Häufig gestellte Fragen

Das KI-basierte Schienenverschleiß-Diagnosesystem von Krude Heavy Industry wurde in den kommerziellen Betrieb genommen und erreicht eine Genauigkeit von 97%

Zhengzhou, 15. Juni 2026——Das von Krued Heavy Industry eigenständig entwickelte KI-basierte System zur Diagnose von Schienenabnutzung mittels akustischer Signatur wurde kürzlich offiziell in Betrieb genommen. Das System erfasst durch die Installation von Mikrofonarrays an den vier Ecken des Kranauslegers in Echtzeit die akustischen Signale der Reibung zwischen Rad und Schiene und ermöglicht in Kombination mit einem Deep-Learning-Modell auf Basis eines CNN (Convolutional Neural Network) die Echtzeit-Erkennung und -Lokalisierung von Schienenabtragungsfehlern. Unabhängige Tests haben bestätigt, dass das System eine Erkennungsgenauigkeit von 97% und eine Fehlalarmquote von unter 2% aufweist. Dies markiert einen wesentlichen Schritt für Krude Heavy Industry im Bereich des KI-gestützten Betriebs und der Wartung von Laufkränen.

I. Die Herausforderungen der Schienenabtragungsdiagnose in der Branche

Unter „Schienenabnutzung“ versteht man das Phänomen, bei dem es zu ungewöhnlicher Reibung und Quetschung zwischen dem Radflansch und der Schienenflanke kommt; dies ist eine der häufigsten und gefährlichsten Betriebsstörungen bei Brückenkranen. Langfristiges Schienenkauen führt zu einem raschen Verschleiß der Radflansche (bei einer Verringerung der Flanschdicke auf 80% der ursprünglichen Dicke ist ein Austausch erforderlich), zu Verschleiß oder sogar Verformungen an den Schienenflanken sowie zu vorzeitigem Ermüdungsversagen der Radlager; in schweren Fällen kann es zu Entgleisungsunfällen kommen. Die herkömmliche Diagnose von Schienenabnutzung stützt sich auf die akustische Erfahrung des Wartungspersonals – anhand von Geräuschen wird beurteilt, ob eine Schienenabnutzung vorliegt. Diese Methode ist nicht nur stark von individuellen Erfahrungsunterschieden abhängig, sondern ermöglicht auch keine Echtzeitüberwachung und präzise Lokalisierung. Derzeit führen Unternehmen in der Regel vierteljährliche manuelle Inspektionen durch, sodass zwischen dem Auftreten des Problems und seiner Entdeckung oft mehrere Wochen vergehen.

II. Technische Lösung zur AI-Stimmerkennung

Das AI-basierte Schienenverschleiß-Diagnosesystem von Krude Heavy Industry besteht aus drei Kernmodulen: der Frontend-Einheit zur Erfassung von Schallmustern, den Edge-Computing-Geräten und der Cloud-Analyseplattform. Als Frontend für die Erfassung der Schienenabnutzungsgeräusche kommt ein MEMS-Mikrofonarray in Industriequalität (Schutzklasse IP67) zum Einsatz, das an den vier Ecken des Kranauslegers in der Nähe der Laufräder installiert ist und den Frequenzbereich von 100 bis 8000 Hz abdeckt. Als Edge-Computing-Gerät kommt das Jetson Orin NX-Modul (Rechenleistung 100 TOPS) zum Einsatz, auf dem ein CNN-Modell vorinstalliert ist, das mit 30.000 Schienenabnutzungs-Spektralabdruck-Beispielen trainiert wurde.

Während des Systembetriebs erfasst das Mikrofonarray die Laufgeräusche der Räder mit einer Abtastrate von 22.050 Hz. Nach der Mel-Spektraltransformation wird ein 128×128-Zeit-Frequenz-Diagramm erzeugt, woraufhin das CNN-Modell die Inferenz am Edge-Gerät durchführt – die Verzögerung des gesamten Prozesses wird auf 5 bis 10 ms begrenzt. Das Modell kann acht Arten von Schienenabnutzung erkennen: normal, leichte Schienenabnutzung (links/rechts), mittlere Schienenabnutzung (links/rechts), starke Schienenabnutzung (links/rechts) und Stöße an Schienenverbindungen. Die Erkennungsergebnisse werden über das MQTT-Protokoll in Echtzeit an die Cloud-Plattform übertragen und ermöglichen die Anbindung an das Sicherheitsüberwachungssystem für Kranfahrzeuge (weitere Informationen finden Sie unterSIL3-Sicherheitsüberwachungskonzept), um bei Auftreten einer starken Schienenabnutzung automatisch abzubremsen und anzuhalten.

III. Messdaten und Anwendungsergebnisse

Das System wurde drei Monate lang in den hauseigenen Werkhallen von Krued Heavy Industry sowie an einer Kranflotte eines Stahlwerks einem Praxistest unterzogen, der 16 Kräne und 64 Messpunkte an den Kranrädern umfasste. Testergebnisse: Die Erkennungsgenauigkeit für Schienenabnutzung betrug 97,21 TP3T (zertifiziert durch eine unabhängige Prüfstelle), die Erkennungsrate für leichte Schienenabnutzung lag bei 94,51 TP3T, die für schwere Schienenabnutzung bei 99,11 TP3T und die Fehlalarmrate bei 1,81 TP3T. Im Vergleich zur herkömmlichen manuellen Auskultation verkürzte sich die durchschnittliche Zeit bis zur Erkennung von Schienenabnutzungsproblemen von 22 Tagen auf sofort, und die durch Schienenabnutzung verursachten ungeplanten Ausfallzeiten pro Kran sanken im Jahresdurchschnitt um etwa 40 Stunden.

Das System unterstützt zudem die Analyse von Schienenabtragungstrends: Durch die Erfassung der Häufigkeit und der Intensitätsveränderungen des Schienenabtrags an jedem Rad werden automatisch monatliche Berichte zum Schienenabtrag erstellt, die dem Wartungspersonal dabei helfen, den optimalen Zeitpunkt für Schienenausrichtungsarbeiten und den Austausch von Rädern im Voraus zu bestimmen. Schätzungen zufolge lassen sich pro Kran jährlich etwa 60 Arbeitsstunden für die Schienenausrichtung einsparen und 1 bis 2 unnötige Radwechsel vermeiden.

IV. Kommerzielle Einführung und Verbreitung

Derzeit ist das System bereits in die Fernüberwachungsplattform von Tianche integriert und unterstützt die digitale Fernüberwachungslösung von Krued Heavy Industry (weitere Informationen finden Sie unterLösung zur digitalen Fernüberwachung von Laufkränen) gebündelte Bereitstellung. Krude Heavy Industry hat mit drei Stahlunternehmen Testvereinbarungen unterzeichnet und plant, die Installation von 50 akustischen Diagnosesystemen für Laufkräne noch in diesem Jahr abzuschließen. Unternehmenskunden können je nach Bedarf zwischen einer Einzelmodul-Lösung zur Diagnose von Schienenabfressgeräuschen und einer integrierten Lösung aus digitaler Fernüberwachung und akustischer Diagnose wählen.