KI-Lebensdauerprognose für Getriebelager: Prädiktive Wartung
Sensorpositionierung im PHM-System für Krane
Das PHM-Überwachungskonzept für Krane umfasst sechs Teilsysteme: Getriebe, Motor, Radlager, Bremse, Drahtseil und Hauptträger. Schwingungssensoren (Beschleunigungssensoren) werden an jedem Messpunkt in horizontaler und vertikaler Richtung montiert; Temperatursensoren (Pt100-Widerstandsthermometer) werden in den Getriebeölbehälter und in die Motorwicklung integriert. Die im Sicherheitsüberwachungs- und Managementsystem des Brückenkrans (siehe Lösung für Sicherheitsüberwachungs- und Managementsysteme) bereits erfassten Daten zu Tragfähigkeit, Fahrweg und Windgeschwindigkeit können direkt in die PHM-Datenpipeline eingespeist werden.
| ErfassungObjekt | Sensor Typ | Einbauort | AbtastungFrequenz | charakteristisches Frequenzband | VorwarnungParameter |
|---|---|---|---|---|---|
| Heben / AnhebenGetriebe | ICPplusGeschwindigkeit±50g | Antriebswelle+AbtriebswelleLagergehäuse | 12.8kHz | 500~4000Hz | Hüllspektrum-Amplitude>2g |
| BetriebGetriebe | ICPplusGeschwindigkeit±20g | AbtriebswelleLagergehäuse | 6.4kHz | 200~2000Hz | RMSDrehzahlerhöhung>50%/Monat |
| Motorlager | GeschwindigkeitSensor±100mm/s | Antriebsseite+Abtriebsseite | 12.8kHz | 1k~10kHz | Crestfaktor>7 |
| RadachseLager | plusGeschwindigkeit±50g | WälzlagerLagergehäuse | 6.4kHz | 500~5000Hz | Kurtosis>4 |
| HauptträgerSpannung | WiderstandDehnungsmessstreifen | Feldmitte+1/4Feld | 100Hz | DC~20Hz | Spannungsüberschreitung>30% |
| BremseSpiel | Wegsensor±5mm | Schubstangenposition | 1Hz | DC~5Hz | Spiel>3mm |
2. Signalverarbeitung und Merkmalsextraktion bei Vibrationen
2.1 Zeit- und Frequenzbereichsanalyse
Nach der Antialiasing-Filterung und Fensterung des Rohsignals werden drei Merkmalsklassen extrahiert: Zeitbereichsmerkmale (Effektivwert, Crest-Faktor, Kurtosis, Formfaktor), Frequenzbereichsmerkmale (Hüllkurvenspektrum-Amplituden der charakteristischen Lagerfrequenzen BPFI/BPFO/BSF) sowie Zeit-Frequenz-Merkmale (Wavelet-Paket-Energiespektrum). Der Effektivwert bildet die Gesamtschwingungsstärke ab; überschreitet er die Zone C nach ISO 10816-3 (11 mm/s), wird eine Warnmeldung ausgelöst. Überschreitet die Hüllkurvenamplitude an den charakteristischen Lagerfrequenzen 2 g, erfolgt eine Alarmmeldung.
2.2 Typische Fehlerspektren von Brückenkran-Getrieben
| Fehlertyp | charakteristische FrequenzFormel | typisches Frequenzband | Seitenbandmerkmal | Zeitbereichsmerkmal |
|---|---|---|---|---|
| Zahnflankenpitting | Kämmen Frequenzfm=Z×fr | 500~2000Hz | ±frSeitenband | Stoßimpulsperiode T=1/fr |
| ZahnfußRiss | fmvon2~4Vielfache Harmonische | 1000~4000Hz | harmonienreich | Impulsamplitude>RMS×5 |
| LagerAußenringStörung | BPFO=0.5N×fr×(1-Bd/Pd×cosα) | 1k~5kHz | ±frModulation | Hüllspektrum deutlich |
| LagerInnenringStörung | BPFI=0.5N×fr×(1+Bd/Pd×cosα) | 1k~5kHz | ±frModulation(Amplitudenmodulation) | DrehungRichtungsmodulation |
| Welle nichtWellenausrichtung | 2×frdominant | 50~200Hz | — | hohe Axialschwingung |
Degradationskurve und Restlebensdauerprognose
Das PHM-System arbeitet mit einem dreistufigen Degradationsmodell: Gesundheitsphase (RMS<2mm/s), Degradationsphase (kontinuierlich steigender RMS-Wert, Steigung>0,5mm/s/Monat) und Ausfallphase (RMS>11mm/s oder Hüllkurvenspektrum-Amplitude>2g). In der Degradationsphase wird ein Bi-LSTM-Modell eingesetzt, um den RMS-Trend zu fitten und die Restlebensdauer (RUL) zu extrapolieren. Die Prognosegenauigkeit liegt bei ±15 % (validiert anhand von 200 vollständigen Lebenszyklus-Datensätzen von Brückenkran-Getrieben). Für die Seilwechsel-Warnung kommt ein Bayes'scher Ansatz mit Ermüdungsakkumulations-Algorithmus zum Einsatz, mit einem Prognosefenster von 7 bis 30 Tagen und einer Genauigkeit von >85 %. Im Rahmen der intelligenten Aufrüstung von Brückenkranen (siehe Lösungen zur intelligenten Aufrüstung von Brückenkranen) wird das PHM-System typischerweise als Edge-Computing-Knoten bereitgestellt und teilt sich Inferenzressourcen mit der KI-basierten Bildverarbeitung und der KI-gestützten Pendeldämpfung.
Nach der Implementierung des PHM-Systems an einem 32-t-Gießerei-Brückenkran in einem Stahlwerk wurde der Zahnradverschleiß im Hubgetriebe 45 Tage im Voraus erkannt. Die Ersatzteilbeschaffung und das Stillstandsfenster konnten proaktiv geplant werden, wodurch ein Produktionsausfall von 4 Stunden durch einen unerwarteten Ausfall vermieden wurde. Die ungeplanten Stillstände des Getriebes gingen innerhalb eines Jahres von durchschnittlich 8 auf 1 pro Jahr zurück.
Lösungsvorteile des PHM-Systems von Kelude
Das PHM-System von Kelude Schwerindustrie ist mit Brückenkranen aller Marken und Typen kompatibel. Die Schwingungssensoren werden drahtlos installiert (LoRaWAN-Kommunikation, Batterielebensdauer >3 Jahre). Das Edge-Gateway ist mit vorinstallierten CNN- und Bi-LSTM-Inferenzmodellen ausgestattet und unterstützt OEE-Berechnung, Fehlercode-Analyse und Ersatzteilprognose. Das System generiert Tages-, Wochen- und Monatsberichte; Warnmeldungen werden direkt über WeCom oder SMS an das Wartungspersonal übermittelt. Kelude Schwerindustrie bietet eine kostenlose Vor-Ort-Besichtigung und Machbarkeitsanalyse für PHM an, um die optimale Sensorplatzierung für jeden Messpunkt zu ermitteln.
Weiterführende Lektüre: SHM-System für Brückenkrane – Das Structural-Health-Monitoring-System und das prädiktive Wartungssystem sind eng miteinander verbunden – SHM konzentriert sich auf die Stahlkonstruktion selbst (Hauptträgerdehnung, Schweißnahtermüdung), während PHM die mechanischen Antriebskomponenten (Getriebegehäuse, Lager, Drahtseil) abdeckt. Zusammen bilden sie ein umfassendes Anlagen-Gesundheitsmanagementsystem.
Weiterführende Lektüre: KI-gestützte Großmodell-Wartung – Das prädiktive Wartungssystem PHM bewertet den Gerätezustand über Vibrationsanalyse und KI-Modelle – der LLM-basierte Wartungsassistent erweitert dies um eine RAG-Wissensdatenbank und natürliche Sprachinteraktion, sodass Wartungstechniker Fehlerbehebungsprozesse direkt per Dialog abfragen können.
Weiterführende Lektüre: KI-basierte Schweißnahtprüfung – Das PHM-System für die prädiktive Wartung von Kranen deckt das Gesundheitsmanagement mechanischer Antriebskomponenten ab – die KI-basierte Schweißnahtprüfung hingegen fokussiert auf die Schweißqualität des Hauptträgers selbst und reduziert strukturelle Sicherheitsrisiken bereits an der Fertigungsquelle.
Häufige Fragen
F: Welche Kernfunktionen bietet ein PHM-System für Krane?
A: Zu den Kernfunktionen gehören: Echtzeit-Zustandsüberwachung (Vibration, Temperatur, Ölzustand), Fehlerdiagnose (Zeit-/Frequenzbereichsanalyse + KI-Erkennung), Lebensdauerprognose (RUL-Schätzung) und Wartungsentscheidungen (CBM-zustandsbasierte Wartung). Die Sensoren werden in der Regel an Getriebegehäusen, Lagergehäusen, Motoren und anderen kritischen Stellen platziert.
F: Welche gängigen Algorithmen werden für die Lagerlebensdauer-Prognose verwendet?
A: Gängige Methoden umfassen: physikalisch basierte Modelle (Paris-Formel, L10-Lebensdauer), datengetriebene Ansätze (CNN/LSTM/Transformer) sowie hybride Methoden (physikalisch + datenbasiert). In der industriellen Praxis haben sich LSTM-Modelle mit Aufmerksamkeitsmechanismus bewährt; die Prognoseabweichung lässt sich auf ±15 % begrenzen.
F: Welche Normen erfüllt das PHM-System?
A: Für die Zustandsüberwachung gelten die ISO-13373-Reihe (Vibration) und ISO 18436 (Zertifizierung von Diagnosepersonal). Für die prädiktive Wartung werden ISO 13374 und GB/T 36377 „Zustandsüberwachung und -diagnose von Maschinen“ herangezogen.
Vorausschauende Wartung und PHM-Systeme für Krane: Lebensdauerprognose von Getrieben und Lagern mittels Schwingungsanalyse und KI
Der Ausfall eines Getriebes oder Lagers zählt zu den häufigsten Ursachen für ungeplante Stillstände von Krananlagen. Ein PHM-System (Prognostics and Health Management) bietet hier die Möglichkeit, von der reinen Zustandsüberwachung auf eine vorausschauende Instandhaltungsstrategie umzustellen. Durch die kontinuierliche Erfassung von Schwingungssignalen an Getrieben, Motoren und Laufrädern lassen sich Verschleißfortschritte frühzeitig erkennen und die Restnutzungsdauer (RUL) der Komponenten präzise abschätzen.
>F: Welche Komponenten sollten mit Vibrationssensoren überwacht werden?A: Prioritär sind die Getriebe der Hub- und Fahrwerke, die Motoren sowie die Laufradlager der Kranbrücke. Diese Komponenten weisen das höchste Ausfallrisiko auf und sind für die Verfügbarkeit der Anlage entscheidend.
F: Wie genau ist die RUL-Prognose mit KI-Modellen?
A: Die Genauigkeit hängt maßgeblich von der Qualität und Menge der Trainingsdaten ab. Mit ausreichend historischen Daten und einer kontinuierlichen Nachführung der Modelle lassen sich Prognosegenauigkeiten im Bereich von ±10 % der tatsächlichen Restlebensdauer erreichen.
F: Welche Normen sind für die Zustandsüberwachung von Kranen relevant?
A: Für die Konstruktion und den Betrieb gelten die Normen DIN 15018 (Kranbau) und EN 13000 (Sicherheit von Fahrzeugkranen). Für die elektrische Ausrüstung ist EN 60204-32 maßgeblich. Die Begriffe und Klassifikationen richten sich nach ISO 4306 und ISO 4301.
