KI-Diagnosesystem für Schienenverschleiß per Klanganalyse
Kernpunkte: Das von Kelude Schwerindustrie eigenentwickelte KI-Diagnosesystem für Schienenverschleiß per Klanganalyse ist nun kommerziell im Einsatz. Über ein Mikrofonarray werden die Laufgeräusche der Räder erfasst und mithilfe eines CNN-Deep-Learning-Modells eine Echtzeiterkennung und -lokalisierung von Spurkranzreiben durchgeführt. Die Erkennungsgenauigkeit liegt bei 97 %, die Fehlalarmrate unter 2 %.
Mit der fortschreitenden intelligenten Transformation der Industrie wird die Echtzeitüberwachung und präzise Diagnose von Spurkranzreiben bei Brückenkranen zunehmend zum entscheidenden Faktor für Arbeitssicherheit und Kostensenkung in der Stahl- und Metallindustrie. Kelude Schwerindustrie hat auf Basis von Deep-Learning-Schallmustererkennung ein KI-Diagnosesystem für Schienenverschleiß per Klanganalyse entwickelt, das den Sprung von der traditionellen manuellen akustischen Prüfung zur intelligenten KI-Diagnose ermöglicht. Nachfolgend werden die technische Architektur und die Kernfunktionen des Systems im Detail erläutert.
Herausforderungen bei der Diagnose von Spurkranzreiben
Spurkranzreiben bezeichnet den anormalen Reib- und Druckkontakt zwischen dem Spurkranz des Laufrads und der Schienenflanke – eine der häufigsten und folgenschwersten Betriebsstörungen bei Brückenkranen. Langfristiges Spurkranzreiben führt zu beschleunigtem Verschleiß des Spurkranzes – bereits bei einer Reduzierung der Spurkranzdicke auf 80 % des Originalmaßes ist ein Austausch erforderlich – sowie zu seitlichem Verschleiß und sogar Verformung der Schiene, frühzeitiger Ermüdung der Radlager und in schweren Fällen zur Entgleisungsgefahr.
Die herkömmliche Diagnose von Spurkranzreiben stützt sich auf das Hörvermögen und die Erfahrung des Wartungspersonals, das anhand der Geräusche auf Spurkranzreiben schließt. Gemäß der Norm DIN 15018 (Krandimensionierungsnorm) und den Sicherheitsvorschriften für Hebezeuge (FEM 1.001) gilt Spurkranzreiben als kritischer Fehler mit Auswirkung auf die strukturelle Sicherheit und erfordert daher wirksame Überwachungsmaßnahmen. Diese Methode ist jedoch stark von individuellen Erfahrungsunterschieden geprägt und ermöglicht weder Echtzeitüberwachung noch präzise Lokalisierung. In der Praxis wird üblicherweise eine manuelle Inspektion pro Quartal durchgeführt, wodurch Spurkranzreiben oft erst Wochen nach seinem Auftreten erkannt wird und der anormale Verschleiß von Laufrad und Schiene kontinuierlich fortschreitet. Branchenstatistiken zufolge verursacht Spurkranzreiben 15 % bis 20 % der ungeplanten Stillstandszeiten bei Brückenkranen und zählt damit zu den wichtigsten Faktoren, die die Betriebseffizienz beeinträchtigen.
Technische Lösung mit KI-Schallmustererkennung
Das KI-Diagnosesystem für Schienenverschleiß per Klanganalyse von Kelude Schwerindustrie besteht aus drei Kernmodulen: Schallmuster-Erfassungsfrontend, Edge-Inferenzgerät und Cloud-Analyseplattform. Das Erfassungsfrontend verwendet ein industrielles MEMS-Mikrofonarray (Schutzart IP67), das an den vier Ecken des Kopfträgers in der Nähe der Laufräder montiert ist und einen Frequenzbereich von 100 bis 8000 Hz abdeckt. Das Edge-Inferenzgerät basiert auf dem Jetson Orin NX-Modul (Rechenleistung 100 TOPS) und ist mit einem CNN-Modell vorinstalliert, das mit 30.000 Schallmusterproben von Spurkranzreiben trainiert wurde. Die Cloud-Plattform ist nach der Norm GB/T 28264 – Sicherheitsüberwachungs- und Managementsystem für Hebezeuge – aufgebaut und unterstützt die Datenerfassung und Ferndiagnose mehrerer Brückenkrane sowie die Anforderungen an Datenerfassung und Frühwarnung des Sicherheitsüberwachungssystems.
Während des Betriebs erfasst das Mikrofonarray die Laufgeräusche der Räder mit einer Abtastrate von 22050 Hz. Nach der Mel-Spektrum-Transformation werden 128×128-Zeitfrequenzdiagramme erzeugt, die das CNN-Modell direkt am Edge-Gerät inferiert – die gesamte Latenzzeit liegt zwischen 5 und 10 ms. Das Modell unterscheidet acht Zustände des Spurkranzreibens: normal, leichtes Spurkranzreiben (links/rechts), mittleres Spurkranzreiben (links/rechts), schweres Spurkranzreiben (links/rechts) sowie Schienenstoß-Impakt. Die Erkennungsergebnisse werden über das MQTT-Protokoll in Echtzeit an die Cloud-Plattform übertragen. Bei schwerem Spurkranzreiben wird automatisch eine Verlangsamung bzw. ein Stopp ausgelöst, um eine Ausweitung des Schadens wirksam zu verhindern.
Kernparameter der Technik im Vergleich
| ParameterPunkt | AISchallanalyseDiagnosesystem | traditionelle manuelle Auskultation |
|---|---|---|
| ErkennungVerfahren | Mikrofonarray+CNNEchtzeitanalyse durch Modell | auditive Beurteilung vor Ort durch Wartungspersonal |
| Genauigkeit | 97.2%(DritteZertifizierung) | abhängig von Erfahrungsunterschieden,ca.60%~80% |
| Erkennungszeit | sofort(5~10msLatenz) | durchschnittliche Verzögerung22Tage |
| Fehlalarmrate | unter2% | nicht quantifizierbar |
| Einsatzarchitektur | Edge-Inferenz+Cloud-Analyse | manuellInspektionDokumentation |
3. Messdaten und Anwendungsergebnisse
Das System wurde über einen Zeitraum von drei Monaten in der internen Werkstatt von Kelude sowie an einer Brückenkran-Gruppe in einem Stahlwerk unter realen Bedingungen getestet. Die Testreihe umfasste 16 Brückenkräne mit insgesamt 64 Messpunkten an den Laufrädern. Die Ergebnisse wurden durch eine unabhängige Fremdprüfung zertifiziert: Die Erkennungsgenauigkeit für Spurkranzreiben liegt bei 97,2 %, die Erkennungsrate für leichtes Spurkranzreiben bei 94,5 %, für starkes Spurkranzreiben bei 99,1 % und die Fehlalarmrate bei 1,8 %. Im Vergleich zur herkömmlichen akustischen Kontrolle durch das Wartungspersonal konnte die durchschnittliche Erkennungszeit für Spurkranzreiben von 22 Tagen auf eine sofortige Erkennung reduziert werden. Die jährliche ungeplante Stillstandszeit pro Brückenkran, die auf Spurkranzreiben zurückzuführen ist, konnte um durchschnittlich etwa 40 Stunden gesenkt werden.
Darüber hinaus unterstützt das System eine Trendanalyse des Spurkranzreibens. Durch die kontinuierliche Erfassung der Häufigkeit und Intensitätsänderungen an jedem Laufrad wird automatisch ein monatlicher Bericht zum Spurkranzreiben generiert. Dies ermöglicht dem Wartungspersonal, den optimalen Zeitpunkt für Schienenjustierungen und den Austausch von Laufrädern frühzeitig zu planen. Schätzungen zufolge lassen sich pro Brückenkran jährlich etwa 60 Arbeitsstunden für Schienenjustierungen einsparen und ein bis zwei vorzeitige Radwechsel vermeiden. Für große Stahlwerke mit mehr als 50 Brückenkranen bedeutet dies eine jährliche Kosteneinsparung von über 800.000 CNY (ca. 101.700 EUR) allein bei den Instandhaltungskosten.
Vergleich der Implementierung bei verschiedenen Brückenkran-Typen
| BrückenkranTyp | Anzahl der Messpunkte | ErkennungGenauigkeit | jährliche Stillstandszeit-Einsparung |
|---|---|---|---|
| QD-Typ50tBrückenkran | 4 | 97.8% | ca.42Stunden/Jahr |
| QD-Typ100tBrückenkran | 8 | 96.5% | ca.48Stunden/Jahr |
| MG-Typ32tPortalkran | 4 | 98.1% | ca.36Stunden/Jahr |
| LH-Typ20tHebezeugZweiträger | 4 | 97.0% | ca.38Stunden/Jahr |
4. Kommerzielle Einführung und Marktausbau
Das System ist bereits in die Fernüberwachungsplattform für Brückenkrane integriert und kann gemeinsam mit digitalen Fernüberwachungslösungen ausgerollt werden. Kelude Schwerindustrie hat mit drei Stahlwerken Pilotvereinbarungen geschlossen und plant, die Schalldiagnosesysteme bis Jahresende auf 50 Brückenkranen zu installieren. Die Konstruktion erfüllt die Anforderungen an die strukturelle Sicherheit gemäß DIN 15018 (Krandimensionierungsnorm) und orientiert sich am technischen Rahmen der internationalen Norm ISO 23874:2021 zur Zustandsüberwachung von Kranen. Unternehmen können je nach Bedarf entweder das Einzelmodul zur Schienenverschleißerkennung per Klanganalyse oder die integrierte Lösung aus digitaler Fernüberwachung und Schalldiagnose wählen.
5. Technologische Vorteile der KI-gestützten Schalldiagnose
Gegenüber herkömmlichen Prüfverfahren bietet die KI-gestützte Schalldiagnose entscheidende Vorteile. An erster Stelle steht die Echtzeitfähigkeit: Das System überwacht die Anlage 7×24 Stunden ununterbrochen. Jedes anomale Reibungsgeräusch wird innerhalb von Sekunden erfasst und analysiert – damit gehören zeitliche Blindstellen der manuellen Inspektion der Vergangenheit an. Hinzu kommt die hohe Präzision: Das CNN-Modell wurde mit 30.000 Datensätzen trainiert und kann selbst schwer zu unterscheidende Zustände wie leichten Schienenverschleiß von Stoßgeräuschen an Schienenstößen zuverlässig trennen, wodurch Fehldiagnosen und unnötige Wartungseinsätze vermieden werden.
Ein weiterer Vorteil ist die Quantifizierbarkeit: Das System protokolliert automatisch Häufigkeit, Festigkeitsklasse und Entwicklungstrend des Spurkranzreibens für jedes Laufrad und erstellt visualisierte Berichte, die als Datengrundlage für die prädiktive Wartung dienen. In Kombination mit dem Sicherheitsüberwachungs- und Managementsystem für Brückenkrane von Kelude Schwerindustrie können Unternehmen ein vollständiges digitales Anlagen-Gesundheitsregister aufbauen und den Wartungsbetrieb von reaktiver Instandsetzung auf proaktive Prävention umstellen.
Häufige Fragen
F: Für welche Brückenkrantypen ist das KI-Schalldiagnosesystem zur Schienenverschleißerkennung geeignet?
A: Das System gilt für alle gängigen Brückenkrane und Portalkrane, einschließlich der Typen QD (allgemeiner Brückenkran), MG (allgemeiner Portalkran) und LH (Zweiträger-Hebezugkran). Bei unterschiedlichen Traglasten und Spannweiten müssen lediglich Einbauposition und Anzahl der Mikrofonarrays angepasst werden – das zentrale CNN-Modell muss nicht neu trainiert werden.
F: Lässt sich das System in bestehende Kranüberwachungssysteme integrieren?
A: Ja. Das System unterstützt das standardisierte MQTT-Protokoll sowie die Modbus-TCP-Schnittstelle und kann sowohl an das Sicherheitsüberwachungs- und Managementsystem von Kelude Schwerindustrie als auch an SCADA-/DCS-Plattformen von Drittanbietern angebunden werden.
F: Ist ein stabiler Betrieb auch unter rauen Umgebungsbedingungen gewährleistet?
A: Die Mikrofonarrays sind mit Schutzart IP67 ausgelegt und für einen Arbeitstemperaturbereich von -20 °C bis +85 °C spezifiziert. Damit ist ein zuverlässiger Betrieb auch in Gießereien von Stahlwerken oder in Zementwerken mit hoher Hitze- und Staubbelastung sichergestellt.
F: Wie schnell amortisiert sich die Investition in das System?
A: Nach der Installation des Schalldiagnosesystems an einem Brückenkran reduziert sich die ungeplante Stillstandszeit um durchschnittlich etwa 40 Stunden pro Jahr, 60 Arbeitsstunden für die Schienenjustierung entfallen und der Radwechsel reduziert sich um 1 bis 2 Mal pro Jahr. Die Kapitalrendite ist in der Regel nach etwa 8 bis 12 Monaten erreicht.
Für weitere Informationen zu intelligenten KI-Wartungslösungen für Brückenkrane wenden Sie sich an das technische Team von Kelude – wir erstellen gerne eine individuelle Lösung zur Schienenverschleißerkennung für Ihre Anlage.
