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.
Sensorik und Datenerfassung für die Zustandsüberwachung von Krangetrieben
Die Grundlage eines jeden PHM-Systems bildet die strategische Platzierung von Vibrationssensoren. An einem typischen Kranantriebsstrang werden Beschleunigungssensoren an folgenden Positionen angebracht:
- Getriebegehäuse: Messung der Körperschwingung an den Lagerstellen der Eingangs- und Ausgangswelle zur Erfassung von Verzahnungs- und Lagerdefekten.
- Motorflansch: Überwachung der Motorlager und Erkennung von Unwuchten oder Läuferschäden.
- Laufradlager: Erfassung von Schäden an den Radlagern der Kranbrücke, die sich durch charakteristische Stoßimpulse im Signal äußern.
- Seiltrommel: Detektion von Schäden an der Lagerung und der Verzahnung des Getriebeabtriebs.
Die Erfassung erfolgt typischerweise mit einer Abtastrate von 20 kHz bis 50 kHz, um auch hochfrequente Anregungen durch Wälzlagerfehler zuverlässig abzubilden. Die Rohdaten werden entweder direkt an eine Edge-Computing-Einheit übertragen oder über ein industrielles Bussystem an eine zentrale Auswertestation gesendet.
Schwingungsspektren und Merkmalsextraktion zur Schadensfrüherkennung
Die Analyse der erfassten Schwingungssignale erfolgt im Frequenzbereich. Hierbei kommen etablierte Verfahren der Spektrumanalyse zum Einsatz:
- Fast-Fourier-Transformation (FFT): Umwandlung des Zeitsignals in ein Amplitudenspektrum zur Identifikation von charakteristischen Frequenzen, wie der Zahneingriffsfrequenz oder den Lagerkennfrequenzen.
- Hüllkurvenspektrum: Demodulation des hochfrequenten Anteils zur Erkennung von Stoßimpulsen, die auf lokale Schäden an Wälzlagern hindeuten.
- Zeit-Frequenz-Analyse (Wavelet-Transformation): Darstellung der Frequenzanteile über der Zeit, um transiente Ereignisse und instationäre Betriebszustände zu erfassen.
Aus den Spektren werden anschließend charakteristische Merkmale extrahiert, die als Eingangsgrößen für die KI-Modelle dienen. Dazu zählen unter anderem der Effektivwert der Schwinggeschwindigkeit, die Spitzenwerte der Beschleunigung sowie die Energieanteile in definierten Frequenzbändern. Ein Anstieg dieser Kennwerte über einen definierten Schwellwert hinaus korreliert direkt mit dem Fortschreiten eines Schadens.
Deep-Learning-Modelle zur Prognose der Restnutzungsdauer von Lagern
Für die Lebensdauerprognose kommen neuronale Netze zum Einsatz, die in der Lage sind, die zeitliche Entwicklung der Schwingungsmerkmale zu modellieren. Bewährt haben sich insbesondere zwei Architekturen:
- Convolutional Neural Networks (CNN): Automatische Extraktion von räumlichen Merkmalen aus den Spektrogrammen der Schwingungssignale. CNNs eignen sich besonders zur Erkennung von lokalen Defekten, die sich als charakteristische Muster im Frequenzbild abzeichnen.
- Recurrent Neural Networks (RNN) mit Long Short-Term Memory (LSTM): Modellierung der zeitlichen Abhängigkeit der Merkmalsentwicklung. LSTMs können den Degradationspfad einer Komponente abbilden und daraus die verbleibende Nutzungsdauer bis zum Ausfall extrapolieren.
Das Training der Modelle erfolgt auf Basis von historischen Daten, die sowohl den gesunden Betriebszustand als auch verschiedene Schadensstadien abdecken. Die Ausgabe des Modells ist eine kontinuierliche Schätzung der RUL in Betriebsstunden, die dem Wartungspersonal als Entscheidungsgrundlage dient.
Modellierung von Degradationskurven für die Praxis
Die Erstellung eines prädiktiven Wartungsmodells erfordert die Definition von Degradationskurven, die den Verschleißverlauf einer Komponente über die Betriebszeit beschreiben. In der Praxis hat sich folgender Ansatz bewährt:
- Baseline-Ermittlung: Aufzeichnung der Schwingungssignale im Neuzustand der Anlage zur Festlegung der Referenzwerte.
- Schwellwertdefinition: Festlegung von Alarmgrenzen auf Basis der Norm DIN 15018 sowie der Erfahrungswerte aus vergleichbaren Anwendungen.
- Trendanalyse: Kontinuierliche Überwachung der Merkmalsentwicklung und Anpassung der Degradationskurve an die tatsächlichen Messwerte.
- RUL-Prognose: Extrapolation der Kurve bis zum Erreichen des kritischen Schwellwerts unter Berücksichtigung der aktuellen Betriebsintensität.
Die so gewonnenen Prognosen ermöglichen eine bedarfsgerechte Planung von Wartungsintervallen. Bauteile werden erst dann getauscht, wenn die prognostizierte Restlebensdauer ein kritisches Niveau erreicht hat – nicht nach starren Zeitintervallen. Dies reduziert sowohl ungeplante Stillstände als auch unnötige vorbeugende Wartungsmaßnahmen.
Integration des PHM-Systems in die Kransteuerung
Die Anbindung des PHM-Systems an die bestehende Steuerungstechnik erfolgt über standardisierte Schnittstellen. Die erfassten Zustandsdaten werden in der SPS der Anlage zusammengeführt und über ein Industrial-IoT-Gateway an das übergeordnete Wartungsportal übertragen. Dort stehen sie dem Instandhaltungspersonal in Form von Dashboards und Alarmmeldungen zur Verfügung.
Die Umsetzung erfolgt gemäß den Anforderungen der Norm EN 60204-32 für die elektrische Ausrüstung von Krananlagen. Die Schwingungssensoren werden dabei als separate Überwachungskomponenten in das Sicherheitskonzept der Anlage integriert, ohne die bestehende Sicherheitslogik zu beeinträchtigen.
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.
