KI-Antischwingung, Bildverarbeitung & Predictive Maintenance

Im Bereich der Industriekrane hat die intelligente Transformation das Konzeptstadium hinter sich gelassen und die Phase der praktischen Umsetzung erreicht. Während andere noch darüber diskutieren, ob Systeme eingeführt werden sollen, hat Kelude Schwerindustrie mit sechs parallelen technologischen Ansätzen einen eigenen Wettbewerbsvorteil aufgebaut – von der auf bestärkendem Lernen basierenden Antischwingregelung über die Echtzeit-Objekterkennung mit visueller KI bis hin zur Fehlervorhersage durch das Predictive-Maintenance-System und der globalen Optimierung durch intelligente Disposition und Digitalen Zwilling. Dieser Artikel analysiert diese sechs Kerntechnologien im Detail und zeigt, wie sie zusammenwirken, um einen vollständigen Kreislauf von der Einzelsteuerung bis zur systemischen Intelligenz zu bilden.

Antischwingregelung mit bestärkendem Lernen

Die Pendeldämpfung von Kranlastaufnahmemitteln ist eines der anspruchsvollsten klassischen Probleme der industriellen Automatisierung. Herkömmliche Antischwingungslösungen basieren auf PID-Regelung oder Eingangsformung und funktionieren unter festen Betriebsbedingungen zufriedenstellend. Bei dynamischen Bedingungen wie variabler Seillänge, wechselnder Last oder äußeren Windkräften nimmt die Regelgenauigkeit jedoch deutlich ab. Das technische Team von Kelude Schwerindustrie hat einen anspruchsvolleren, aber leistungsfähigeren Weg gewählt: eine adaptive Antischwingregelung basierend auf bestärkendem Lernen (Reinforcement Learning, RL).

PPO-Algorithmus: Stabiler und effizienter Hauptregler

Unter den verschiedenen Algorithmen des bestärkenden Lernens wurde bevorzugt der Proximal Policy Optimization (PPO) als Hauptregler eingesetzt. PPO begrenzt die Schrittweite der Policy-Aktualisierung durch einen Clipping-Mechanismus und vermeidet so die bei herkömmlichen Policy-Gradienten-Methoden häufig auftretenden Trainingsinstabilitäten. Im Kontext der Kran-Antischwingung ist der Zustandsraum des PPO als sechsdimensionaler Vektor konzipiert: Seillänge, aktueller Pendelwinkel des Lastaufnahmemittels, Pendelwinkelgeschwindigkeit, Katzposition, Katzfahrgeschwindigkeit und Lastmasse. Der Aktionsraum ist der kontinuierliche Ausgabewert der Katzbeschleunigung, begrenzt auf einen Bereich von -2 m/s² bis 2 m/s².

Das Design der Belohnungsfunktion ist der Schlüssel zum gesamten System. Das Team von Kelude verwendet eine segmentierte, gewichtete Belohnungsstrategie: Die Hauptbelohnung ist der negative Wert des Quadrats des Pendelwinkels (fördert einen Pendelwinkel von null), während Nebenbelohnungen eine Strafe für den Katzpositionierungsfehler (für präzises Anfahren) und eine Strafe für den Ruck (zur Vermeidung von Stoßbelastungen der Mechanik durch abruptes Anfahren/Stoppen) umfassen. Nach etwa 2 Millionen Simulationsschritten erreichte die PPO-Strategie im Katzfahrgeschwindigkeitsbereich von 0,5 m/s bis 2,0 m/s eine Regelgenauigkeit mit einem Restpendelwinkel von <0,3°. Die Störfestigkeit wurde im Vergleich zu herkömmlichen Eingangsformungsmethoden um etwa 60 % verbessert.

Während des Trainings führte das Team von Kelude außerdem eine Curriculum-Learning-Strategie ein: Zuerst lernt der Agent die grundlegende Antischwingungsstrategie in einer einfachen Umgebung mit fester Seillänge und ohne Windstörung. Anschließend werden Störfaktoren wie Seillängenänderungen, zufällige Windfelder und Lastsprünge schrittweise hinzugefügt. Dieses progressive Trainingsverfahren reduziert die Wahrscheinlichkeit einer anfänglichen Trainingsdivergenz erheblich und verringert die für die Strategiekonvergenz benötigte Anzahl an Trainingsschritten um etwa 35 %. Darüber hinaus wurde eine vollständige Basislinie zur Strategiebewertung etabliert – alle 100.000 Trainingsschritte wird eine eingefrorene Bewertung durchgeführt, bei der Restpendelwinkel und Positionierungsabweichung in standardisierten Testszenarien erfasst werden, um eine Leistungsverschlechterung während der Modelliteration zu verhindern.

SAC-Algorithmus: Weiche Exploration für variable Betriebsbedingungen

PPO zeigt hervorragende Leistungen unter hochrepetitiven Bedingungen. Bei starken Änderungen der Betriebsbedingungen (z. B. dynamische Anpassung der Seillänge während des Betriebs, Lastsprünge über 30 %) ist die Explorationsfähigkeit von PPO jedoch etwas eingeschränkt. Aus diesem Grund hat das Team von Kelude den Soft Actor-Critic (SAC)-Algorithmus als ergänzende Strategie eingeführt. Der Kernvorteil von SAC liegt in seinem Maximum-Entropy-Framework – es maximiert gleichzeitig die kumulative Belohnung und die Entropie der Strategie, was den Agenten dazu zwingt, während des Trainings kontinuierlich neue Verhaltensweisen zu erkunden.

Nach der Einführung zufälliger Windfeldstörungen in der Simulationsumgebung konvergierte die SAC-Strategie etwa 40 % schneller als PPO. In Extremtests mit einem Lastsprung von 500 kg auf 2000 kg konnte der SAC-Regler den Restpendelwinkel weiterhin unter 0,5° halten. Bei der praktischen Implementierung verwendet Kelude einen PPO+SAC-Dualstrategie-Umschaltmechanismus: Im stationären Betrieb läuft der PPO-Regler für hohe Reaktionsgeschwindigkeit und Wiederholgenauigkeit; wenn Änderungen der Betriebsparameter einen vordefinierten Schwellenwert überschreiten, wird nahtlos auf den SAC-Regler umgeschaltet, um Unsicherheiten zu bewältigen. Die Online-Umschaltlatenz zwischen den beiden Strategien wird unter 50 ms gehalten und ist für das Bedienpersonal vollständig transparent.

Die technische Umsetzung des Dualstrategie-Umschaltmechanismus nutzt eine Architektur mit gemeinsamem Feature-Extraktor: PPO und SAC teilen sich denselben Zustands-Encoder und verzweigen nur in der Ausgabeschicht des Policy-Netzwerks. Dieses Design macht eine Neucodierung des Zustands beim Umschalten überflüssig und reduziert die Parameteranzahl um etwa 40 %. Die Reglersoftware läuft auf einer Beckhoff TwinCAT Soft-SPS und kommuniziert über das ADS-Protokoll mit den Servoantrieben. Die Regelzykluszeit beträgt 4 ms und erfüllt die Echtzeitanforderungen der Antischwingregelung bei hohen Krandrehzahlen. Das gesamte Antischwingungs-Steuerungssystem ist streng nach der Norm DIN 15018 – Krandimensionierungsnorm ausgelegt und erreicht einen engineering-gerechten Ausgleich zwischen Algorithmuspräzision und struktureller Sicherheitsmarge.

Visuelle KI zur Objekterkennung und Positionierung

In Kranarbeitsbereichen ist die präzise Positionierung von Zielobjekten eine Grundvoraussetzung für automatisiertes Be- und Entladen. LiDAR- und Encoder-basierte Lösungen haben Nachteile wie hohe Kosten, komplexe Wartung und Anfälligkeit für Staubstörungen. Kelude Schwerindustrie geht einen anderen Weg und hat ein KI-basiertes visuelles Positionierungssystem aufgebaut, dessen Kernkomponenten das YOLOv8-Objekterkennungsnetzwerk und die TensorRT-Inferenz-Engine sind.

YOLOv8: Multitasking-Visual-Engine von der Erkennung bis zur Segmentierung

YOLOv8, das Flaggschiff-Visionsmodell von Ultralytics, bietet eine optimale Balance zwischen Geschwindigkeit und Genauigkeit in der Objekterkennung. Das Team von Kelude hat YOLOv8n (Nano-Version, nur 3,2 M Parameter) gezielt angepasst: Im Backbone wurde ein Coordinate-Attention-Modul integriert, um die Wahrnehmung der räumlichen Beziehung zwischen Lastaufnahmemittel und Zielregal zu verbessern. In der Neck-Schicht wurde ein bidirektionales Feature-Pyramid-Network (BiFPN) hinzugefügt, um die Effizienz der mehrskaligen Feature-Fusion zu steigern.

Der Trainingsdatensatz stammt von 8 Industriekameras im eigenen intelligenten Werk von Kelude. Es wurden über 120.000 annotierte Bilder gesammelt, die verschiedene Lichtverhältnisse (Morgen-/Abenddämmerung, Mittagssonne, bewölkt), Wetterbedingungen (Regen/Nebel, Staub) und Lastaufnahmemittel-Winkel (0° bis 60°) abdecken. Nach Datenaugmentierung (Mosaic, MixUp, Random Erasing) und verteiltem Training über 150 Epochen erreichte das Modell eine mAP@0.5 von 97,3 % auf dem Testsatz. Die Inferenzgeschwindigkeit auf der NVIDIA Jetson Orin NX Plattform beträgt 62 FPS.

Bemerkenswert ist, dass das Team von Kelude beim Annotieren eine halbautomatische Strategie verwendete: Ein vortrainiertes YOLOv8m-Modell führte eine Vorprüfung der Rohbilder durch und generierte Kandidatenboxen, die anschließend von Annotatoren korrigiert und verfeinert wurden. Im Vergleich zur rein manuellen Annotation von Grund auf steigerte diese Strategie die Annotationseffizienz um etwa das Fünffache. Der Gesamtaufwand für 120.000 annotierte Bilder wurde von geschätzten 2.400 Personenstunden auf etwa 500 Personenstunden reduziert. Das Team implementierte außerdem einen Active-Learning-Zyklus: Nach jeder Modelliteration werden automatisch unsichere Stichproben mit einer Inferenzkonfidenz zwischen 0,4 und 0,6 gefiltert und priorisiert zur Bearbeitung an die Annotatoren übergeben. Diese Strategie, bei der das Modell die zu lernenden Stichproben selbst auswählt, erzielte mit maximal 30 % zusätzlichem Annotationsaufwand eine Genauigkeitssteigerung von über 5 %.

TensorRT-Bereitstellung: Echtzeit-Inferenz auf dem Edge-Gerät

Die Bereitstellung des YOLOv8-Modells auf Edge-Computing-Geräten im industriellen Einsatz steht vor einem grundlegenden Konflikt: Höhere Modellgenauigkeit führt zu höherer Inferenzlatenz. Das Team von Kelude hat dieses Problem mit dem NVIDIA TensorRT-Inferenzoptimierungs-Framework gelöst. Die Maßnahmen umfassen: FP16-Quantisierung, die das Modellgewicht von 32-Bit-Gleitkomma auf 16-Bit-Gleitkomma reduziert und die Inferenzgeschwindigkeit um etwa das 1,8-fache erhöht; Layer-Fusion, die benachbarte Faltungsschichten, Batch-Normalisierungsschichten und Aktivierungsfunktionen zu einem einzigen Kernel zusammenfasst; und Dynamic-Shape-Inference, die eine adaptive Umschaltung der Eingabeauflösung zwischen 640×480 und 1280×720 unterstützt.

Nach der TensorRT-Optimierung sank die Inferenzlatenz des YOLOv8n-Modells auf dem Jetson Orin NX von ursprünglich 23 ms auf 7 ms, bei einer Leistungsaufnahme von unter 15 W. Dies bedeutet, dass das System bei einer Kamera-Eingabe mit 60 FPS über ausreichende Rechenreserven für die Objektverfolgung (ByteTrack-Algorithmus) und die räumliche Koordinatenberechnung über aufeinanderfolgende Frames verfügt. An einigen Arbeitsplätzen mit hohen Präzisionsanforderungen setzt Kelude außerdem YOLOv8s (Small-Version, 11,2 M Parameter) ein. In Kombination mit TensorRT-INT8-Quantisierung wird eine Erkennungsgenauigkeit von 98,1 % bei 45 FPS erreicht, speziell für Aufgaben wie die Erkennung von Container-Verriegelungslöchern mit Millimeter-Präzision.

Die Kalibrierung und Wartung des Bildverarbeitungssystems wurde ebenfalls ingenieurtechnisch durchdacht. Vor Auslieferung wird bei jeder Kran-Visionsmodul die intrinsische Kalibrierung (Kameramatrix und Verzerrungskoeffizienten) durchgeführt. Nach der Montage erfolgt die Hand-Auge-Kalibrierung (Transformationsmatrix zwischen Kamera-Koordinatensystem und Kran-Basissystem) mithilfe eines Schachbrettmusters. Nach der Inbetriebnahme führt das System stündlich automatisch einen Selbsttest durch: Das Lastaufnahmemittel wird an eine vordefinierte Kalibrierposition gefahren und mit virtuellen Kalibrierpunkten im Digitalen Zwilling verglichen. Bei einer Abweichung von mehr als 5 Pixeln wird automatisch eine Rekalibrierung ausgelöst. Dieser Selbsttestmechanismus adressiert auf architektonischer Ebene den langjährigen Wartungsschwachpunkt der „Kalibrierdrift" industrieller Bildverarbeitungssysteme.

Predictive-Maintenance-System

Ungeplante Stillstände von Kranen sind ein Kostentreiber in der Fertigungsindustrie – ein einstündiger Produktionsausfall eines 50-Tonnen-Brückenkrans aufgrund eines kritischen Bauteilfehlers kann Gesamtverluste in fünfstelliger Euro-Höhe verursachen. Das Predictive-Maintenance-System (PdM) von Kelude Schwerindustrie nutzt eine kombinierte neuronale Netzarchitektur aus 1D-CNN und LSTM, um Frühwarnzeichen für Fehler aus multidimensionalen Sensordaten wie Vibration, Temperatur und Strom zu identifizieren.

1D-CNN: Lokale Merkmalsextraktion aus Vibrationssignalen

Vibrationssignale von Industrieanlagen sind im Wesentlichen Zeitreihendaten mit komplexem Frequenzgehalt. Das Team von Kelude hat ein 1D-faltendes neuronales Netz (1D-CNN) als primären Merkmalsextraktor für Vibrationssignale gewählt. Im Gegensatz zur Verarbeitung von Spektrogrammen durch 2D-CNNs gleitet das 1D-CNN direkt mit dem Faltungskern über die rohen Beschleunigungs-Zeitreihendaten und bewahrt so die zeitliche Phaseninformation des Signals. Jedes Sensorsignal (Kanalzahl = 3, entsprechend den X/Y/Z-Achsen) wird nach drei 1D-Faltungsschichten mit Max-Pooling in einen 128-dimensionalen hochrangigen Merkmalsvektor überführt.

Bei der Lagerschaden-Erkennung im Hubwerk von Kranen erreichte das 1D-CNN-Modell eine Klassifikationsgenauigkeit von 94,7 % auf einem Testsatz, der die vier Zustände Normal, Innenringverschleiß, Außenringpitting und Wälzkörperriss umfasst. Entscheidend ist, dass die Erkennungsrate des Modells für Außenringpitting etwa 72 Stunden vor dem tatsächlichen Fehler signifikant anzusteigen beginnt – dies bedeutet, dass das Bedienpersonal ein volles Drei-Tage-Fenster für die Planung einer vorbeugenden Wartung hat, anstatt passiv auf einen Ausfall zu warten.

Die Sensorik wurde ebenso sorgfältig konzipiert: Schwingungssensoren sind an sechs kritischen Messpunkten montiert – an den Lagergehäusen der Antriebs- und Abtriebsseite des Hubmotors, an den Lagergehäusen der Getriebeein- und -abtriebswelle sowie am Trommellagergehäuse. Temperatursensoren sind in die Wicklungen und Lagergehäuse integriert, Stromsensoren liegen an den drei Phasenleitungen des Motors an. Alle Sensordaten werden über ein IoT-Gateway auf Werkstattebene gebündelt und per Modbus-TCP-Protokoll an den Edge-Server übertragen. Die Abtaststrategie arbeitet mit adaptiver Frequenz: Im stationären Betrieb wird alle 10 Minuten ein 5-Sekunden-Fenster bei 12.800 Hz erfasst; überschreitet die Schwingungsenergie das 1,5-fache der Basislinie, erfolgt automatisch die Umschaltung in den kontinuierlichen Erfassungsmodus.

LSTM: Trendprognose durch zeitliche Sequenzmodellierung

1D-CNN eignet sich hervorragend zur Extraktion lokaler Merkmale, stößt jedoch bei der Modellierung langfristiger zeitlicher Abhängigkeiten an Grenzen. Das Kelude-Team hat daher nach der Ausgabeschicht des 1D-CNN ein zweischichtiges LSTM-Modul (Long Short-Term Memory) geschaltet, um Entwicklungstrends der Sensordaten über Zeiträume von Stunden bis Tagen zu erfassen. Die Dimension der LSTM-verborgenen Schicht beträgt 256, Overfitting wird durch Dropout (Rate 0,3) entgegengewirkt.

Die implementierte Hybridarchitektur (1D-CNN + LSTM) erreicht bei der Restnutzungsdauer-Prognose der Hubmotorlager einen mittleren absoluten Fehler (MAE) von 12,4 Stunden – die Prognoseabweichung liegt also innerhalb eines halben Tages. Diese Genauigkeit unterstützt eine Instandhaltungsstrategie, die einen Austausch einen Tag im Voraus plant, und reduziert ungeplante Stillstandszeiten um 76 %.

Das System integriert zudem einen Self-Attention-Mechanismus, der dem Modell ermöglicht, bei der Vorhersage automatisch jene Sensorkanäle zu gewichten, die für den aktuellen Zustand am relevantesten sind. Beispielsweise werden bei beginnendem Verschleiß im Getriebe – erkennbar an den Seitenbändern der charakteristischen Verzahnungsfrequenz – die Aufmerksamkeitsgewichte automatisch auf die entsprechenden Beschleunigungs- und Schallemissionssensoren gelenkt, was die Erklärbarkeit des Modells und das Vertrauen des Bedienpersonals erhöht.

Die Ergebnisse des Predictive-Maintenance-Systems werden über eine mobile App und Werkstatt-Displays in Echtzeit an das Instandhaltungsteam übermittelt. Das System verwendet eine dreistufige Warnskala: Grün (normal, Restlebensdauer > 72 Stunden), Gelb (Beobachtung, Restlebensdauer 24–72 Stunden, planmäßige Inspektion empfohlen), Rot (Alarm, Restlebensdauer < 24 Stunden, sofortiger Austausch erforderlich). Instandhaltungsaufträge sind direkt an das ERP-System angebunden; bei Alarm werden automatisch Ersatzteilbedarfsmeldungen und Wartungsaufträge generiert. Seit der Einführung konnte Kelude die Lagerumschlagshäufigkeit im eigenen Werk um 28 % steigern und die Anzahl der Notfallbeschaffungen um 63 % senken. Wartungsintervalle und Prüfabläufe folgen der Norm DIN FEM 1.001 – Krane – Wartung, um die nahtlose Integration der prädiktiven Instandhaltungsstrategie in die Branchenpraxis sicherzustellen.

Intelligente Einsatzoptimierung

Bei koordiniertem Betrieb mehrerer Krane in derselben Werkstatt wird die Disposition exponentiell komplex – Bahnkonflikte, ungleichmäßige Aufgabenzuweisung und Effizienzverluste durch Not-Halt-Wartezeiten zählen zu den häufigsten Problemen im laufenden Betrieb. Das intelligente Dispositionssystem von Kelude Schwerindustrie kombiniert Genetische Algorithmen (GA) mit Deep-Q-Networks (DQN) und findet damit einen praxistauglichen Kompromiss zwischen klassischer Optimierung und Deep Learning.

Genetischer Algorithmus: Offline-Optimierung der globalen Bahnplanung

Der Genetische Algorithmus ist eine heuristische Suchmethode, die natürliche Evolutionsprozesse nachbildet und sich besonders für großskalige kombinatorische Optimierungsprobleme eignet. Im Kran-Dispositionskontext kodiert ein „Chromosom" eine vollständige Aufgabenfolge samt Bahnzuordnung; die Fitnessfunktion berücksichtigt die drei Kennwerte Gesamtbearbeitungszeit (Makespan), Gesamtenergieverbrauch und Anzahl der Bahnkonflikte. Das Kelude-Team hat adaptive Kreuzungs- und Mutationsraten implementiert: Sinkt die Diversität der Population, wird die Mutationsrate automatisch erhöht, um lokale Optima zu verlassen; stabilisiert sich die beste Lösung, wird sie gesenkt, um die Suche zu verfeinern.

In Simulationstests mit 8 Kränen und 120 Aufgaben verkürzte der GA-optimierte Plan die durchschnittliche Gesamtbearbeitungszeit um 22 % und senkte den Energieverbrauch um 18 % gegenüber manueller Schichtplanung; Bahnkonflikte traten nicht mehr auf. Die Offline-Berechnungszeit des GA beträgt rund 47 Sekunden – für einen Planungshorizont von Stunden völlig akzeptabel.

Bei der technischen Umsetzung integriert der GA-Ansatz auch ein physikalisches Randbedingungsmodell der Werkstatt: die verfügbaren Arbeitsbereiche jedes Krans (nicht überfahrbare Hindernisse, Sperrzonen für Wartungsbereiche), die Materialpufferkapazität der einzelnen Stationen sowie Prioritätsgewichte der Aufgabentypen. Das Randbedingungsmodell ist als YAML-Konfigurationsdatei unabhängig vom Algorithmuscode hinterlegt; bei Änderungen des Werkstattlayouts genügt eine Anpassung der Konfigurationsdatei ohne Neuübersetzung des Algorithmus – ein wesentlicher Vorteil für die Anpassungsfähigkeit bei Produktionsumstellungen.

DQN: Echtzeit-Disposition als Online-Intelligenz

Der offline optimierte GA-Ansatz liefert eine global optimale Aufgabenverteilung – doch bei unvorhergesehenen Ereignissen wie Störungsabschaltung eines Krans, kurzfristigen Zusatzaufträgen oder Personalausfällen kann der ursprüngliche Plan schlagartig wertlos werden. Das Kelude-Team hat daher ein Online-Rescheduling-Modul auf Basis eines Deep-Q-Networks entwickelt. Der DQN-Zustandsraum umfasst: Position und Status jedes Krans (Leerlauf / in Arbeit / Störung), aktuellen Fortschritt jeder Aufgabe sowie einen quantifizierten Indikator der Werkstattauslastung. Der Aktionsraum besteht aus der diskreten Entscheidung, eine anstehende Aufgabe einem freien Kran zuzuweisen.

Nach etwa 500.000 Schritten Q-Learning-Training verkürzt sich die Rescheduling-Latenz bei Störungsereignissen auf unter 0,8 Sekunden – deutlich schneller als die minutenlange Reaktionszeit manueller Eingriffe. In Belastungstests mit Störungen und Zusatzaufträgen reduziert die DQN-Rescheduling-Strategie die Verzögerungsverluste gegenüber manuellen Notfallmaßnahmen um durchschnittlich 23 %. Die Kombination aus GA und DQN realisiert eine zweistufige Dispositionsstrategie – „offline globale Optimierung plus online Echtzeitanpassung" – die sowohl das Gesamtoptimum sichert als auch Flexibilität gegenüber Unsicherheiten bietet.

Nach der Einführung führte das Kelude-Team zusätzlich ein auf bestärkendem Lernen basierendes Auswertungs-Dashboard ein, das die Dispositionsleistung jeder Schicht quantitativ darstellt: geplante Fertigstellungszeiten aus der GA-Planung, tatsächliche Abweichungen der DQN-Ausführung sowie Häufigkeit und Ursachen manueller Eingriffe. Betriebsleiter können die Dispositionsparameter auf dieser Grundlage kontinuierlich nachjustieren. Nach dreimonatiger Optimierungsiteration stieg die Gesamteffizienz der Werkstattdisposition gegenüber manueller Planung um 31 %; die durchschnittliche Aufgabenwartezeit sank von 12 auf 4,5 Minuten.

Digitaler Zwilling als Steuerungsplattform

Der Digitale Zwilling ist die zentrale Infrastruktur, die physische und digitale Welt verbindet. Die Digital-Twin-Plattform von Kelude Schwerindustrie ist kein reines 3D-Visualisierungswerkzeug, sondern ein geschlossenes System aus Echtzeitdatenerfassung, physikalischer Simulationsengine und KI-basierter Entscheidungsrückkopplung.

Auf der Datenerfassungsebene ist jeder Kran – vom großen Brückenkran bis zum flexiblen modularen KBK-Kransystem – mit rund 40 Sensorknoten ausgestattet: Motor-Encoder (Position und Geschwindigkeit), sechsachsige Trägheitsmesseinheit (Orientierung und Vibration), Temperatursensoren (Lager und Wicklungen), Strommesszangen (Last und Leistungsaufnahme) sowie visuelle Kameras (Umgebungserfassung). Die Sensordaten werden mit 100 Hz über das 5G-Werkstattnetz an Edge-Server übertragen und über MQTT in der Datenplattform des Systems zusammengeführt.

Die Simulationsengine basiert auf den industriellen Erweiterungsmöglichkeiten von Unity und kombiniert diskrete Ereignissimulation (DES) mit kontinuierlicher physikbasierter Simulation. Die Physik-Engine nutzt NVIDIA PhysX und modelliert die Dynamik der drei Hauptmechanismen Heben, Fahren und Drehen in Echtzeit. Im digitalen Zwilling bleibt das Pendelverhalten des virtuellen Lastaufnahmemittels mit dem physischen synchron; Fehlerquellen werden transparent gemacht – mechanische Spiele, elastische Verformungen und Sensorrauschen lassen sich unabhängig überlagern und bieten damit eine kontrollierbare Simulationsumgebung für die Algorithmusentwicklung.

Die Digital-Twin-Plattform ist eng mit den fünf zuvor genannten Technologien verzahnt: Die Trainingsumgebung des auf bestärkendem Lernen basierenden Antischwingreglers greift direkt auf die Physik-Engine des Zwillings zu; die annotierten Daten der visuellen KI werden durch automatische Annotation im Zwillingsraum angereichert (Synthetic Data Augmentation); auch Fehlerszenarien für die prädiktive Wartung werden im Zwillingsraum generiert – etwa Sensorantwortkurven bei Innenringrissen oder Zahnbruch – wodurch die Abhängigkeit von realen Fehlerdaten erheblich reduziert wird.

Auf der Betriebsseite übernimmt die Plattform zugleich die Funktion eines „intelligenten Großbildschirms". Führungskräfte können den gesamten Werkstattbetrieb in einer 3D-Ansicht überwachen: Aufgabenfortschritt jedes Krans, prognostizierte Restwartungszeit, Energieverbrauchs-Heatmaps, Staupunktbereiche sowie KI-generierte Optimierungsempfehlungen. Das System läuft seit 18 Monaten im Probebetrieb im eigenen Werk von Kelude und hat die Gesamtanlageneffektivität (OEE) um 14 % gesteigert.

Eine weitere Kernfunktion der Plattform sind die Modi „Replay" und „Vorschau". Der Replay-Modus erlaubt die Auswahl beliebiger historischer Zeiträume und die Wiedergabe aller Kranbewegungen und Bedienereignisse – für Unfallanalyse und Effizienzüberprüfung. Der Vorschau-Modus unterstützt What-if-Analysen: Führungskräfte können hypothetische Szenarien im Zwillingsraum anlegen (z. B. zusätzlicher Kran, geändertes Werkstattlayout, veränderte Aufgabenstrategie); die Simulation liefert anschließend eine Vergleichsanalyse zentraler Kennwerte wie Produktionskapazität, Energieverbrauch und Staupotenzial als quantitative Entscheidungsgrundlage.

Forschung und Entwicklung als Fundament

Dass die sechs Kerntechnologien in der Praxis ankommen und nicht im Papierstadium verharren, ist einer vollständigen F&E-Infrastruktur zu verdanken. Das technische Team von Kelude Schwerindustrie vereint Kompetenzen in Algorithmik, Embedded-Entwicklung, Maschinenbau und industrieller Software und arbeitet nach der Methodik „Simulation zuerst, Szenario-Validierung, iterative Schritte".

Der typische Entwicklungszyklus eines neuen Algorithmus: In der ersten Woche wird die Simulationsumgebung im Digitalen Zwilling aufgebaut und eine Basislinie mit dem konventionellen Ansatz erstellt; in den Wochen zwei bis vier folgen Algorithmusiteration und Parameteroptimierung; in Woche fünf wird der Algorithmus auf dem Prüfstand im Labor in kleinem Maßstab validiert; die Wochen sechs bis acht dienen dem Feldversuch im Werk. Jede Phase hat klare Bestehens-/Nichtbestehenskriterien – nicht qualifizierte Algorithmen gelangen nicht in die nächste Stufe, was Stabilität ab dem ersten Einsatz gewährleistet. Die Konstruktion und Verifikation sicherheitsbezogener Teile der Steuerungssysteme folgt der Norm ISO 13849-1:2023 – Sicherheit von Maschinen – Sicherheitsbezogene Teile von Steuerungen und verwendet die Festigkeitsklassen-Methode (PL) zur quantitativen Einstufung der Sicherheitsfunktionen.

Darüber hinaus unterhält Kelude gemeinsame Labore mit den Fakultäten für Automatisierung und Informatik dreier inländischer Hochschulen, um an grundlegenden algorithmischen Fragestellungen zu forschen. Bislang wurden im Bereich intelligenter Kransteuerungssysteme 47 Patente angemeldet bzw. erteilt, darunter 22 Erfindungspatente, die sich auf die vier Technologiecluster Antischwingungs-Steuerungsalgorithmus, visuelle Positionierung, Fehlerdiagnosemodell und Dispositionsoptimierung verteilen.

Im Bereich der Verwaltung von Code- und Algorithmus-Assets hat Kelude ein einheitliches KI-Algorithmus-Repository (Model Registry) etabliert. Alle trainierten Modelle werden mit standardisierten Bewertungsberichten (einschließlich Metadaten wie Genauigkeit, Latenz, Stromverbrauch und Trainingsdatenumfang) eingepflegt und erst nach Freigabe durch ein Prüfgremium vor Ort eingesetzt. Dieser Prozess gewährleistet die Qualitätssicherung zwischen Algorithmusentwicklung und operativer Bereitstellung – jedes in der Praxis laufende Modell lässt sich bis zu seinem vollständigen Trainingsprotokoll und den Bewertungsdaten im digitalen Zwilling zurückverfolgen. Die funktionale Sicherheitsarchitektur der Plattform folgt der Norm IEC 61508 – Funktionale Sicherheit sicherheitsbezogener elektrischer/elektronischer/programmierbarer elektronischer Systeme und deckt den gesamten Sicherheitslebenszyklus von der Datenerfassung über Sensoren bis zur Ausführung von Steuerbefehlen ab.

Von traditionellen manuell betriebenen Geräten – wie dem LXS-Hand-Einträgerkran – bis hin zu heutigen intelligenten, automatisierten Systemen hat Kelude Schwerindustrie den technologischen Wandel der gesamten Kranbranche miterlebt und vorangetrieben. Zurück zur Eingangsfrage: Was genau ist der technologische Burggraben von Kelude? Es ist nicht die Überlegenheit eines einzelnen Algorithmus, sondern die systemische Fähigkeit, dass sechs Technologien sich gegenseitig verstärken und synergetisch zusammenwirken. Ohne die Simulationsumgebung des digitalen Zwillings wäre die Trainingseffizienz des bestärkenden Lernens erheblich beeinträchtigt; ohne die hochpräzise Positionierung der visuellen KI wäre die Ausführungsgenauigkeit der Einsatzoptimierung nicht gewährleistet; ohne die Gerätezustandsdaten der prädiktiven Wartung wären die Simulationsgrenzen des digitalen Zwillings stark verzerrt. Diese sechs Kernkompetenzen bilden ein sich gegenseitig verstärkendes technologisches Netzwerk – genau das macht Kelude am schwersten kopierbar.

Traditioneller Ansatz vs. KI-Lösung: Technischer Vergleich im Überblick

Im Folgenden werden die wesentlichen Unterschiede zwischen konventionellen Ingenieurslösungen und der Kelude-KI-Lösung anhand von fünf zentralen Technologiedimensionen gegenübergestellt, um die Leistungssteigerung durch den technologischen Sprung anschaulich zu machen.

Diese Gegenüberstellung verdeutlicht: Während konventionelle Lösungen unter einer einzigen festen Betriebsbedingung noch akzeptabel funktionieren, erzielt der KI-Ansatz von Kelude angesichts der Dynamik, Unsicherheit und mehrfachen Zielkonflikte in industriellen Umgebungen einen Generationssprung in den vier Dimensionen Präzision, Robustheit, Kosten und Effizienz. Durch die systematische Integration dieser KI-Fähigkeiten schließt Kelude den technologischen Kreislauf vom modularen Kran bis hin zum intelligenten Gesamtsystem.

Häufige Fragen (FAQ)