Prädiktive Wartung für Brückenkrane mit PHM & ML

In der kontinuierlichen Fertigungsumgebung einer Smart Factory wirken sich ungeplante Stillstandszeiten von Brückenkransystemen massiv auf die Produktionskapazität aus – ein einziger unerwarteter Ausfall eines kritischen Krans kann die gesamte Fertigungslinie für Stunden lahmlegen und Produktionsverluste in Höhe von mehreren Hunderttausend Euro verursachen. Das traditionelle Modell „periodische Inspektion plus reaktive Instandsetzung“ genügt den Anforderungen moderner Industrieproduktion an eine Anlagenverfügbarkeit von ≥ 99,5 % nicht mehr. Kelude Schwerindustrie hat auf Basis von Schwingungssignalanalyse, maschinellem Lernen und industrieller Big-Data-Technologie ein umfassendes PHM-System für das Anlagenzustandsmanagement aufgebaut und damit den Sprung von der reaktiven Instandhaltung zur prädiktiven Wartung vollzogen. Dieser Beitrag beleuchtet die technische Praxis von Kelude im Bereich PHM für Brückenkrane entlang der fünf Dimensionen Sensorauswahl und -installation, Signalmerkmalsextraktion, Deep-Learning-Modellbildung, Edge-Inferenz sowie ganzheitliches Engineering der Prozesskette.

Sensorauswahl und Messstellenplanung für Brückenkrane

Die Datenqualität eines PHM-Systems hängt maßgeblich von der fachgerechten Sensorauswahl und der durchdachten Planung der Messstellen ab. Kelude Schwerindustrie hat auf Basis der Schadensmechanismen und Schwingungseigenschaften der zentralen mechanischen Komponenten von Brückenkranen ein systematisches Messstellenkonzept entwickelt.

Schwingungssensoren bilden die wichtigste Datenquelle des PHM-Systems. Kelude empfiehlt IEPE-Beschleunigungssensoren (Empfindlichkeit 100 mV/g, Frequenzbereich 2 Hz bis 10 kHz). Die Installationsorte umfassen die Lagergehäuse von Hubgetriebe-Ein- und -Abtrieb, die Lagergehäuse der Laufräder der Laufkatze, den Antrieb der Kranbrücken-Fahrantriebe, die Trommellagergehäuse sowie die Drehverbindung des Anschlagmittels. An jedem kritischen Messpunkt wird ein dreiachsiger Beschleunigungssensor (X/Y/Z-Richtung) installiert. Die Abtastrate beträgt 5.120 Hz und erfüllt damit die Nyquist-Anforderungen für die Verzahnungsfrequenzen des Getriebes im Bereich von 200 bis 2.000 Hz. Die kontinuierliche Erfassungsdauer beträgt mindestens 30 Sekunden pro Messzyklus; das Erfassungsintervall wird je nach Anlagenklasse auf 1 Stunde (Klasse A – kritische Anlagen) bzw. 4 Stunden (Klasse B – Standardanlagen) festgelegt.

Temperatursensoren werden als PT100-Widerstandsthermometer oder Thermoelemente ausgeführt und an den Motorwicklungen (Überwachung der Temperaturanstiegsrate), im Getriebeölbad (Erkennung von Schmierungsanomalien) sowie an den Reibflächen der Bremse (Überwachung auf Überhitzung der Bremsbeläge) installiert. Der Messbereich beträgt −40 bis 200 °C bei einer Genauigkeit von ± 0,5 °C und einer Abtastperiode von 10 Sekunden. Lastsensoren werden als Wägezellen oder Drahtseil-Zugspannungssensoren ausgeführt und erfassen die Laständerungen jedes Hubvorgangs in Echtzeit; Überlastereignisse werden hinsichtlich Häufigkeit und Ausmaß kumuliert.

Erfassung von Prozessparametern: Über das SPS-Protokoll werden Betriebsparameter wie Motorstrom, Ausgangsfrequenz des Frequenzumrichters, Fahrgeschwindigkeit, kumulierte Betriebsstunden und die Anzahl der Bremsbetätigungen ausgelesen. Alle Sensordaten werden über den Feldbus an das Edge-Erfassungsgateway übertragen und nach der Kapselung über das OPC-UA-Protokoll an die PHM-Plattform angebunden.

Merkmalsextraktion aus Vibrationssignalen für die Zustandsüberwachung

Rohdaten aus der Vibrationsmessung müssen zunächst systematisch aufbereitet werden, um daraus aussagekräftige Eingangsmerkmale für Machine-Learning-Modelle zu gewinnen. Die Signalverarbeitungskette von Kelude Schwerindustrie deckt dabei drei Dimensionen ab: Zeitbereich, Frequenzbereich und Zeit-Frequenz-Bereich.

Merkmale im Zeitbereich: Dazu zählen der Effektivwert RMS (bildet das Gesamtenergieniveau der Schwingung ab; im Normalzustand gilt RMS < 2,8 mm/s, bei Warnzustand < 7,1 mm/s, darüber wird Alarm ausgelöst), der Spitzenwert Peak (erfasst die Intensität von Stoßimpulsen), der Schwingungsbreite Peak-to-Peak, die Kurtosis (Kennzahl für die Signalsteilheit; Normalwert ≈ 3, bei Zahnradverschleiß > 5), der Crest-Faktor, die Skewness sowie der Impulsfaktor. Diese Merkmale werden mit einem gleitenden Fenster von 1024 Abtastpunkten (Überlappung 50 %) in Echtzeit berechnet; jedes Fenster liefert einen Merkmalsvektor.

Merkmale im Frequenzbereich: Die Frequenzanalyse erfolgt per FFT nach Anwendung eines Hanning-Fensters auf das jeweilige Signalsegment. Die relevanten Frequenzbänder umfassen: die Drehfrequenzband (20–30 Hz, bildet den Rotorzustand ab), die Verzahnungsfrequenzband des Getriebes (500–700 Hz, gibt Aufschluss über den Zahneingriffszustand), das harmonische Seitenband (±50 Hz um die Verzahnungsfrequenz, Indikator für den Zahnradverschleiß) sowie das Hochfrequenzband (2–5 kHz, erfasst Resonanzfrequenzen aus Frühschäden an Lagern). Für jedes Frequenzband werden die Energieanteile, die Schwerpunktfrequenz und der Frequenzstreuungskennwert berechnet und als Eingangsgrößen für die nachgelagerte Klassifikation verwendet.

Merkmale im Zeit-Frequenz-Bereich: Hier kommt die Kurzzeit-Fourier-Transformation (STFT, Fensterlänge 256 Punkte, Überlappung 75 %) zum Einsatz, die ein Zeit-Frequenz-Spektrogramm für das CNN-Modell erzeugt. Bei hochfrequenten Stoßsignalen aus Wälzlagerschäden wird zusätzlich eine Hüllkurvenanalyse (Envelope Analysis) durchgeführt, um die charakteristischen Fehlerfrequenzen aus dem demodulierten Spektrum zu extrahieren.

3. Architekturdesign des Deep-Learning-Modells

Das PHM-System von Kelude Schwerindustrie setzt auf eine Multi-Modell-Fusionsstrategie, um für unterschiedliche Diagnoseaufgaben die jeweils optimale Deep-Learning-Architektur einzusetzen.

Fehlerklassifikationsmodell: Das Modell basiert auf einer 1D-CNN-Architektur (eindimensionales Convolutional Neural Network). Als Eingang dienen 1024 Roh-Vibrationssignalpunkte. Nach zwei Conv1D-BatchNorm-Schichten zur Merkmalsextraktion folgt eine vollständig verbundene Schicht, die eine 4-Klassen-Klassifikation ausgibt (Normal / Zahnradverschleiß / Lagerfehler / Wellenausrichtungsfehler). Die erste Faltungsschicht verwendet eine Kernelgröße von 7 mit 32 Kanälen; die zweite Faltungsschicht ebenfalls Kernelgröße 7 mit 64 Kanälen. Eine Dropout-Rate von 0,3 verhindert Overfitting. Das Modell erreicht auf den realen Messdaten von Kelude Schwerindustrie eine Klassifikationsgenauigkeit von 97,2 %. Die Inferenzlatenz pro Frame beträgt auf dem Jetson Orin NX lediglich 4,5 ms und erfüllt damit die Rechenanforderungen für die Echtzeitdiagnose am Edge. Nach dem Training wird das Modell über ONNX exportiert und am Edge bereitgestellt; die Inferenz ist unabhängig von der PyTorch-Laufzeitumgebung.

Trendprognosemodell: Dieses Modell verwendet eine LSTM/GRU-RNN-Architektur. Als Eingang dienen die historischen Vibrations-RMS-Werte und Temperaturverlaufsreihen der letzten 30 Tage (ein Abtastpunkt pro Tag), um den Degradationstrend der nächsten 7 Tage vorherzusagen. Die Modellstruktur besteht aus zwei GRU-Schichten (128 und 64 versteckte Einheiten) gefolgt von einer vollständig verbundenen Ausgabeschicht. Das Training erfolgt mit einem gleitenden Fenster (Fensterlänge 30 Tage, Prognosefenster 7 Tage); als Verlustfunktion dient der MAE. Das Modell kann 3 bis 7 Tage im Voraus Degradationswarnungen ausgeben und schafft damit ausreichend Zeitfenster für die Planung von Wartungsarbeiten.

Anomalieerkennungsmodell: Hier kommt eine GRU-Autoencoder-Architektur zum Einsatz. Das Modell wird ausschließlich mit Daten aus dem Normalbetrieb trainiert und erlernt das Kompressions-Rekonstruktions-Muster normaler Vibrationssignale. Weicht das Eingangssignal vom Normalmuster ab (Rekonstruktionsfehler überschreitet den Schwellenwert), wird automatisch ein Anomaliealarm ausgelöst. Dieses Modell eignet sich besonders zur Erkennung nicht annotierter neuer Fehlertypen und schließt die Lücke überwachter Lernmodelle bei „unbekannten Fehlern“.

Restlebensdauer-Prognosemodell: Das Modell basiert auf einem XGBoost-Regressionsansatz. Die Eingangsmerkmale umfassen 15 Dimensionen, darunter historische Vibrations-RMS-Trends, Temperaturanstiegsrate, kumulierte Betriebszeit, Anzahl der Überlastungen und Verschleißrate der Bremsbeläge. Die Ausgabe ist die Restlebensdauer RUL in „Betriebstagen“. Das Modell wird auf den historischen Wartungsdaten von Kelude Schwerindustrie trainiert; die mittlere absolute Abweichung der RUL-Vorhersage beträgt ±12 Tage.

4. Edge-Inferenz und Modellaktualisierungsstrategie

Die Inferenzbereitstellung der PHM-Modelle folgt einer hybriden Architektur aus „Echtzeit-Inferenz am Edge + inkrementellem Cloud-Training“. Am Edge werden die Modelle auf dem Industrie-PC des Brückenkrans oder auf einem MEC-Server auf Werkstattebene ausgeführt. Die ONNX-optimierten Modelle halten die Inferenzlatenz unter 10 ms und gewährleisten damit eine Echtzeit-Diagnosefähigkeit. In der Cloud läuft die vollständige Trainingspipeline: Sie empfängt markierte Daten und neue Fehlerproben vom Edge, aktualisiert regelmäßig die Modellparameter und stellt die Updates per OTA-Differenzialdownload an die Edge-Geräte bereit.

Die Modellaktualisierung folgt einer inkrementellen Lernstrategie: Die Cloud speichert die statistischen Merkmale der historischen Trainingsdaten. Bei jedem Update werden nur die neuen Daten für ein Feintuning (Fine-Tune) verwendet – ein vollständiges Neutraining ist nicht erforderlich. Der Aktualisierungszyklus beträgt zwei Wochen. Fällt die Fehlerdiagnosegenauigkeit dauerhaft unter 90 %, wird eine dringende Aktualisierung ausgelöst. Ein vollständiges Neutraining erfolgt vierteljährlich, um sicherzustellen, dass das Modell im langfristigen Betrieb stets optimale Leistung erbringt.

5. Integriertes PHM-Gesundheitsbewertungssystem

Um die mehrdimensionalen Diagnoseergebnisse in eine intuitive Gerätezustandsanzeige zu aggregieren, hat Kelude Schwerindustrie ein sechsdimensionales gewichtetes Gesundheitsbewertungsmodell entwickelt. Die Bewertungsskala reicht von 0 bis 100 Punkten und entspricht vier Gesundheitsklassen.

Die Bewertungsdimensionen und Gewichtungen sind wie folgt: Betriebszeitbewertung (Gewicht 20 %, lineare Degression über die Konstruktionslebensdauer von 30.000 Stunden), Überlastbewertung (Gewicht 20 %, Abzug von 5 Punkten pro Überlastung), Bremsbelagverschleißbewertung (Gewicht 20 %, Abzug von 1 Punkt pro 1 % Verschleißrate), Drahtseilverschleißbewertung (Gewicht 15 %, keine Abzüge bei Verschleißrate unter 7 %, darüber Abzug von 20 Punkten pro 1 %), Getriebetemperaturbewertung (Gewicht 10 %, Abzug von 2 Punkten pro 1 °C über 70 °C) und Motorvibrationsbewertung (Gewicht 15 %, Abzug von 20 Punkten pro 1 mm/s über 2,8 mm/s). Ein Gesamtscore ≥ 85 bedeutet „Gesund“ (grüne Anzeige), 60–84 Punkte „Beachten“ (gelbe Anzeige), 35–59 Punkte „Warnung“ (orange Anzeige) und < 35 Punkte „Kritisch" (rote Anzeige, sofortige Stilllegung und Wartung erforderlich).

Zusätzlich zur Gesamtbewertung generiert das System für jede kritische Komponente einen separaten Gesundheits-Subscore – den Hubmotor-Index, Getriebe-Index, Bremsen-Index, Drahtseil-Index sowie den Ermüdungsindex der Strukturbauteile. Sobald ein beliebiger Subscore unter 50 Punkte fällt, erstellt das System automatisch einen Wartungsauftrag und pusht diesen an die mobilen Endgeräte des Instandhaltungspersonals. Der Auftrag enthält die Fehlerlokalisierung (bis auf den einzelnen Messpunkt), die Fehlerart (Lagerschaden / Zahnradverschleiß / Wellenausrichtung), den Schweregrad sowie das empfohlene Wartungszeitfenster.

Praxisbeispiel: PHM-Einsatz im Stahlwerk

Das PHM-System von Kelude wurde bei einem großen Stahlhersteller implementiert und deckt die Maschinenzustandsüberwachung von 16 Brückenkranen in der Stahlwerkstatt ab. Im Rahmen des Projekts wurden 192 Vibrationsmesspunkte (12 pro Kran), 48 Temperaturmesspunkte (3 pro Kran) sowie 16 Edge-Computing-Knoten (1× Jetson Orin NX pro Kran) installiert. Die durchschnittliche Inferenzlatenz des Edge-Klassifikationsmodells für Fehlerdiagnosen beträgt 5,2 ms, die Modellgenauigkeit liegt bei 96,8 %.

Die Auswertung der ersten 12 Betriebsmonate zeigt: Die Anzahl ungeplanter Stillstandszeiten sank von durchschnittlich 37 Vorfällen pro Jahr vor dem Umbau auf 8 Vorfälle (ein Rückgang um 78,4 %). Die durchschnittliche Reaktionszeit für Wartungseinsätze verkürzte sich von 6,2 Stunden auf 1,5 Stunden. Die Lagerkosten für Ersatzteile konnten um 32 % gesenkt werden – dank präziser Prognosen anstelle von Überbevorratung. Das System meldete insgesamt 11 kritische Störungen frühzeitig (darunter 3 Getriebelager-Schäden, 4 Motorwicklungs-Degradationen, 2 übermäßige Bremsbelag-Verschleiße und 2 Drahtseilbrüche) und verschaffte dem Instandhaltungsteam damit ein durchschnittliches Vorbereitungsfenster von 5,3 Tagen für die Reparatur. Bei einem vermiedenen Produktionsausfall von ca. 150.000 EUR pro ungeplantem Stillstand ergibt sich ein jährlicher wirtschaftlicher Nutzen von rund 435.000 EUR. Die Amortisationszeit des Projekts liegt bei etwa 10 Monaten.

Während der Umsetzung hat Kelude drei zentrale Erkenntnisse gewonnen: Erstens beeinflussen Montageposition und Befestigungsart der Vibrationssensoren direkt die Signalqualität. Empfohlen wird eine starre Verschraubung mit M6-Schrauben anstelle von Magnetfüßen, um Signaldämpfung und lose Kontakte zu vermeiden. Zweitens benötigt das Modelltraining mindestens 6 Monate historischer Vibrationsdaten, um saisonale Temperatur- und Feuchtigkeitsschwankungen über alle vier Jahreszeiten abzudecken und Fehlalarme zu minimieren. Drittens entfaltet das PHM-System seinen vollen Nutzen nur in Verbindung mit angepassten Instandhaltungsprozessen: Die Warnmeldungen müssen direkt in das Wartungsauftragssystem integriert sein, sonst bleiben sie reine Dashboard-Informationen ohne operative Konsequenz.

Häufig gestellte Fragen (FAQ)

Weiterführende Informationen

Weiterführende Artikel: Visuelle KI & Jetson Edge Deployment | 5G-Fernwartung & Edge-Computing | Komplette Kranfertigungsprozesse