AGV/RGV und Brückenkran: Dispositionssystem

Im Materialflusssystem einer intelligenten Fabrik bilden Brückenkrane (Brücken-/Portalkrane) und AGV (Fahrerlose Transportfahrzeuge)/RGV (schienengebundene Shuttle) ein dreidimensionales Transportsystem aus „Luft und Boden". Diese beiden Gerätekategorien wurden jedoch lange Zeit von unabhängigen Dispositionssystemen gesteuert, was zu häufigen Effizienzproblemen führte: Der Kran trifft ein, bevor das AGV positioniert ist; AGVs warten unter der Kranarbeitszone auf leere Haken; Mehrfahrzeug-Routenkonflikte verursachen Deadlocks. Kelude Schwerindustrie hat auf Basis der selbst entwickelten Multi-Vehicle-Koordinationsplattform (MCP) die Krankollektive und AGV/RGV-Kollektive in einen einheitlichen Dispositionsraum integriert. In Kombination mit einer hybriden Dispositionsstrategie aus Genetischem Algorithmus (GA) und Deep Q-Network (DQN) wird eine vollständig automatisierte, fahrerlose Materialtransportkette in der intelligenten Fabrik realisiert. Dieser Artikel erläutert systematisch die technischen Praktiken von Kelude Schwerindustrie im Bereich der Multi-Vehicle-Koordination aus fünf Perspektiven: Systemarchitektur, Dispositionsalgorithmus, Kommunikationsintegration, Kran-AGV-Übergabeprotokoll und Engineering-Anwendungsfälle.

Architektur des koordinierten Dispositionssystems für den Materialfluss

Die MCP-Plattform von Kelude Schwerindustrie basiert auf einer mehrschichtigen Architektur, die von unten nach oben in vier Ebenen unterteilt ist: Geräteebene, Kommunikationsebene, Dispositions-Engine-Ebene und Geschäftsintegrationsebene.

Geräteebene: Sie umfasst die Krankollektive (Brücken-/Portalkrane, 5 bis 20 Einheiten) und die Bodenförderkollektive (AGV/RGV/Shuttle, 10 bis 50 Einheiten). Jedes Gerät wird über ein Edge-Computing-Gateway in das Dispositionsnetzwerk integriert. Das Gateway übernimmt die Erfassung des Gerätezustands (Position/Geschwindigkeit/Last/Aufgabenstatus), die Befehlsausführung sowie die Sicherheitsüberwachung mit Verbindungsabbruchschutz. Zwischen den Krangehäusen und den AGV-Gateways wird über 5G-Privatnetz oder WiFi6 eine Kommunikation im Millisekundenbereich realisiert, um die Echtzeitfähigkeit der Koordinationsbefehle sicherzustellen.

Kommunikationsebene: Sie nutzt das MQTT-Protokoll für die Veröffentlichung des Gerätezustands (Veröffentlichungsfrequenz 50 ms) und RESTful-APIs für die Aufgabenverteilung und Statusabfrage. Für die Steuerungssysteme der Brückenkrane wird zusätzlich eine OPC-UA-Schnittstelle für die direkte Anbindung an die SPS bereitgestellt, um sicherzustellen, dass Steuerbefehle der Sicherheitsstufe SIL2 nicht durch Netzwerkschwankungen beeinträchtigt werden.

Dispositions-Engine-Ebene: Sie bildet das Herzstück der MCP-Plattform und umfasst das Aufgabenverwaltungsmodul, das Bahnplanungsmodul, das Verkehrssteuerungsmodul und das Störungsbehandlungsmodul. Die Dispositions-Engine ist als Microservice-Architektur auf Edge-Servern im Werk oder in einer privaten Cloud bereitgestellt. Ein einzelner Knoten kann die Echtzeit-Dispositionsberechnung für mehr als 50 Geräte bewältigen, wobei die Antwortlatenz für Dispositionsaufgaben 500 ms nicht überschreitet.

Geschäftsintegrationsebene: Sie verbindet sich über Standard-APIs mit den übergeordneten MES/WMS/ERP-Systemen, empfängt Produktionsaufträge und Materialbedarfspläne und übermittelt die Ausführungsergebnisse der Transportaufgaben an die übergeordneten Systeme, wodurch ein geschlossener Geschäftskreislauf entsteht. Darüber hinaus wird ein 3D-Visualisierungs-Dashboard mit Digitalem Zwilling unterstützt, das den Betriebszustand und den Aufgabenfortschritt aller Brückenkrane und AGVs in der Werkstatt in Echtzeit anzeigt.

Hybrider Dispositionsalgorithmus: GA-optimierte Bahnplanung und DQN-Entscheidungsfindung

Der Dispositionsalgorithmus der MCP-Plattform verwendet eine hybride Strategie aus Genetischem Algorithmus (GA) und Deep Q-Network (DQN), die sowohl globale Optimalität als auch Echtzeit-Reaktionsfähigkeit gewährleistet.

GA-Globaldisposition: Sie führt alle 5 Minuten eine vollständige Neu-Disposition durch, mit dem Optimierungsziel der Minimierung der Gesamtbearbeitungszeit aller Aufgaben (Makespan). Die Kodierung erfolgt als Sequenz von „Aufgabe-Gerät"-Tupeln, wobei jedes Chromosom eine Aufgabenverteilungslösung darstellt. Die Fitnessfunktion berücksichtigt die Aufgabenbearbeitungszeit (Gewicht 0,5), die Lastverteilung der Geräte (Gewicht 0,3) und den Energieverbrauch (Gewicht 0,2). Die Populationsgröße beträgt 100, die Crossover-Wahrscheinlichkeit 0,8, die Mutationswahrscheinlichkeit 0,05 und die Anzahl der Iterationen 500. Die vom GA ermittelte optimale Dispositionslösung dient als Startlösung für das DQN, sodass das System die Echtzeitoptimierung in der Nähe des globalen Optimums beginnt.

DQN-Echtzeit-Disposition ergänzt die GA-Globaldisposition um eine Entscheidungsperiode von 500 ms zur Reaktion auf dynamische Ereignisse (neue Auftragseingänge, Gerätestörungen, Wegblockaden usw.). Der Zustandsraum umfasst Positionen, Auftragsfortschritt und Wegbelegung aller aktuellen Geräte; der Aktionsraum definiert die Zuweisung anstehender Aufträge an freie Geräte; die Belohnungsfunktion ist als gewichtete Summe aus negativer Auftragswartezeit und Leerfahrtdistanz der Geräte ausgelegt. Das DQN verwendet ein dreischichtiges Fully-Connected-Netz (128-64-32), trainiert mit Experience-Replay-Puffer (Kapazität 10.000 Einträge) und Zielnetzwerk (Soft-Update τ=0,001) zur Verbesserung der Trainingsstabilität. In der Simulationsumgebung von Kelude Schwerindustrie verkürzt die hybride Disposition die Auftragsdurchlaufzeit in dynamischen Szenarien um 18 % gegenüber reiner GA-Disposition und verbessert die Energieeffizienz in stationären Szenarien um 12 % gegenüber reiner DQN-Disposition.

Erkennung und Auflösung von Verklemmungen bilden die grundlegende Absicherung des Dispositionssystems. Die MCP-Plattform nutzt den Wait-Die-Graph-Algorithmus zur Verklemmungserkennung: Nach jeder Auftragszuweisung wird der Ressourcenzuweisungsgraph auf Zyklen geprüft. Bei erkannter Verklemmung werden über die Wound-Wait-Strategie gezielt niedrig priorisierte Aufträge unterbrochen, um die Verklemmung aufzulösen; unterbrochene Aufträge werden automatisch erneut in die Warteschlange eingereiht. In der praktischen Anwendung beträgt die Latenz der Verklemmungserkennung höchstens 10 ms, die Auflösungszeit höchstens 50 ms.

Übergabeprotokoll an der Brückenkran-AGV-Schnittstelle

Die Materialübergabe an der räumlichen Schnittstelle zwischen Brückenkran und AGV ist der kritischste Punkt des gesamten koordinierten Systems. Kelude Schwerindustrie hat ein vierphasiges Übergabeprotokoll entwickelt, das eine sichere und pünktliche Übergabe der vom Brückenkran transportierten Materialien auf die Ladeplattform des AGV gewährleistet:

Phase 1: Reservierung. Die MCP-Plattform sendet 30 Sekunden im Voraus Übergabeaufträge an Brückenkran und AGV auf Basis des GA-Dispositionsplans. Der AGV navigiert nach Auftragserhalt automatisch zur designierten Übergabeposition, der Brückenkran beginnt die Bewegung zur Übergabeposition. Nach Erreichen der Position sendet der AGV ein „Bereitschaftsbestätigungs"-Signal an die MCP.

Phase 2: Ausrichtung. Nach Ankunft über der Übergabeposition erkennt der Brückenkran über das visuelle KI-System (YOLOv8) die Ausrichtungsmarkierungen (QR-Code/Reflexfolie) auf der AGV-Ladeplattform und korrigiert die Positionsabweichung des Anschlagmittels in X/Y-Richtung auf ±5 mm. Gleichzeitig wird über den Laser-Entfernungssensor die sichere Senkhöhe der Last bestätigt, um Kollisionen mit der AGV-Gabel zu vermeiden.

Phase 3: Übergabe. Das Hubwerk des Brückenkrans senkt die Last mit niedriger Geschwindigkeit (10 % der Nenngeschwindigkeit) gleichmäßig auf die AGV-Ladefläche ab. Sobald die Gewichtsanzeige des Lastsensors auf den Leerwert fällt (d. h. die Last vollständig auf dem AGV aufliegt), greift die Brückenkranbremse und das Anschlagmittel wird automatisch ausgehängt. Der AGV verriegelt die Gabel nach Bestätigung des Materialeingangs über den Last-Erkennungssensor und sendet das Signal „Übergabe abgeschlossen" an die MCP.

Phase 4: Rückzug. Nach Erhalt des Signals „Übergabe abgeschlossen" hebt der Brückenkran das Anschlagmittel auf sichere Höhe (über dem höchsten Hindernis in der Werkstatt) und führt den nächsten Auftrag aus. Der AGV entriegelt die Gabel nach Bestätigungssignal und fährt entlang der geplanten Route zum nächsten Ziel. Die gesamte Übergabe dauert höchstens 30 Sekunden, davon 15 Sekunden für die Ausrichtung, 10 Sekunden für die Materialübergabe und 5 Sekunden für den Rückzug.

Materialfluss im Lager und in der Montagelinie – der komplette Ablauf

Am Beispiel eines typischen Materialkreislaufs „Rohstofflager → Produktionslinie → Fertigwarenlager" deckt die MCP-Disposition vier Transportmodi vollständig ab:

Modus 1: AGV-Auslagerung aus dem Hochregallager. Das WMS übermittelt den Entnahmeschein an das MCP, das wiederum einen AGV zum Auslagerungsportal des Hochregallagers beordert. Ein Mehrfach-Shuttle bringt die Materialpalette zum Ausgabebereich, der AGV übernimmt die Palette und transportiert sie zur Übergabezone des Brückenkrans. Das MCP koordiniert sämtliche Zeitfenster zentral, sodass das Material bei Ankunft des AGV bereits bereitsteht.

Modus 2: Kranübergabe am AGV. Am Übergabebereich erfolgt die Materialübergabe nach einem Vier-Phasen-Protokoll. Dieser Modus eignet sich für schwere Lasten (Einzelgewicht > 1 t) oder wenn Produktionshindernisse überbrückt werden müssen – kann der AGV die Linie nicht direkt anfahren, übernimmt der Brückenkran den „bereichsübergreifenden Transport".

Modus 3: Krananbindung an den Arbeitsplatz. Der Brückenkran hebt das Material in den Pufferbereich neben der Linie und positioniert es mit einer Genauigkeit von ±3 mm auf der Vorrichtung. Für Linien mit hoher Beschickungsfrequenz (z. B. Schweiß- oder Montagelinien) unterstützt das MCP den „Bring-and-Hol-Modus": Der Kran liefert neues Material an und nimmt gleichzeitig die leere Palette für den Rücktransport mit.

Modus 4: Einlagerung der Fertigwaren. Nach Abschluss der Fertigung transportieren AGV oder RGV die Produkte zur Kranübergabezone; der Brückenkran hebt sie entweder zum Eingang des Fertigwarenlagers oder direkt zur Verladerampe. Damit schließt sich der Kreislauf „Rohmaterial → Produktion → Fertigprodukt" vollständig.

Praxisbeispiel: MCP-Deployment in der Schwermaschinenfertigung

Das MCP-System von Kelude wurde bei einem großen Hersteller für Baumaschinen implementiert und steuert dort die koordinierte Disposition von 5 Brückenkranen, 12 AGV und 4 RGV in der Strukturkomponenten-Werkstatt. Zum Einsatz kamen eine MCP-Dispositionsplattform (auf einem Edge-Server im Werk, 4 Kerne CPU + 32 GB RAM + GPU-Beschleunigung), 5 Edge-Gateways für die Krane (Jetson Orin NX) sowie 16 fahrzeugseitige Steuerungen für AGV/RGV.

Die Ergebnisse nach sechs Monaten Betrieb zeigen: Die Materialtransport-Effizienz stieg um 60 % (tägliche Transportvorgänge von 320 auf 512), die durchschnittliche Wartezeit von Kran und AGV sank von 45 s auf 8 s (Reduktion um 82 %), und die Erfolgsquote bei der Materialübergabe verbesserte sich von 92,3 % auf 99,7 %. Die Leerfahrtquote der AGV ging von 28 % auf 12 % zurück, während die effektive Nutzungsrate der Krane von 65 % auf 83 % anstieg. Bei einer Jahresproduktion von 50.000 Baumaschinen bedeutet dies eine Einsparung von rund 2.400 Stunden Materialtransport pro Jahr – ein wirtschaftlicher Vorteil von etwa 461.000 EUR. Entsprechend den Anforderungen der Norm DIN 15018 (Kranbau) und der ISO 5053-1:2020 (Sicherheit von Flurförderzeugen) wurde das System im Hinblick auf funktionale Sicherheit und Gerätekoordination einer Fremdprüfung unterzogen und zertifiziert.

Aus der Implementierung hat Kelude drei zentrale Erkenntnisse abgeleitet: Erstens muss die Kommunikationslatenz zwischen Kran und AGV unter 10 ms liegen – empfohlen wird ein 5G-Privatnetz mit Glasfaser-Backup. Zweitens beeinflusst die Bodenpräzision im Übergabebereich direkt die Positioniergenauigkeit; die Toleranz für die AGV-Navigationsmarken sollte ±1 mm nicht überschreiten. Drittens ist die Deadlock-Erkennungsrate ein zentraler Kennwert für die Reife des Dispositionssystems; vor der Inbetriebnahme empfiehlt sich ein Stresstest mit der 1,5-fachen Spitzenlast auf einer Simulationsplattform.

Häufig gestellte Fragen

Weiterführende Informationen

Weiterführende Themen: Krangruppen-Disposition mit GA/DQN-Algorithmen | 5G-Fernwartung und Edge-Computing | Predictive Health Management (PHM) für Anlagen