennungsgenauigkeit jedes Inspektionsszenarios den Anforderungen an die Arbeitssicherheit entspricht.
Häufige Fragen
F: Welche Sicherheitsrisiken kann das KI-Bildverarbeitungssystem für Brückenkrane erkennen?
A: Erkennbar sind: Personen im Lastbereich, abnormale Lastpendelwinkel, Drahtbruch/Verschleiß/Korrosion des Drahtseils (Genauigkeit ≥ 95 %), Hindernisse im Schienenbereich, nicht positionierte Lastaufnahmemittel sowie das Tragen von Schutzhelmen/Sicherheitsgurten durch das Bedienpersonal.
F: Welche Hardware-Konfigurationsanforderungen gelten für die KI-Visionserkennung am Brückenkran?
A: Empfohlen werden eine Industriekamera (mindestens 5 MP, Global Shutter), ein explosionsgeschütztes/wasserdichtes Gehäuse, ein Edge-Computing-Gerät an Bord (NVIDIA Jetson oder Intel i7-Klasse), eine empfohlene Beleuchtungsstärke (> 200 Lux) und eine Erkennungs-Bildrate von ≥ 15 fps.
F: Welche Normen werden bei der KI-Visionserkennung angewendet?
A: Für die Sicherheitsüberwachung gilt GB/T 28264 – Sicherheitsüberwachungs- und Managementsystem, für die Algorithmusbewertung GB/T 36377, für die Industriekamera GB/T 36412. Die Sicherheitsabstandserkennung erfolgt gemäß ISO 13855.
KI-Visionssystem für Brückenkrane: Sicherheit und Seilinspektion mit Deep Learning
Moderne Brückenkrane arbeiten unter hohen Lasten und in komplexen Umgebungen. Die Sicherheit des Betriebs hängt dabei maßgeblich von zwei Faktoren ab: der Aufmerksamkeit des Personals im Gefahrenbereich und dem Zustand der tragenden Seile. Herkömmliche Überwachungsmethoden stoßen hier jedoch schnell an ihre Grenzen. Ein KI-basiertes Visionssystem bietet eine durchgängige, automatisierte Lösung, die beide Aspekte abdeckt – von der Erkennung von Personen unter der Last bis zur frühzeitigen Identifikation von Seilschäden.
Personenerkennung unter der Kranlast mit YOLOv8
Die größte Gefahr im Kranbetrieb geht von Personen aus, die sich unbemerkt unter der schwebenden Last aufhalten. Das Visionssystem setzt hier auf das moderne Deep-Learning-Modell YOLOv8, das in Echtzeit Personen im definierten Gefahrenbereich erkennt. Das System unterscheidet dabei zwischen Mitarbeitern mit und ohne Schutzausrüstung und löst bei einer Gefährdung sofort eine optische und akustische Warnung aus. Die Erkennungsgenauigkeit liegt bei über 98 %, die Fehlalarmrate unter 2 % – auch bei wechselnden Lichtverhältnissen oder Staubentwicklung in der Halle.
Automatische Drahtseilprüfung auf Schäden und Verschleiß
Neben der Personensicherheit ist der Zustand des Hubseils entscheidend. Das KI-System analysiert das Seil während des laufenden Betriebs kontinuierlich per Hochgeschwindigkeitskamera. Ein trainiertes neuronales Netz erkennt typische Schäden wie Drahtbrüche, Quetschungen oder Korrosionsansätze. So lassen sich kritische Veränderungen frühzeitig identifizieren, bevor ein sicherheitsrelevanter Schaden entsteht. Die Inspektion erfolgt berührungslos und ohne Unterbrechung des Kranbetriebs – ein klarer Vorteil gegenüber manuellen Prüfungen.
Überwachung des Schienenverschleißes für planbaren Wartungsbedarf
Auch der Zustand der Kranbahn trägt wesentlich zur Betriebssicherheit bei. Ein weiteres Kameramodul erfasst den Verschleißgrad der Schienen und erkennt Unebenheiten oder Risse. Die gesammelten Daten werden automatisch ausgewertet und in einem Wartungsplan zusammengeführt. So lassen sich Instandhaltungsarbeiten gezielt planen und ungeplante Stillstände vermeiden. Das System liefert damit nicht nur Sicherheit, sondern auch eine verlässliche Grundlage für die Instandhaltungsplanung.
Technische Umsetzung: Kameraauswahl, KI-Pipeline und Edge-Computing
Die Leistungsfähigkeit des Systems hängt entscheidend von der Abstimmung der Hard- und Softwarekomponenten ab. Für die Erfassung der Bilder kommen hochauflösende Industriekameras mit globalem Shutter zum Einsatz, die auch bei schnellen Bewegungen scharfe Aufnahmen liefern. Die Bildverarbeitung erfolgt über eine optimierte KI-Inferenz-Pipeline: Die Kamerabilder werden zunächst vorverarbeitet, anschließend von dem YOLOv8-Modell analysiert und die Ergebnisse in Echtzeit an die Kransteuerung übergeben.
Für den industriellen Einsatz wird das Modell speziell quantisiert und auf Edge-Computing-Geräten direkt an der Krananlage deployed. Dadurch werden Latenzzeiten minimiert und die Bilddaten müssen nicht in eine externe Cloud übertragen werden – ein entscheidender Vorteil in Bezug auf Datensicherheit und Netzwerkunabhängigkeit. Die gesamte Lösung ist so ausgelegt, dass sie auch unter den rauen Bedingungen in Produktionshallen zuverlässig arbeitet.
Praktischer Nutzen und wirtschaftliche Vorteile im Überblick
Der Einsatz des KI-Visionssystems bietet einen messbaren Mehrwert: Es erhöht die Sicherheit für das Personal, reduziert das Risiko von Stillstandszeiten durch Seilschäden und optimiert die Wartungsplanung. Die Investition amortisiert sich in der Regel schnell durch die Vermeidung von Unfällen und ungeplanten Ausfällen. Das System lässt sich zudem flexibel an unterschiedliche Krankonfigurationen anpassen und in bestehende Steuerungsumgebungen integrieren.
Häufig gestellte Fragen (FAQ)
F: Wie hoch ist die Erkennungsgenauigkeit des Systems?
A: Die Erkennungsgenauigkeit für Personen und Seilschäden liegt bei über 98 %, die Fehlalarmrate unter 2 %. Die Werte gelten für den regulären Betrieb unter typischen Hallenbedingungen.
F: Kann das System auch bei schlechten Lichtverhältnissen eingesetzt werden?
A: Ja, die Kameras und die Bildverarbeitung sind für wechselnde Lichtverhältnisse optimiert. Zusätzlich kann eine optionale Beleuchtungseinheit integriert werden, um auch bei Dunkelheit eine zuverlässige Erkennung zu gewährleisten.
F: Ist eine Integration in bestehende Kransteuerungen möglich?
A: Ja, das System ist modular aufgebaut und kann über standardisierte Schnittstellen (z. B. Profinet, EtherNet/IP) an gängige Steuerungen angebunden werden. Die Integration wird in der Regel von unserem Technikteam vor Ort begleitet.
F: Welche Wartung ist für das Visionssystem selbst erforderlich?
A: Das System ist weitgehend wartungsfrei. Empfohlen wird eine regelmäßige Reinigung der Kameralinsen sowie ein Software-Update in festgelegten Intervallen, um die Erkennungsleistung kontinuierlich zu verbessern.
