KI-Fehlerdiagnose für Brückenkranmotoren: 1D-CNN Schwingungsanalyse

import torch.nn as nn class MotorCNN1D(nn.Module): def __init__(self, num_classes=4): super().__init__() self.conv1 = nn.Sequential( nn.Conv1d(1, 16, kernel_size=64, stride=8), nn.ReLU(), nn.MaxPool1d(2)) self.conv2 = nn.Sequential( nn.Conv1d(16, 32, kernel_size=32, stride=4), nn.ReLU(), nn.MaxPool1d(2)) self.conv3 = nn.Sequential( nn.Conv1d(32, 64, kernel_size=16, stride=2), nn.ReLU(), nn.AdaptiveAvgPool1d(1)) self.fc = nn.Linear(64, num_classes) def forward(self, x): x = self.conv1(x) x = self.conv2(x) x = self.conv3(x).squeeze() return self.fc(x)

Konfiguration des Trainingsdatensatzes: Normalbetrieb plus drei Fehlerklassen (Lagerverschleiß, Rotorstabbruch, Statorkurzschluss), jeweils 2.000 Stichproben (1024 Punkte/Frame), aufgeteilt im Verhältnis 7:2:1 in Trainings-, Validierungs- und Testdatensatz. Trainings-Hyperparameter: Batch = 64, Lernrate = 0,001, Epochen = 100, Optimierer: Adam. Das Training auf einer RTX3060 dauert ca. 15 Minuten, die Genauigkeit auf dem Testdatensatz beträgt 96,8 %.

# Inferenzcode model.eval() with torch.no_grad(): output = model(sensor_data.unsqueeze(0).unsqueeze(0)) pred = torch.argmax(output, dim=1).item() confidence = torch.softmax(output, dim=1)[0][pred].item() classes = {0: "Normal", 1: "Lagerabnutzung", 2: "Rotorstabbruch", 3: "Statorkurzschluss"} print(f"Diagnose: {classes[pred]} (Konfidenz: {confidence:.1%})")

Fehlermodi und charakteristische Merkmale

5. Technische Umsetzung in der Praxis

1. Höhere Abtastrate ist nicht automatisch besser. Die relevanten Informationen im Vibrationssignal eines Motors liegen unter 10 kHz. Eine Abtastrate von 25,6 kHz ist völlig ausreichend (entspricht dem 2,56-fachen gemäß Nyquist-Kriterium). Eine höhere Rate führt zu einem massiven Anstieg der Datenmenge, ohne die Modellgenauigkeit zu verbessern – im Gegenteil: Hochfrequentes Rauschen wird mit erfasst und verschlechtert das Ergebnis.

2. Die Montageposition bestimmt die Datenqualität. Der Signalpegel kann um das 3- bis 5-fache variieren, je nachdem, ob der Sensor direkt auf dem Lagergehäuse oder an der Seitenfläche des Motorgehäuses montiert ist. Nach der Festlegung der Montageposition sollte diese nicht mehr verändert werden, da sonst eine Basislinienverschiebung zu Fehlalarmen führt.

3. Drehzahlschwankungen erfordern eine Normierung. Brückenkranmotoren arbeiten mit frequenzgesteuerter Drehzahlregelung; die Drehzahl variiert zwischen 100 und 1.500 U/min. Bei unterschiedlichen Drehzahlen äußert sich derselbe Fehler in unterschiedlichen Vibrationsfrequenzen. Lösung: Für jede Messung wird eine Ordnungsanalyse (Order Tracking) durchgeführt, die das Spektrum von der absoluten Frequenz in den Ordnungsbereich überführt.

4. Nicht nur auf Vibration setzen. Die kombinierte Diagnose aus Vibration und Strom ist etwa 5 Prozentpunkte genauer als die reine Vibrationsanalyse. Beispielsweise sind gebrochene Rotorstäbe im Stromsignal deutlicher erkennbar als im Vibrationssignal. Empfehlung: Jeder Motor sollte mit mindestens einem Stromsensor ausgestattet werden.

5. Regelmäßige Datenrückführung zur Modellaktualisierung. Es wird empfohlen, monatlich neu erfasste Normalproben in den Trainingsdatensatz aufzunehmen und ein inkrementelles Training durchzuführen, damit sich das Modell kontinuierlich an die Alterung der Anlage anpasst.

Häufig gestellte Fragen zur KI-gestützten Fehlerdiagnose

Fazit: Höchste Wirtschaftlichkeit aller Umbau-Maßnahmen

In Kombination mit dem KI-gestützten Wartungsassistenten bietet die KI-basierte Motor-Fehlerdiagnose das beste Kosten-Nutzen-Verhältnis aller intelligenten Umbau-Maßnahmen am Brückenkran. Die Kosten für Sensorik und Datenerfassung pro Motor liegen bei unter 3.000 EUR, dafür lassen sich Fehler 1 bis 3 Monate im Voraus prognostizieren. In einem Einsatz über 8 Monate an 12 Brückenkränen in einer Werkstatt wurden Lagerfehler an 4 Motoren vorzeitig erkannt – ohne einen einzigen Fehlalarm und ohne eine einzige verpasste Diagnose.

Weiterführende Lektüre: Fehlerdiagnose-Technologie für Brückenkran-Getriebe – Motor und Getriebe sind die zwei Seiten des Antriebssystems eines Brückenkrans: Die KI-basierte Motor-Fehlerdiagnose deckt Lager, Rotor und Stator auf der Antriebsseite ab, während die Getriebe-Fehlerdiagnose die Verzahnungsseite überwacht. Beide Systeme nutzen dieselbe Industrie-PC-Plattform und dieselbe Sensor-Erfassungsarchitektur – eine gemeinsame Implementierung wird daher empfohlen.

Brückenkranmotoren verursachen über 30 % aller Kranausfälle – ob Lager-Verschleiß, Rotorstabbruch oder Statorkurzschluss: Jede dieser Störungen stoppt die Produktion direkt. In den meisten Werken gilt noch immer die Strategie „Reparieren, wenn es brennt" – erst wenn der Motor qualmt oder der Schutzschalter auslöst, wird abgeschaltet. Ein einziger ungeplanter Stillstand kostet schnell mehrere Tausend Euro, im Extremfall sogar Zehntausende.

KI-basierte Fehlerdiagnose ist kein neues Thema, doch früher dominierten Expertensysteme (Regeln + Schwellwerte) mit hoher Fehlalarmrate und geringer Anpassungsfähigkeit. In den letzten zwei Jahren haben sich 1D-CNN-Modelle (eindimensionale Convolutional Neural Networks) bei der Analyse von Schwingungssignalen als außergewöhnlich effektiv erwiesen: Der Schwingungssensor wird direkt am Lagergehäuse des Motors montiert, die erfassten Signale werden ohne manuelle Merkmalsextraktion in das Modell eingespeist – das Modell lernt die Fehlermuster selbstständig. Pro Motor kommen 2–3 Sensoren zum Einsatz, die Inferenz läuft auf einem Industrie-PC, und ein Diagnosesystem verwaltet 10–20 Motoren.

Dieser Beitrag beschreibt die Komplettlösung – von der Sensorauswahl bis zur Modellbereitstellung. Die Hardware-Investition liegt bei ca. 20.000–60.000 EUR (inkl. Sensoren, Erfassungskarte und Industrie-PC). Bereits die Einsparung durch einen einzigen vermiedenen ungeplanten Stillstand pro Motor und Jahr amortisiert die Investition.

Systemarchitektur der Motor-Diagnose

Das KI-Diagnosesystem für Motoren ist in vier Ebenen aufgebaut:

Die Sensorik bildet das Fundament: IEPE-Beschleunigungssensoren werden direkt am Lagergehäuse des Motors montiert und erfassen die Schwingungen in drei Achsen. Die erfassten Rohdaten werden über das DAQ-Modul an den Industrie-PC übertragen, wo das trainierte 1D-CNN-Modell die Analyse in Echtzeit durchführt. Das Ergebnis erscheint als klare Diagnose auf dem Dashboard – inklusive Trendanzeige des Schwingungsspektrums über die Zeit.

Sensorauswahl und Montage

Schwingungssensor: Empfohlen wird ein IEPE-Beschleunigungssensor mit einer Empfindlichkeit von 100 mV/g, einem Messbereich von ±50 g und einem Frequenzgang von 0,5 bis 10 kHz. Montagepositionen: Lagergehäuse der Antriebsseite (je 1x radial und axial), Lagergehäuse der Nicht-Antriebsseite (1x radial). Die Befestigung erfolgt entweder mit M6-Schrauben oder über eine Magnetbasis – die Magnetbasis ist zwar praktisch, begrenzt die obere Grenzfrequenz jedoch auf ca. 2 kHz, während die Schraubbefestigung bis 10 kHz ermöglicht. Die Schraubbefestigung wird empfohlen: Sie kostet zwar 10 Minuten mehr Zeit, liefert aber eine deutlich bessere Signalqualität im Hochfrequenzbereich.

Stromsensor: Zangen-Stromwandler mit Genauigkeitsklasse 0,5. Der Messbereich wird auf das 1,5-fache des Nennstroms des Motors ausgelegt. Die Montage erfolgt an den drei Phasen des Netzkabels zur Erkennung von Stromoberschwingungen, die auf Rotorstabbrüche hinweisen.

Kernparameter der Sensoren:

1D-CNN-Modell: Design und Training

Der entscheidende Vorteil des 1D-CNN liegt in der direkten Verarbeitung der rohen Vibrations-Zeitsignale (1024 Punkte/Frame) – ohne aufwändige manuelle Merkmalsextraktion wie FFT oder Wavelet-Transformation. Die Netzwerkarchitektur ist wie folgt aufgebaut:

import torch.nn as nn class MotorCNN1D(nn.Module): def __init__(self, num_classes=4): super().__init__() self.conv1 = nn.Sequential( nn.Conv1d(1, 16, kernel_size=64, stride=8), nn.ReLU(), nn.MaxPool1d(2)) self.conv2 = nn.Sequential( nn.Conv1d(16, 32, kernel_size=32, stride=4), nn.ReLU(), nn.MaxPool1d(2)) self.conv3 = nn.Sequential( nn.Conv1d(32, 64, kernel_size=16, stride=2), nn.ReLU(), nn.AdaptiveAvgPool1d(1)) self.fc = nn.Linear(64, num_classes) def forward(self, x): x = self.conv1(x) x = self.conv2(x) x = self.conv3(x).squeeze() return self.fc(x)

Konfiguration des Trainingsdatensatzes: Normalbetrieb plus drei Fehlerklassen (Lagerverschleiß, Rotorstabbruch, Statorkurzschluss), jeweils 2.000 Stichproben (1024 Punkte/Frame), aufgeteilt im Verhältnis 7:2:1 in Trainings-, Validierungs- und Testdatensatz. Trainings-Hyperparameter: Batch = 64, Lernrate = 0,001, Epochen = 100, Optimierer: Adam. Das Training auf einer RTX3060 dauert ca. 15 Minuten, die Genauigkeit auf dem Testdatensatz beträgt 96,8 %.

# Inferenzcode model.eval() with torch.no_grad(): output = model(sensor_data.unsqueeze(0).unsqueeze(0)) pred = torch.argmax(output, dim=1).item() confidence = torch.softmax(output, dim=1)[0][pred].item() classes = {0: "Normal", 1: "Lagerabnutzung", 2: "Rotorstabbruch", 3: "Statorkurzschluss"} print(f"Diagnose: {classes[pred]} (Konfidenz: {confidence:.1%})")

Fehlermodi und charakteristische Merkmale

5. Technische Umsetzung in der Praxis

1. Höhere Abtastrate ist nicht automatisch besser. Die relevanten Informationen im Vibrationssignal eines Motors liegen unter 10 kHz. Eine Abtastrate von 25,6 kHz ist völlig ausreichend (entspricht dem 2,56-fachen gemäß Nyquist-Kriterium). Eine höhere Rate führt zu einem massiven Anstieg der Datenmenge, ohne die Modellgenauigkeit zu verbessern – im Gegenteil: Hochfrequentes Rauschen wird mit erfasst und verschlechtert das Ergebnis.

2. Die Montageposition bestimmt die Datenqualität. Der Signalpegel kann um das 3- bis 5-fache variieren, je nachdem, ob der Sensor direkt auf dem Lagergehäuse oder an der Seitenfläche des Motorgehäuses montiert ist. Nach der Festlegung der Montageposition sollte diese nicht mehr verändert werden, da sonst eine Basislinienverschiebung zu Fehlalarmen führt.

3. Drehzahlschwankungen erfordern eine Normierung. Brückenkranmotoren arbeiten mit frequenzgesteuerter Drehzahlregelung; die Drehzahl variiert zwischen 100 und 1.500 U/min. Bei unterschiedlichen Drehzahlen äußert sich derselbe Fehler in unterschiedlichen Vibrationsfrequenzen. Lösung: Für jede Messung wird eine Ordnungsanalyse (Order Tracking) durchgeführt, die das Spektrum von der absoluten Frequenz in den Ordnungsbereich überführt.

4. Nicht nur auf Vibration setzen. Die kombinierte Diagnose aus Vibration und Strom ist etwa 5 Prozentpunkte genauer als die reine Vibrationsanalyse. Beispielsweise sind gebrochene Rotorstäbe im Stromsignal deutlicher erkennbar als im Vibrationssignal. Empfehlung: Jeder Motor sollte mit mindestens einem Stromsensor ausgestattet werden.

5. Regelmäßige Datenrückführung zur Modellaktualisierung. Es wird empfohlen, monatlich neu erfasste Normalproben in den Trainingsdatensatz aufzunehmen und ein inkrementelles Training durchzuführen, damit sich das Modell kontinuierlich an die Alterung der Anlage anpasst.

Häufig gestellte Fragen zur KI-gestützten Fehlerdiagnose

Fazit: Höchste Wirtschaftlichkeit aller Umbau-Maßnahmen

In Kombination mit dem KI-gestützten Wartungsassistenten bietet die KI-basierte Motor-Fehlerdiagnose das beste Kosten-Nutzen-Verhältnis aller intelligenten Umbau-Maßnahmen am Brückenkran. Die Kosten für Sensorik und Datenerfassung pro Motor liegen bei unter 3.000 EUR, dafür lassen sich Fehler 1 bis 3 Monate im Voraus prognostizieren. In einem Einsatz über 8 Monate an 12 Brückenkränen in einer Werkstatt wurden Lagerfehler an 4 Motoren vorzeitig erkannt – ohne einen einzigen Fehlalarm und ohne eine einzige verpasste Diagnose.

Weiterführende Lektüre: Fehlerdiagnose-Technologie für Brückenkran-Getriebe – Motor und Getriebe sind die zwei Seiten des Antriebssystems eines Brückenkrans: Die KI-basierte Motor-Fehlerdiagnose deckt Lager, Rotor und Stator auf der Antriebsseite ab, während die Getriebe-Fehlerdiagnose die Verzahnungsseite überwacht. Beide Systeme nutzen dieselbe Industrie-PC-Plattform und dieselbe Sensor-Erfassungsarchitektur – eine gemeinsame Implementierung wird daher empfohlen.