KI-Fehlerdiagnose bei Kranmotoren: Schwingungsspektralanalyse und intelligente Erkennung mittels 1D-CNN

Motoren von Laufkränen machen mehr als 30% der gesamten Maschinenausfälle aus – Lagerverschleiß, Rotorbrüche, Stator-Kurzschlüsse: Jede dieser Störungen wirkt sich unmittelbar auf die Produktion aus. In den meisten Fabriken lautet die Strategie zur Motorwartung nach wie vor ”Erst austauschen, wenn er kaputt ist”: Die Maschinen werden erst abgeschaltet, wenn der Motor Rauch entwickelt oder die Schutzvorrichtung anspricht. Die Verluste durch einen einzigen ungeplanten Produktionsstillstand belaufen sich auf mehrere Tausend bis zu mehreren Zehntausend.

Die Fehlerdiagnose mittels KI ist nichts Neues, doch früher stützte man sich hauptsächlich auf Expertensysteme (Regeln + Schwellenwerte), die eine hohe Fehlalarmquote aufwiesen und nur schlecht an neue Situationen angepasst werden konnten. In den letzten zwei Jahren haben sich 1D-CNNs (eindimensionale konvolutionelle neuronale Netze) bei der Analyse von Schwingungssignalen als überraschend effektiv erwiesen – Schwingungssensoren werden am Lagergehäuse des Motors angebracht, die erfassten Signale werden direkt in das Modell eingespeist, eine manuelle Merkmalsextraktion ist nicht erforderlich, und das Modell lernt die Fehlermuster selbstständig. Ein Motor wird mit zwei bis drei Sensoren ausgestattet, die Inferenz läuft auf einem Industriecomputer, und ein System verwaltet 10 bis 20 Motoren.

Dieser Artikel beschreibt eine Komplettlösung von der Sensorauswahl bis zur Modellimplementierung. Die Hardwarekosten belaufen sich auf 20.000 bis 60.000 (einschließlich Sensoren, Erfassungskarte und Industriecomputer); allein durch die Vermeidung ungeplanter Produktionsausfälle bei einem Motor lassen sich die Kosten bereits innerhalb eines Jahres amortisieren.

I. Systemarchitektur

Das KI-Diagnosesystem für Elektromotoren gliedert sich in vier Ebenen:

II. Auswahl und Einbau von Sensoren

Vibrationssensor:Empfohlen werden piezoelektrische Beschleunigungssensoren vom Typ IEPE mit einer Empfindlichkeit von 100 mV/g, einem Messbereich von ±50 g und einem Frequenzgang von 0,5 bis 10 kHz. Einbaustellen: Lagergehäuse auf der Antriebsseite (je 1 in radialer und axialer Richtung) sowie Lagergehäuse auf der Nicht-Antriebsseite (1 in radialer Richtung). Befestigung: entweder mit M6-Schrauben oder mit Magnethaltern – Magnethalter sind zwar praktisch, haben aber eine niedrige Obergrenze bei der Frequenz (ca. 2 kHz), während die Befestigung mit Schrauben bis 10 kHz möglich ist. Wir empfehlen die Befestigung mit Schrauben; dies dauert zwar 10 Minuten länger, sorgt aber für eine deutlich bessere Signalqualität im Hochfrequenzbereich.

Stromsensor:Stromzange, Genauigkeitsklasse 0,5; der Messbereich wird auf das 1,5-Fache des Nennstroms des Motors ausgelegt. Sie wird an der dreiphasigen Stromleitung installiert und dient zur Erfassung von Stromoberwellen, die durch einen Bruch im Rotor entstehen.

Wichtige Parameter des Sensors:

三、1D-CNN模型设计与训练

1D-CNN的核心优势是直接处理原始振动时域信号（1024点/帧），不需要做FFT或小波变换等人工特征提取。网络结构如下：

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)

训练数据集配置：正常工况+三类故障（轴承磨损、转子断条、定子短路），每类2000个样本（1024点/帧），按7:2:1划分训练/验证/测试集。训练超参数：batch=64，lr=0.001，epochs=100，优化器Adam。在RTX3060上训练约15分钟，测试集准确率96.8%。

# 推理代码
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: "正常", 1: "轴承磨损", 2: "转子断条", 3: "定子短路"}
print(f"诊断: {classes[pred]} (置信度: {confidence:.1%})")

四、故障模式与特征

五、工程实施要点

1. 采样率不是越高越好。 电机振动信号的有效信息集中在10kHz以下，采样率设25.6kHz足够了（满足奈奎斯特准则的2.56倍）。设高了数据量暴涨但模型准确率不升反降，因为高频噪声混进来了。

2. 安装位置决定数据质量。 传感器装在轴承座正上方和装在电机外壳侧面，信号幅值能差3~5倍。固定安装位置后不要随意移动，否则基线偏移导致误报。

3. 转速波动需要归一化。 天车电机是变频调速的，转速从100rpm到1500rpm变化。不同转速下同样的故障表现出来的振动频率不同。解决方案：每条样本做阶次分析（Order Tracking），把频谱从绝对频率映射到阶次域。

4. 不要只靠振动。 振动+电流联合诊断比单纯振动准确率高约5个百分点。比如转子断条在电流信号中的特征比振动信号更明显。推荐每台电机至少配1个电流传感器。

5. 定期回传数据更新模型。 建议每月将新采集的正常样本加入训练集做增量训练，让模型持续适应设备老化趋势。

结语

结合AI大模型运维助手的电机AI故障诊断投入产出比在天车所有智能化改造里是最高的。一台电机的传感器+采集成本不到3000元，但能提前1~3个月预报故障。我们在一个车间12台天车上跑了8个月，提前预报了4台电机的轴承故障，没有一次误报，没有一次漏报。

延伸阅读：天车减速机故障诊断技术——电机和减速机是天车传动系统的一体两面——电机AI故障诊断覆盖了驱动端的轴承\转子\定子故障，而减速机故障诊断则覆盖了齿轮啮合端。两者共用同一个工控机平台和传感器采集架构，推荐同时部署。

Häufig gestellte Fragen

问：天车电机故障诊断AI系统需要什么传感器？
答：需要振动加速度传感器（IEPE型，灵敏度100mV/g，量程±50g）和电流互感器（精度0.5级）。推荐每台电机安装2个振动传感器（驱动端+非驱动端轴承座）+1个电流传感器。一套3传感器配置约3000~5000元。

问：AI诊断和传统保护器有什么区别？
答：传统热继电器和电机保护器只能检测过流、过载、缺相——这些都是故障已经发生后的信号。AI诊断通过振动频谱分析可以在故障发生前1~3个月捕捉到早期特征。

问：1D-CNN和2D-CNN哪个效果好？
答：对于振动信号这种一维时序数据，1D-CNN更合适。它直接处理原始时域信号，模型更小（约50K参数），推理更快（<5ms/帧）。2D-CNN需要先将振动信号转为时频谱图，参数量大10倍但精度提升有限。