Krantwicklung von der Simulation zur Serienfertigung

In der Kranherstellung wird der Begriff „Entwicklungskompetenz“ oft fälschlich auf „Konstruktionskompetenz“ reduziert – eine ansprechende Zeichnung, eine raffinierte Strukturberechnung. Doch wer den gesamten Prozess vom Labor bis zum Kundeneinsatz kennt, weiß: Zwischen Simulationsvalidierung und Serienproduktion, zwischen einem einzelnen intelligenten Kran und einem koordinierten Verbund klafft eine gewaltige Engineering-Lücke. Eine Technologie in ein „lauffähiges Produkt“ zu verwandeln und dieses dann in hundertfacher Ausführung stabil zu produzieren, sind zwei grundlegend verschiedene Fähigkeiten.

Die Investitionen von Kelude Schwerindustrie in die technologische Entwicklung der letzten Jahre sind beachtlich – ein F&E-Anteil von über 8 % des Jahresumsatzes, 52 erteilte Patente, ein 87-köpfiges Entwicklungsteam. Doch wichtiger als diese Zahlen ist die Frage, wie das Unternehmen Technologien aus der Simulationsumgebung in die Produktion überführt und wie es einzelne intelligente Krane zu einem koordinierten Arbeitsnetzwerk verknüpft. Dieser Artikel analysiert die technische Praxis von Kelude Schwerindustrie entlang dieser beiden Hauptlinien – aus der Perspektive der „Engineering-Umsetzung“.

Von der Simulation zur Serie: Eine durchgängige Engineering-Kette

Gekoppelte Simulation: Tausend Durchläufe in der digitalen Welt

Die gekoppelte Simulation mit der Mehrkörperdynamik-Software Adams und MATLAB/Simulink ist das wichtigste vorgelagerte Verifikationswerkzeug im Entwicklungsprozess von Kelude Schwerindustrie. Im traditionellen Ansatz beginnt die Inbetriebnahme des Steuerungssystems erst nach Fertigstellung des Prototyps – Mechanik montiert, Elektroschrank verdrahtet, Frequenzumrichter konfiguriert, erst dann programmiert der Software-Ingenieur die SPS und stimmt PID-Parameter ab. Werden dabei mechanische Änderungen erforderlich, sind die Kosten erheblich.

Das Vorgehen des Kelude-Entwicklungsteams: Bereits in der Konstruktionsphase wird ein Mehrkörpermodell des Krans in Adams aufgebaut – Hauptträger, Kopfträger, Laufkatze, Last, Drahtseil – mit 16 Freiheitsgraden, als Hybridmodell aus flexiblen (Drahtseil) und starren (Metallkonstruktion) Körpern. Das Modell wird in die Simulink-Umgebung exportiert und mit dem zu entwickelnden Steueralgorithmus (RL-Pendeldämpfungsstrategie, Geschwindigkeitsplanung, Sicherheitsschutzlogik) in einer geschlossenen Schleife simuliert. Ein typisches Szenario umfasst: Beschleunigen der Laufkatze von Punkt A nach B, synchrones Heben/Senken des Hubwerks, Verifikation der Positioniergenauigkeit bei pendelnder Last. Diese Simulationen laufen bereits tausendfach, bevor der physische Prototyp existiert.

Der praktische Nutzen: Zwischen 2024 und 2025 identifizierte das Kelude-Team durch gekoppelte Simulation zwölf mechanisch-regelungstechnische Kopplungsprobleme, darunter die Drehmomentsättigung des Fahrmotors einer Brückenkran-Baureihe unter Volllast und hoher Geschwindigkeit sowie die Verstärkung einer Schwingung zweiter Ordnung bei einem Portalkran bei bestimmten Seillängen-Lastkombinationen. Wären diese Probleme erst in der Prototypenphase entdeckt worden, hätten einzelne Strukturänderungen durchschnittlich 80.000 bis 150.000 EUR gekostet und zu Verzögerungen von zwei bis vier Wochen geführt. Die gekoppelte Simulation eliminierte diese Probleme vollständig in der Designphase und verkürzte die Inbetriebnahmezeit der Steuerung in der Prototypenphase von durchschnittlich vier Wochen auf 1,5 Wochen.

HIL-Simulation: Ein „Ganzkörper-Check“ für die Steuerung

Die gekoppelte Simulation löst das Problem der Abstimmung zwischen Steueralgorithmus und mechanischem Modell, aber die eigentliche Steuerungshardware – SPS, Motion-Controller, Frequenzumrichter – bleibt ungeprüft. Firmware-Fehler in der Steuerung, Kompatibilitätsdefizite im Kommunikationsprotokoll, Timing-Probleme der EA-Module – all das zeigt sich in der reinen Software-Simulation nicht. Die dSPACE SCALEXIO HIL-Plattform von Kelude Schwerindustrie wurde genau für diesen Zweck aufgebaut.

Der HIL-Testablauf: Die reale Kransteuerung (z. B. Siemens S7-1500 SPS + Servoantrieb) wird an das HIL-System angeschlossen. Dieses simuliert in Echtzeit alle peripheren physikalischen Größen wie Gegenelektromotorische Kraft des Motors, Encoder-Impulse, Laständerungen und Sensorsignale. Die Steuerung „glaubt“, tatsächlich auf einem Kran zu laufen. Die HIL-Plattform kann innerhalb einer Sekunde 36 verschiedene Fehlertypen injizieren – Sensorkabelbruch, Kommunikationsausfall, Stromversorgungsschwankungen, Encoder-Impulsverlust – und testet das Verhalten der Steuerung unter jeder anomalen Bedingung gegen die Konstruktionsanforderungen.

Bis Juni 2026 führte Kelude Schwerindustrie auf der HIL-Plattform über 25.000 automatisierte Testfälle aus, die alle Betriebsphasen des elektrischen Systems abdecken. Die Prüfungen erfolgten gemäß den einschlägigen Normen ISO 4306 (Leistungsanforderungen an Steuerungssysteme) und ISO 4306 (Prüfverfahren für Bremsen). Ein zentrales Ergebnis: Durch HIL-Tests wurde eine Verzögerung im Überstromschutz des Frequenzumrichters bei bestimmten Lastwechseln entdeckt. Dieses Problem trat in der reinen Software-Simulation nie auf, hätte aber vor Ort zu Schäden am Frequenzumrichter und Stillstand führen können. Die HIL-Plattform erfasst solche Probleme, die „nur mit realer Hardware“ sichtbar werden, frühzeitig und verkürzte die Inbetriebnahmezeit des elektrischen Systems vor Ort um über 60 %.

Vom Prototyp zur Serie: Systematische Prozessqualifizierung und Qualitätsabsicherung

Simulation und Labortests beantworten die Frage „Funktioniert es?“, der Übergang vom Prototyp zur Serie hingegen die Frage „Kann es konsistent, effizient und kostengünstig produziert werden?“. Kelude Schwerindustrie hat auf diesem Weg zwei kritische „Qualitätstore“ etabliert.

Erstes Tor: Gesamtmaschinenprüfung auf Zuverlässigkeit. Vor der Freigabe eines neuen Modells wird gemäß ISO 4306 (Prüfspezifikation und -verfahren für Krane) auf dem Gesamtprüfstand eine kontinuierliche Zuverlässigkeitsprüfung von mindestens 500 Stunden durchgeführt. Tritt während dieser Prüfung ein Konstruktionsfehler auf (selbst ein gelockerter Schraube), wird der gesamte Kran zur Korrekturmaßnahme zurückgewiesen und die 500-Stunden-Zählung beginnt von vorn. Beispiel: Bei einem 50-t-Brückenkran im Jahr 2025 wurde in der ersten Prüfrunde bei Stunde 327 ein ungewöhnliches Geräusch im Hubgetriebe festgestellt. Die Demontage ergab eine zu geringe Zahnflankenspiel, die zu einer Übertemperatur führte. Das Team optimierte die Verzahnungstoleranz und den Montageprozess; die zweite Prüfrunde wurde nach 512 Stunden erfolgreich abgeschlossen. Diese „Null-Toleranz“-Politik stellt sicher, dass die MTBF marktgängiger Produkte über 5.000 Stunden liegt.

Zweites Tor: Nullserie und Prozessfixierung. Neue Modelle, die die Zuverlässigkeitsprüfung bestanden haben, gehen in eine Nullserie von typischerweise 5–8 Einheiten, die alle Fertigungsschritte abdeckt – vom Zuschnitt über Schweißen und Zerspanung bis zur Montage und Inbetriebnahme. Das Hauptziel der Nullserie ist nicht die Produktherstellung, sondern die Prozessentwicklung: Jeder Schweißparameter, jedes Schraubendrehmoment, jede Kabelführung wird verifiziert und dokumentiert, um Standardarbeitsanweisungen (SOP) zu erstellen. Erst wenn die Erstprüfungs-Erfolgsquote der Nullserie über 98 % liegt und mindestens drei aufeinanderfolgende Einheiten fehlerfrei sind, wird die Serienfertigung freigegeben. 2025 erreichten zwei neue Modelle von Kelude Schwerindustrie (QY50t Brückenkran und MG32t Portalkran) durch diesen Prozess das Ziel „Freigabe, Serienanlauf und Auslieferung im selben Jahr“.

Vom Einzelgerät zum Verbund: Das Gehirn und das neuronale Netz jedes Krans

Während die perfekte Engineering-Überführung die „harte Kompetenz“ von Kelude Schwerindustrie darstellt, ist der Sprung vom einzelnen intelligenten Kran zum koordinierten Verbund seine „weiche Kompetenz“ – erstere bestimmt, ob ein Kran zuverlässig arbeitet, letztere, ob mehrere Krane effizient zusammenarbeiten.

Edge-AI-Controller: Ein „lokales Gehirn“ für jeden Kran

Traditionelle Kransteuerungen bestehen aus einer SPS, mehreren Frequenzumrichtern und Sensoren. Die SPS führt den Kontaktplan (KOP) aus, die Frequenzumrichter treiben die Motoren. Diese Architektur funktioniert für Einzelgeräte, stößt aber an zwei Grenzen: Erstens reicht die Rechenleistung der SPS nicht für komplexe Steueralgorithmen – Aufgaben wie RL-Pendeldämpfungs-Inferenz, Spektrumanalyse von Vibrationssignalen oder Echtzeit-Anomalieerkennung erfordern Gleitkomma- und Matrixoperationen, die eine SPS nicht bewältigen kann. Zweitens ist die Abhängigkeit von der übergeordneten Steuerung zu hoch – bricht die Kommunikation ab, degeneriert der Kran zu einer „nackten Maschine“, die nur noch grundlegende Hub- und Fahrbewegungen ausführen kann.

Der von Kelude Schwerindustrie entwickelte Edge-AI-Controller ist die systematische Antwort auf diese Probleme. Die Hardware basiert auf einem ARM Cortex-A72 Quad-Core-Prozessor (2,0 GHz) mit einer NPU (4 TOPS), behält aber die volle SPS-I/O-Funktionalität und die industriellen Kommunikationsprotokolle (Profinet, EtherCAT, Modbus TCP/IP). Auf der Software-Ebene laufen auf dem Echtzeit-Betriebssystem drei Schlüsselmodule:

Modul 1: RL-Pendeldämpfungs-Inferenz-Engine. Das quantisierte und beschnittene Deep-Q-Network-Modell benötigt nur 2,3 MB Speicher und eine Inferenzzeit von unter 10 ms. Der Controller durchläuft alle 20 ms einen „Wahrnehmen-Denken-Handeln“-Zyklus: Einlesen der Encoder (Position, Geschwindigkeit) und des Neigungssensors (Lastpendelwinkel + Winkelgeschwindigkeit), Berechnung des optimalen Geschwindigkeitsbefehls durch das RL-Modell und Echtzeitanpassung des Frequenzumrichter-Ausgangs. Dieser Prozess läuft vollständig lokal, ohne Abhängigkeit von übergeordneten Systemen oder Cloud-Rechenleistung.

Modul 2: Multisensor-Datenfusion und -vorverarbeitung. Der Controller erfasst gleichzeitig Daten von bis zu 16 Sensoren – Schwingungssensor, Temperatursensor, Dehnungssensor, Encoder, Stromwandler – und führt lokal die Merkmalsextraktion durch (FFT-Spektrumanalyse, Berechnung von Zeitbereichsstatistiken, Trendanalyse). Die hochdimensionalen Rohdaten werden zu niedrigdimensionalen Merkmalen komprimiert, bevor sie übertragen werden. Diese Architektur der „Edge-Vorverarbeitung + Cloud/übergeordnete Tiefenanalyse“ reduziert den Datenübertragungs-Bandbreitenbedarf um den Faktor 20 und entlastet die übergeordneten Systeme erheblich.

Drittes Modul: Edge-Autonomie und Netzwerk-Ausfallschutz. Dies ist die wichtigste Sicherheitsfunktion. In der Steuerung sind der vollständige Zustandsautomat und die Arbeitsparameter aller Arbeitsabläufe vorab hinterlegt. Wird eine Unterbrechung der Kommunikation mit dem MCSS-Dispositionssystem oder der übergeordneten Steuerung erkannt, erfolgt eine automatische Umschaltung in den „lokalen Autonomiemodus" – der aktuelle Auftrag wird bis zum Abschluss eines vollständigen Arbeitszyklus weiter ausgeführt, anschließend positioniert sich der Kran an einem sicheren Ort und wartet auf die Wiederherstellung der Kommunikation. Dieser Mechanismus verhindert das Risiko eines „eingefrorenen" Geräts oder eines Kontrollverlusts aufgrund von Netzwerkstörungen. Bei einem Projekt im Jahr 2025 kam es einmal zu einem 40-minütigen Ausfall eines Netzwerk-Switches; alle 30 Krane wechselten automatisch in den lokalen Autonomiemodus, ohne dass ein einziger Kran einen abnormalen Stillstand oder einen Sicherheitsvorfall erlitt.

Seit der Serienfertigung im Jahr 2023 wurde dieser Edge-AI-Controller bereits auf über 300 im Einsatz befindlichen Kranen installiert und deckt die drei Produktlinien allgemeiner Brückenbauart, Portalbauart und Metallurgiekran ab. Die MTBF des Controllers selbst (ohne externe Sensoren und Aktuatoren) beträgt mehr als 20.000 Stunden, mit null Ausfallzeiten im Feldbetrieb.

2.2 MCSS-Mehrkran-Dispositionssystem: 30 Krane zu einem Netzwerk „verweben"

Die Intelligenz eines einzelnen Krans löst das Problem, „seine eigene Arbeit gut zu erledigen". Wenn jedoch 10, 20 oder sogar mehr Krane gleichzeitig in einer Werkstatt betrieben werden, stellt sich die eigentliche Frage: „Wer kann welche Aufgabe übernehmen, wer arbeitet gerade, und wie verhindern wir Kollisionen?" Das MCSS-Mehrkran-Dispositionssystem (Multi-Crane Scheduling System) von Kelude wurde genau für diesen Zweck entwickelt.

Die Systemarchitektur von MCSS ist in drei Ebenen gegliedert:

Unterste Ebene – Sensorikschicht. Der Edge-AI-Controller auf jedem Kran meldet über industrielles WLAN oder ein privates 5G-Netzwerk in einem Zyklus von 100 ms Echtzeitdaten an den MCSS-Server, darunter aktuelle Koordinaten (in X/Y/Z-Richtung), Hebegewicht, Pendelwinkel der Last, Fahrgeschwindigkeit, Aufgabenfortschritt und Selbstteststatus. Der MCSS-Server pflegt eine „Echtzeit-Statusliste aller Geräte" mit einer Aktualisierungslatenz von nicht mehr als 200 ms.

Mittlere Ebene – Dispositions-Engine. Dies ist das Kernstück von MCSS. Die Dispositions-Engine empfängt Transportaufgabenlisten vom MES (Manufacturing Execution System) oder manuell eingegebene Aufträge und führt auf Basis eines gemischt-ganzzahligen linearen Optimierungsmodells (MILP) eine globale Optimierungsberechnung durch. Die Optimierungszielfunktion berücksichtigt drei Faktoren: Minimierung der Gesamtbearbeitungszeit, Auslastungsausgleich der Geräte und Minimierung des Gesamtenergieverbrauchs. Zu den Randbedingungen gehören: Lastkapazität der Geräte (nicht über der Nenntragfähigkeit), räumliche Kollisionsvermeidung (Krane auf derselben Schiene halten einen Sicherheitsabstand von ≥ 5 m ein) und Aufgabenpriorität (Notfallaufträge werden bevorzugt eingeplant). Für eine typische Größenordnung von 30 Geräten und 200 Aufgaben liefert der MILP-Löser innerhalb von 3 bis 5 Sekunden eine optimale Lösung.

Oberste Ebene – Mensch-Maschine-Interaktion. MCSS bietet zwei Visualisierungsoptionen: ein Web-Portal und ein großes Display in der Werkstatt. Das Web-Portal ist die Bedienoberfläche für den Dispositionsverantwortlichen und zeigt die Aufgabenplanung jedes Geräts als Gantt-Diagramm sowie die Position, den Status und die Bewegungsbahn aller Krane in einer dreidimensionalen Szenenkarte in Echtzeit. Das große Display in der Werkstatt richtet sich an das operative Management vor Ort und präsentiert in einer Kartenansicht Kennwerte wie die Tagesabschlussquote, die Geräteauslastung und die durchschnittliche Reaktionszeit.

Das MCSS-System ist seit seiner Erstinstallation im Jahr 2024 in sechs Projekten der Branchen Stahl, Automobil und mechanische Fertigung im Einsatz und verwaltet mehr als 120 Krane und AGVs. In Bezug auf die Dispositionseffizienz: Bei einem Cluster von 30 Geräten verkürzt MCSS die durchschnittliche Auftragswartezeit von 12–15 Minuten bei manueller Disposition auf 3,2 Minuten und steigert die Gesamtanlageneffektivität (OEE) von 58 % auf 79 %.

Typische Anwendungsfälle

Fall 1: Intelligente Modernisierung eines Clusters von 30 Brückenkranen in einem Stahlwerk

Im Fertigproduktlager für Warmband eines großen Stahlverbunds in Ostchina – 480 m lang, 120 m breit – sind 30 Brückenkrane der Norm ISO 4306 (Nenntragfähigkeit 20 t/32 t/50 t) im Einsatz, die sämtliche Hebe- und Transportaufgaben vom Fertigwalzauslauf bis zur Fertigprodukteinlagerung übernehmen. Vor der Modernisierung gab es drei zentrale Herausforderungen: Erstens eine ineffiziente manuelle Disposition – vier Disponenten koordinierten per Funkgerät, was in Spitzenzeiten zu langen Warteschlangen führte; die durchschnittliche Hubspielzeit betrug 17,6 Minuten. Zweitens fehlte eine einheitliche Betriebsüberwachung – Gerätestörungen wurden erst von Bedienpersonal entdeckt und gemeldet; die OEE lag bei lediglich 52 %. Drittens basierte die Sicherheit auf menschlicher Aufmerksamkeit – bei mehreren Kranen in derselben Halle bestand Kollisionsgefahr; 2023 kam es zu zwei leichten Kollisionen von Laufkatzen aufgrund von Bedienfehlern.

Kelude Schwerindustrie lieferte für dieses Projekt eine integrierte Lösung aus „Edge-AI-Controller-Upgrade und MCSS-Dispositionssystem“. Die Umsetzung erfolgte in drei Schritten:

Schritt 1 (Q1–Q2 2024): Upgrade der Edge-AI-Controller. Die elektrischen Steuerungssysteme aller 30 Krane wurden modernisiert. Die alten SPS-Steuerungen (teils aus den frühen 2000er-Jahren, nicht mehr produziert) wurden durch Kelude-Edge-AI-Controller ersetzt. Zusätzlich wurde eine Sensorausstattung nachgerüstet (Encoder, Neigungssensor, Schwingungssensor, Stromsensor, Laser-Entfernungsmesser). Die Umrüstung pro Kran dauerte 2–3 Tage und erfolgte in Produktionspausen, ohne den laufenden Betrieb zu beeinträchtigen.

Schritt 2 (Q2–Q3 2024): MCSS-Installation und Netzwerkinfrastruktur. Im Leitstand der Werkstatt wurde der MCSS-Server installiert und ein industrielles WiFi-6-Netzwerk (6 Access Points, Roaming-Latenz < 50 ms) für die gesamte Halle aufgebaut. MCSS wurde an das bestehende MES-System angebunden, um Produktionspläne und Lagerbestände in Echtzeit zu erhalten. Die Installation dauerte 4 Wochen, davon 2 Wochen für Netzwerkkonfiguration und Systemintegration.

Schritt 3 (ab Q3 2024): Betrieb und kontinuierliche Optimierung. Das System lief zunächst 2 Wochen im „Empfehlungsmodus“ – MCSS gab Dispositionsempfehlungen, die Disponenten entschieden über die Annahme, um die Algorithmen zu validieren und Vertrauen aufzubauen. Danach erfolgte die Umschaltung auf den „automatischen Dispositionsmodus“, in dem MCSS die Aufträge direkt an die Krane übermittelt; das Bedienpersonal übernimmt nur noch Bestätigung und Behandlung von Abweichungen.

Ergebnisse nach der Modernisierung:

• Durchschnittliche Hubspielzeit von 17,6 auf 9,8 Minuten gesenkt (−44 %);
• Gesamtanlageneffektivität (OEE) von 52 % auf 76 % gesteigert;
• Tägliche Hubvorgänge von 380 auf 580 erhöht (+53 %);
• Kollisionen von durchschnittlich 2 pro Jahr auf null reduziert (seit Juni 2026 18 Monate ohne Kollision);
• Bedienpersonal von 12 pro Schicht (inkl. 4 Disponenten) auf 8 pro Schicht reduziert (Dispositionsaufgaben vom System übernommen).

Die Amortisationszeit für dieses Projekt beträgt ca. 14 Monate – allein die jährlichen Einsparungen durch Personaloptimierung und Effizienzsteigerung übertreffen die Gesamtinvestition. Der Stahlkonzern hat bereits den Vertrag für die zweite Ausbaustufe (40 Krane in zwei weiteren Hallen) unterzeichnet; bis Ende 2026 sollen alle 70 Krane intelligent modernisiert sein.

Fall 2: Heterogene Kooperation von 20 AGVs und 10 Brückenkranen in einem Automobilwerk

In der Pressen-, Schweiß- und Endmontagelogistik eines Herstellers für New-Energy-Vehicles in Zentralchina muss der vollautomatische Transport von Pressenteilen vom Rohmateriallager zur Pressenstraße sowie von Fertigpressenteilen von der Pressenstraße zur Schweißerei realisiert werden. Zur Materialtransport-Ausstattung der Werkstatt gehören: 10 Brückenkrane (Nenntragfähigkeit 16 t, für den Hallenübergreifenden Transport schwerer Werkzeuge und Behälter), 20 Unterflur-AGVs (Nennlast 1,5 t, für den Flachtransport kleinerer Teile) sowie 2 stationäre Hubtische (als Übergabestationen zwischen Kran und AGV).

Die Besonderheit dieses Szenarios liegt in der Kooperation heterogener Geräte – die Bewegungsmodelle von Kranen und AGVs sind grundlegend verschieden, und ihre Zeitmaßstäbe sowie Raumnutzung müssen präzise aufeinander abgestimmt sein. Beispielsweise transportiert ein AGV einen vollen Behälter mit Pressenteilen von der Pressenstraße und muss am Hubtisch mit dem Kran „zusammentreffen“ – nach der Ankunft des AGV senkt der Kran den Haken, greift den Behälter, hebt ihn an und fährt entlang der Schiene zum Pufferbereich der Schweißerei. Jede Verzögerung in diesem Prozess führt zu Leerzeiten des jeweils anderen Geräts und kann die gesamte Logistikkette zum Erliegen bringen.

Das Kelude-MCSS-System wurde für dieses Szenario um ein Modul zur kooperativen Einsatzplanung heterogener Geräte erweitert. Der Kernansatz: „Teile und herrsche + Handshake-Protokoll“:

• Globale Aufgabenplanungsebene (Minutentakt): Die MILP-Engine von MCSS wandelt den Materialbedarf der Endmontage in eine Aufgabenfolge um und weist jeder Aufgabe ein Tripel aus „Kran + AGV + Zeitfenster“ zu. Beispiel Aufgabe T-1034: AGV-07 erreicht um 14:32 den Hubtisch Position 3, Kran-04 führt den Hebevorgang zwischen 14:32 und 14:37 durch, AGV-12 transportiert den leeren Behälter zwischen 14:37 und 14:45 zurück zur Pressenstraße. Dieses Tripel gewährleistet die zeitliche Abstimmung der drei Geräte.
• Lokale Verhandlungsebene (Sekundentakt): Bei Abweichungen vom Plan (z. B. 40 s Verzögerung eines AGV durch Hindernisumfahrung) greift der lokale Verhandlungsmechanismus von MCSS – die betroffenen Aufgaben werden als „verhandlungsbedürftig“ markiert, und die betroffenen Krane, AGVs und Hubtische weisen die Zeitfenster über ein verbessertes Contract-Net-Protokoll neu zu. Die Verhandlung dauert 1–2 Sekunden; der aktualisierte Dispositionsplan wird an die Edge-Controller aller Geräte übermittelt.

Die Betriebsdaten nach der Inbetriebnahme sind beeindruckend:

• Durchschnittliche Transportzeit vom Pressenauslauf bis zur Schweißereizuführung von 48 auf 22 Minuten reduziert (−54 %);
• Leerfahrtquote der AGVs von 38 % auf 14 % gesenkt (dank optimierter Aufgabenzuweisung und Bahnplanung durch MCSS);
• Durchschnittliche Wartezeit an der Übergabestation zwischen Kran und AGV von 4,2 auf 0,8 Minuten reduziert;
• Seit der offiziellen Inbetriebnahme im Oktober 2024 ist das kooperative System über 5.000 Stunden ohne produktionsstillstandbedingte Störung durch Dispositionsfehler gelaufen.

Dieses Projekt wurde vom Automobilhersteller als Vorzeigeprojekt für die digitale Transformation des Jahres ausgezeichnet und konzernintern weiterempfohlen. Kelude Schwerindustrie hat daraus eine übertragbare „Kran + AGV Hybrid-Dispositionslösung“ entwickelt, die bereits in zwei neuen Automobilteilewerken implementiert wurde.

Fazit

Die „Engineering-Umsetzungskompetenz“ von Kelude Schwerindustrie in der Kranentwicklung lässt sich im Kern auf einen Nenner bringen: Simulation als Werkzeug nutzen, Entscheidungen auf Basis von Daten treffen und Intelligenz dort entstehen lassen, wo sie der Ausrüstung am nächsten ist.

Von der vorgelagerten Validierung durch die Co-Simulation von Adams und Simulink über die Hardware-in-the-Loop-Prüfung (HIL) bis hin zur Zuverlässigkeitsprüfung am Gesamtprototyp – diese Kette von der Simulation bis zur Serienfertigung stellt sicher, dass jede Technologie aus dem Labor unter realen Betriebsbedingungen umfassend validiert wurde. Von der lokalen Intelligenz der Edge-AI-Controller bis zur Cluster-Koordination des MCSS-Dispositionssystems – dieser Sprung von der Einzelmaschine zum Cluster macht aus jedem Kran einen Knotenpunkt in einem intelligenten Kooperationsnetzwerk statt einer isolierten Ausführungseinheit.

Die beiden typischen Anwendungsfälle validieren den Wert dieser Engineering-Systematik aus unterschiedlichen Perspektiven: Die Modernisierung des 30-Kran-Clusters im Stahlwerk belegt die Skalierbarkeit des Systems für große, gleichartige Gerätegruppen; die Kooperation von 20 AGVs und 10 Kranen im Automobilwerk zeigt die Flexibilität des Systems in Szenarien mit heterogenen Geräten und hohen Genauigkeitsanforderungen. Zusammen decken beide Szenarien über 80 % der typischen Anforderungen im industriellen Materialtransport ab – ein aussagekräftiger Beleg für die „Engineering-Umsetzungskompetenz“ von Kelude Schwerindustrie.

Häufige Fragen

F: Wie viele Geräte kann das MCSS-Dispositionssystem von Kelude Schwerindustrie verwalten?