KI-Schweißnahtprüfung am Brückenkran: Deep Learning erkennt Risse

Die Qualität der Schweißnähte am Hauptträger eines Brückenkrans bestimmt direkt dessen Lebensdauer und Sicherheitsfaktor. Ein unscheinbarer Schweißriss kann sich über Jahre unter wechselnder Last ausbreiten und schließlich zum Bruch des Hauptträgers führen – bei älteren Kränen, die wir im Rahmen von Strukturanalysen bewertet haben, ließen sich drei von zehn Ermüdungsrissen auf Schweißnahtfehler zurückführen. Herkömmliche Prüfverfahren wie die manuelle Sichtprüfung und Magnetpulverprüfung sind jedoch nicht nur ineffizient, sondern liefern auch stark subjektive Ergebnisse.

Der eigentliche Durchbruch der KI-gestützten visuellen Inspektion in den letzten zwei Jahren liegt nicht in immer tieferen Modellen, sondern darin, Industriekamera, Beleuchtung und Inferenz-Engine zu einer praxistauglichen Lösung für das Fließband zu integrieren. Hersteller von Brückenkranen schweißen täglich Dutzende Meter Hauptträger-Schweißnähte – das ist mit bloßem Auge nicht zu bewältigen. Mit YOLOv8 und einem passenden optischen System lassen sich Risse unter 1 mm Breite zuverlässig erkennen; eine einzelne GPU verarbeitet dabei mühelos 4 Kamerakanäle parallel.

Dieser Beitrag beschreibt die vollständige technische Lösung – von der Kamerawahl bis zur Modellimplementierung. Die Investition für die Systemhardware liegt zwischen 5.000 und 12.000 EUR und umfasst Industrie-PC, Industriekameras, Beleuchtung und KI-Software. Die Prüfzeit pro Schweißnaht sinkt von 5–10 Minuten (manuell) auf 15 Sekunden, die Erkennungsrate steigt von 70–80 % (manuell) auf über 92 %.

Systemarchitektur im Überblick

Das KI-Inspektionssystem für Schweißnähte ist als Fließbandarchitektur aufgebaut: Jede Verarbeitungsstufe übergibt ihre Ergebnisse an das nächste Modul:

Industriekamera und Beleuchtungssystem für die Schweißnahtprüfung

Die größte Herausforderung bei der Schweißnahtprüfung ist nicht das KI-Modell, sondern die Aufnahme eines verwertbaren Bildes. Die Oberfläche von Schweißnähten an Brückenkranen ist mit Schweißspritzern, Spritzern und Zunder bedeckt. Standardkameras liefern hier kontrastarme Bilder mit starker Spiegelung – selbst die beste KI kann damit nichts anfangen.

Kameraauswahl: Empfohlen wird eine 12-MP-Industriekamera mit Flächensensor (4096×3000), Pixelgröße 3,45 μm und Rolling Shutter. In Kombination mit einem 25-mm-Festbrennweiten-Industrieobjektiv ergibt sich bei einem Arbeitsabstand von 300 mm ein Sichtfeld von ca. 200×150 mm und eine Auflösung von ca. 0,05 mm pro Pixel – bei dieser Auflösung belegt ein 0,5-mm-Riss 10 Pixel, was für die KI-Erkennung völlig ausreicht. Die Bildrate muss nicht hoch sein; 15 fps genügen, da die Schweißnahtprüfung im Stand erfolgt und nicht während der Fahrt.

Beleuchtungskonzept: Die Schweißnahtoberfläche ist texturiert; zur Hervorhebung von Fehlern eignet sich daher strukturiertes Licht oder eine flache, streifenförmige Beleuchtung unter niedrigem Winkel. Empfohlen wird eine blaue Streifenleuchte (Wellenlänge 460 nm) mit einem Beleuchtungswinkel von 30°, kombiniert mit einem schmalbandigen Filter derselben Wellenlänge, um Störungen durch Lichtbogenstrahlung wirksam zu unterdrücken. Eine komplette Beleuchtungseinheit inklusive Steuerung kostet ca. 380–640 EUR – ein Posten, der im Gesamtsystem oft unterschätzt wird, aber keinesfalls eingespart werden sollte.

KI-Modelltraining und -Implementierung

Aufbau des Datensatzes

Der Datensatz für die Fehlererkennung an Schweißnähten von Brückenkranen speist sich aus zwei Quellen: Zum einen aus realen Fehlerbildern, die direkt im Fertigungsumfeld aufgenommen wurden (besonders wertvoll, jedoch begrenzte Stichprobe), zum anderen aus synthetisch erzeugten Fehlerbildern mittels Datenaugmentierung (zur Aufstockung des Stichprobenumfangs). Empfohlen wird eine kombinierte Nutzung: 500–1.000 reale Aufnahmen plus augmentierte Bilder auf insgesamt 3.000–5.000 Aufnahmen.

Die Fehlerklassifizierung erfolgt gemäß der Norm DIN EN ISO 17635 in vier Kategorien:

Für die Annotation empfehlen wir LabelImg oder CVAT. Jedes Bild wird nach der Annotation im YOLO-Format exportiert (Klasse + Zentrum-x + Zentrum-y + Breite w + Höhe h, jeweils auf 0~1 normalisiert).

3.2 Modellauswahl und Training

Empfohlen wird YOLOv8s (Small-Version, ca. 11M Parameter) – der beste Kompromiss zwischen Genauigkeit und Geschwindigkeit. Trainingskonfiguration:

from ultralytics import YOLO # Vortrainiertes Modell laden-Typ model = YOLO("yolov8s.pt") # Training（RTX4060ca.3Stunden abgeschlossen300epoch） results = model.train( data="weld_dataset.yaml", epochs=300, imgsz=640, batch=16, lr0=0.01, augment=True, device=0 # GPU ) # Validierung metrics = model.val() print(f"mAP@0.5: {metrics.box.map50:.3f}") print(f"mAP@0.5:0.95: {metrics.box.map:.3f}")

Nach dem Training wird die Inferenzgeschwindigkeit mit TensorRT optimiert: Die ursprüngliche Inferenzlatenz von YOLOv8s auf einer RTX4060 beträgt ca. 12 ms und kann durch TensorRT-FP16-Optimierung auf 4~5 ms reduziert werden. Bei 4 Kameras imPollingbetrieb bleibt die einzelne Inferenz unter 35 ms und erfüllt damit die Echtzeitanforderungen der Online-Erkennung.

# TensorRTExport model.export(format="engine", dynamic=True, half=True) # Inferenz import tensorrt as trt import pycuda.driver as cuda engine = trt.Runtime(trt.Logger()).deserialize_cuda_engine( open("yolov8s_weld.engine", "rb").read()) # Inferenzzeit pro Frame ca.5ms (RTX4060)

Deployment des Online-Erkennungssystems

Das System wird an der Endstation der Hauptträger-Fertigungslinie installiert. Nach dem Schweißen wird der Hauptträger automatisch zur Erkennungsstation transportiert, wo die Industriekamera die vier Hauptschweißnähte (zwei obere und zwei untere Abdeckplatten) jeweils separat erfasst. Jede Schweißnaht wird mit 3~5 Bildern aufgenommen (die die gesamte Schweißnahtlänge abdecken); die KI erkennt und markiert Fehlerpositionen automatisch.

Deployment-Parameter:

5. Technische Umsetzung im Detail

1. Die Beleuchtung ist wichtiger als das Modell. Das ist die erste eiserne Regel in der maschinellen Bildverarbeitung. Beim ersten Testlauf verwendeten wir eine herkömmliche Ringlichtquelle – die Schweißnaht reflektierte stark und Risse waren schlicht nicht erkennbar. Selbst das beste YOLOv8-Modell kann nichts erkennen, was es nicht sieht. Nach der Umstellung auf eine flache, blaue Balkenlichtquelle verbesserte sich der Defektkontrast um mehr als das Dreifache, und die mAP des Modells stieg von 68 % direkt auf 89 %. Die Beleuchtung macht weniger als 10 % der Gesamtkosten des Systems aus, hat aber einen Einfluss von 80 % auf das Ergebnis.

2. Was tun bei unzureichenden Fehlerbildern? Ein Mangel an realen Fehlerbildern ist in allen industriellen Bildverarbeitungsprojekten ein häufiges Problem. Unser Ansatz: Zuerst werden mit künstlich erzeugten Fehlern (mittels Drahterosion auf Testplatten eingebrachte Defekte) 500 Bilder aufgenommen, um eine erste Modellversion zu trainieren. Nach der Inbetriebnahme dient dieses erste Modell als Vorfilter; die als fehlerhaft markierten Bilder werden manuell bestätigt und die echten Fehlerbilder fließen in den Trainingsdatensatz der nächsten Iteration ein. Nach drei Iterationszyklen übertrifft das Modell in der Regel die Leistung der rein mit simulierten Daten trainierten Version.

3. Abwägung zwischen Fehlalarmen und übersehenen Fehlern. Die visuellen Merkmale von Schweißperlen und Einbrandkerben überlappen sich mit denen von Schweißspritzern, was eine von Natur aus höhere Fehlalarmrate als bei Rissen zur Folge hat. Unsere technische Strategie: Für Risse und Poren wird ein hoher Konfidenzschwellenwert (≥ 0,7) angesetzt, bei dessen Überschreitung das Teil direkt als nicht konform eingestuft wird. Einbrandkerben und Schweißperlen werden mit einem niedrigeren Schwellenwert (≥ 0,4) als „zur manuellen Bestätigung" markiert. So wird sichergestellt, dass kritische Fehler nicht übersehen werden, ohne dass die Bediener durch zu viele Fehlalarme abgestumpft werden.

4. Anbindung an die SPS der Produktionslinie. Das Prüfsystem gibt ein binäres Signal an die SPS aus (über Modbus TCP oder digitale I/O). Wird ein Riss oder eine Pore erkannt, werden ein Alarmlicht ausgelöst und das Förderband gestoppt. Der Prüfbericht im XML-Format wird per FTP zur Archivierung an das MES-System übertragen. Für die Anbindung ist keine Änderung des bestehenden SPS-Programms erforderlich – das Prüfsystem agiert als eigenständiges Gerät und gibt lediglich ein OK-/NG-Signal aus.

5. Regelmäßige Kalibrierung nicht vergessen. Die Alterung von Kamera und Beleuchtung beeinträchtigt die Konsistenz der Prüfergebnisse. Wir empfehlen, monatlich einen Kalibrierungsdurchlauf mit einem Standard-Referenzbauteil (einer Testplatte mit bekannten Fehlern) durchzuführen. Weichen die Ergebnisse bei drei aufeinanderfolgenden Prüfungen um mehr als 10 % von der Referenz ab, weist das System automatisch auf eine notwendige Kalibrierung oder einen Austausch der Lichtquelle hin.

Fazit: KI-gestützte Schweißnahtprüfung im Kranbau

Die KI-basierte visuelle Schweißnahtprüfung ist keine neue Technologie – in der Automobilindustrie und bei Rohrleitungsprojekten wird sie seit Jahren eingesetzt. Die Besonderheit im Brückenkranbau liegt in den langen Schweißnähten (ein 30 m langer Hauptträger hat vier Längsnähte), der komplexen Oberflächenbeschaffenheit (viele Schweißspritzer) und den anzuwendenden Fehlerbewertungsnormen, die sich an der DIN EN ISO 17635 orientieren. Sind diese Randbedingungen richtig angepasst, steht die KI-gestützte Prüfung der manuellen Kontrolle in nichts nach – in Effizienz und Konsistenz ist sie ihr sogar deutlich überlegen.

Unsere Messdaten von einer Schweißlinie für Hauptträger eines 32-t-Brückenkrans über sechs Monate: Insgesamt wurden 286 Schweißnähte geprüft. Die KI erkannte 17 rissartige Fehler (davon 2, die bei der manuellen Erstprüfung übersehen wurden), was einer Gesamterkennungsrate von 94,6 % entspricht. Die durchschnittliche Prüfzeit pro Schweißnaht betrug 12 Sekunden. In einem nächsten Schritt planen wir, die Prüfdaten in eine Digitaler-Zwilling-Plattform für Brückenkrane zu integrieren und die Fehleraufzeichnungen jeder Schweißnaht mit den Daten aus dem strukturellen Gesundheitsmonitoring im späteren Betrieb zu korrelieren.

Häufige Fragen (FAQ)