KI-Seilprüfung für Kräne: Defekterkennung per Deep Learning
KI-gestützte Online-Drahtseilprüfung für Brückenkrane (Brückenkrane): Erkennung von Drahtbrüchen, Verschleiß und Korrosion mittels Deep Learning. Das Kranseil ist das wichtigste tragende Bauteil eines Brückenkrans – sein Zustand entscheidet unmittelbar über Anlagensicherheit und Produktionsbetrieb.
Das Kranseil ist das wichtigste tragende Bauteil eines Brückenkrans – sein Zustand entscheidet unmittelbar über Anlagensicherheit und Produktionsbetrieb. Die traditionelle manuelle Inspektion mit Sichtprüfung und Handmessgeräten weist erhebliche Nachteile auf: viele Prüfbereiche bleiben unentdeckt, die Ergebnisse sind stark subjektiv geprägt, und eine Echtzeit-Warnung ist nicht möglich. Mit der zunehmenden Reife des Deep Learning hat sich die KI-basierte Online-Drahtseilprüfung zum entscheidenden Durchbruch für die digitale Transformation der Branche entwickelt. Dieser Beitrag beschreibt anhand eines realen Projekts von Kelude Schwerindustrie die Gesamtarchitektur, die Kernalgorithmen, die Hardware-Implementierung und die praktischen Erfahrungen eines KI-gestützten Online-Inspektionssystems für Kranseile.
Systemarchitektur der KI-Drahtseilprüfung im Überblick
Das KI-gestützte Online-Inspektionssystem für Kranseile basiert auf einer vierschichtigen Architektur, die von der Datenerfassung bis zur betrieblichen Integration einen vollständigen Regelkreis bildet und so Echtzeitfähigkeit, Genauigkeit und Rückverfolgbarkeit der Prüfergebnisse gewährleistet.
1. Erfassungsebene (Bildaufnahme)
Die Erfassungsebene bildet das Fundament des gesamten Systems und besteht aus hochauflösenden Industriekameras, LED-Blitzlichtmodulen und optischen Objektiven. Je nach Seilabschnitt und Prüfanforderung kommt eine dezentrale Multikamera-Architektur zum Einsatz: Eine Überkopfkamera (Kamera für Aufnahmen von oben) erfasst den oberen, fest eingespannten Seilbereich, eine Seitenkamera überwacht den freien Seilabschnitt in der Mitte, und eine Unterkamera (Kamera für Aufnahmen von unten) ist auf den unteren Seilendbereich sowie die Hakenflaschenrolle ausgerichtet. Jede Kamera ist mit einem Global-Shutter-CMOS-Sensor ausgestattet und unterstützt Bildraten von bis zu 200 fps, sodass mikroskopische Oberflächenfehler des Drahtseils während des Kranbetriebs klar erfasst werden können. Die LED-Beleuchtung arbeitet im Blitzmodus mit Pulsweiten bis in den Mikrosekundenbereich, wodurch Ölreflexionen und ungleichmäßige Ausleuchtung zuverlässig kompensiert werden und eine stabile Bildqualität gewährleistet ist.
2. Inferenzebene (KI-Rechenplattform)
Die Inferenzebene ist auf einem NVIDIA-Jetson-Edge-Computing-Gerät implementiert und führt ein optimiertes YOLOv8s-Objekterkennungsmodell aus. Das Modell wird über die TensorRT-Inferenzengine beschleunigt; die Inferenzzeit pro Bild liegt bei unter 25 ms und erfüllt damit die Echtzeitanforderungen bei einer Seilgeschwindigkeit von 0,5 m/s. Die Inferenzebene führt die Fehlererkennung für jedes Einzelbild durch und liefert Bounding-Box-Koordinaten, Klassenkonfidenzen und Segmentierungsmasken für Drahtbrüche, Verschleiß und Korrosion. Die Rohdaten sowie die Feature-Vektoren werden synchron an die Analyseeebene übertragen.
3. Analyseeebene (Fehlerklassifikation und -bewertung)
Die Analyseeebene läuft auf einem Server und führt eine sekundäre Feinklassifikation jedes erkannten Objekts anhand der von der Inferenzebene übertragenen Ergebnisse durch. Das verwendete Modell basiert auf einem EfficientNet-B4-Backbone und unterscheidet 11 Untertypen von Drahtseilfehlern: lokale Drahtbrüche, konzentrierte Drahtbrüche, gleichmäßiger Verschleiß, lokaler Verschleiß, Lochfraßkorrosion, gleichmäßige Korrosion, Wellenverformung, Laternenverformung, Seildurchmesser-Reduktion, unzureichende Schmierung und Fremdkörperanhaftung auf der Oberfläche. Die Analyseeebene integriert zusätzlich Zeitreihendaten, um wiederholte Messungen an derselben Position zu verfolgen und die Entwicklungstendenz sowie den Schweregrad der Fehler zu bewerten.
Die Bewertungsergebnisse der Analyseeebene klassifizieren den Schweregrad in vier Stufen: Normal (Grade 0), Leicht (Grade 1), Mittel (Grade 2) und Schwer (Grade 3). Ab der Stufe „Mittel" und darüber wird automatisch ein Alarmmechanismus ausgelöst.
4. Alarmebene (PHM- und Wartungsintegration)
Die Alarmebene ist eng mit der Predictive-Health-Management-Plattform (PHM) und dem computergestützten Instandhaltungsmanagementsystem (CMMS) verzahnt. Sobald ein Drahtseilfehler den Alarmschwellwert erreicht, werden automatisch folgende Aktionen ausgelöst: (1) Echtzeit-Pop-up-Alarm auf dem PHM-Dashboard mit hervorgehobener Markierung von Fehlerposition und -typ; (2) Automatische Erstellung eines standardisierten Wartungsauftrags basierend auf Fehlerklasse und -position, der direkt an das CMMS übermittelt wird; (3) Benachrichtigung der zuständigen Wartungsverantwortlichen per SMS, Messenger oder E-Mail; (4) Protokollierung des vollständigen Alarmkontexts – einschließlich Fehlerbild, Zeitstempel, Anlagennummer und Betriebsbedingungen – für die spätere Nachverfolgung. Die durchschnittliche Reaktionszeit vom Erkennungszeitpunkt bis zur Auftragserstellung beträgt weniger als 30 Sekunden.
| Ebene | FunktionModul | Kernkomponente/Algorithmus | SchlüsselKennwert |
|---|---|---|---|
| Wahrnehmungsebene | Bilderfassung und -vorverarbeitung | Global ShutterIndustriekamera,LEDStroboskop-Beleuchtung | Auflösung≥1920×1080,Bildrate≥100fps |
| Inferenzebene | Echtzeit-Inferenz am Edge | YOLOv8s + TensorRT,Jetson Orin NX | Inferenzlatenz≤25ms,ErkennungFrequenz≥40FPS |
| Analyseebene | FehlerKlassifikation und Trendbewertung | EfficientNet-B4,Zeitreihen-Tracking-Algorithmus | Klassifikationsgenauigkeit≥95%,Trendprognosefehler≤10% |
| Alarmebene | Alarmübermittlung und Wartungsintegration | PHMPlattform,CMMSSchnittstelle,Nachrichtenübermittlung | Alarmreaktion≤30s,Fehlalarmrate≤5% |
2. Schadensarten am Kranseil und KI-basierte Erkennung
Kranseile von Brückenkranen sind im Langzeitbetrieb kombinierten Belastungen aus Wechselspannung, Reibverschleiß, korrosiver Umgebung und Ermüdungslast ausgesetzt, wodurch unterschiedliche Schadensbilder entstehen. Gemäß der Norm DIN 15020 – „Krane; Drahtseile, Wartung, Pflege, Prüfung und Ablegereife" – sind wiederkehrende Prüfungen und die Dokumentation sämtlicher Fehlerbilder am Drahtseil vorgeschrieben. Das optische Inspektionssystem muss die folgenden Hauptschadensarten zuverlässig erkennen.
1. Drahtbrüche
Drahtbrüche zählen zu den häufigsten und zugleich gefährlichsten Schäden am Drahtseil. Je nach Verteilungsmuster wird zwischen verteilten und gebündelten Drahtbrüchen unterschieden. Verteilte Drahtbrüche treten an unterschiedlichen Stellen entlang der Seillänge auf und werden in der Regel durch lokale Überlast oder Materialermüdung verursacht. Im Frühstadium sind die Bruchstellen fein und mit bloßem Auge kaum erkennbar. Gebündelte Drahtbrüche hingegen konzentrieren sich auf einen eng begrenzten Querschnittsbereich und entstehen meist durch mechanische Beschädigung oder schwere Überlast; die Bruchkanten weisen eine unregelmäßige, gezackte Struktur auf. Das KI-Erkennungssystem nutzt ein optimiertes YOLOv8s-Modell: Durch die Erweiterung des C2f-Feature-Extraktionsmoduls um deformierbare Faltungen (DCNv4) und einen Coordinate-Attention-Mechanismus wird das Modell in die Lage versetzt, feine Texturunterschiede im Bereich der Drahtbrüche gezielt zu erfassen. Im Feature-Pyramid-Netzwerk werden hochauflösende Merkmale aus flachen Schichten mit semantischen Merkmalen aus tiefen Schichten fusioniert, sodass auch kleine Drahtbruchziele nicht durch das Downsampling der Merkmale verloren gehen.
2. Verschleißschäden
Verschleiß wird in gleichmäßigen und lokalen Verschleiß unterteilt. Gleichmäßiger Verschleiß äußert sich in einer gleichmäßigen Durchmesserreduzierung über die gesamte Seillänge, wobei die äußeren Drähte flachgeschliffen werden – typischerweise verursacht durch langen Kontakt mit Rollen und Trommeln. Lokaler Verschleiß zeigt sich dagegen in einer deutlichen Durchmesserverringerung einzelner Seilabschnitte oder in flachen Rillen auf der Oberfläche, häufig verursacht durch Reibung zwischen Seilen oder Interferenz mit Strukturbauteilen. Bei der Verschleißerkennung kombiniert das KI-Modell Gradientenmerkmale der Seilkontur mit Oberflächentexturmerkmalen. Im Head-Zweig wurde ein zusätzlicher Durchmesser-Regressionszweig integriert, der direkt eine Schätzung des Seildurchmessers für jeden Detektionsbereich ausgibt. Durch den Abgleich mit historischen Messdaten wird eine quantitative Verschleißmessung ermöglicht; die Messabweichung liegt dabei unter 0,3 mm.
3. Korrosionsschäden
Korrosionsschäden treten besonders häufig an Kranseilen von Brückenkranen in feucht-heißen, korrosiven Umgebungen auf, etwa in der Metallurgie, der Chemieindustrie oder in Hafenanlagen. Im Frühstadium zeigen sich punktförmige Rostflecken auf der Oberfläche, die sich mit fortschreitender Korrosion zu schuppenförmigem Abblättern und Lochfraß entwickeln. In schweren Fällen reduziert sich der wirksame Drahtquerschnitt erheblich. Im Bild erscheinen Korrosionsschäden als Bereiche mit anormaler Färbung (rotbraun, dunkelschwarz) sowie durch eine unebene Oberflächentextur. Das KI-Erkennungsmodell setzt auf eine multispektrale Fusionsstrategie: RGB-Bilder und Nahinfrarot-Kanalbilder werden auf Merkmalsebene fusioniert. Die hohe Reflexion von Rostprodukten im Nahinfrarotbereich erhöht den Detektionskontrast für Korrosionsbereiche deutlich. Versuche zeigen, dass die multispektrale Fusionsstrategie die Erkennungsrate (Recall) für Korrosionsschäden um 12,7 % steigert.
4. Verformungsschäden
Verformungsschäden am Drahtseil umfassen unter anderem Wellenverformung und Korb- bzw. Aufdornung. Wellenverformung bezeichnet eine wellenförmige Biegung der Seilachse, die typischerweise durch plötzliches Entlasten oder Schlaufenbildung entsteht und im weiteren Betrieb die Ermüdungsbrüche der Drähte beschleunigt. Die Korbverformung äußert sich in einer lokalen Durchmesservergrößerung, bei der sich die Litzen korbartig aufspreizen – ein äußeres Anzeichen für gebrochene Innendrähte oder einen versagenden Faserkern. Verformungsschäden sind visuell relativ deutlich erkennbar, weisen jedoch eine große morphologische Bandbreite auf, was hohe Anforderungen an die Generalisierungsfähigkeit des Modells stellt. Um die Robustheit der Verformungserkennung zu erhöhen, werden die Verformungsproben in der Trainingsphase umfangreichen affinen Transformations-Augmentierungen unterzogen, darunter zufällige Rotationen (−45° bis 45°), zufällige Skalierungen (0,5- bis 1,5-fach) sowie Simulationen elastischer Verformung. Dadurch passt sich das Modell zuverlässig an unterschiedlichste Verformungsbilder an.
| FehlerKategorie | Untertyp | Visuelles Merkmal | ErkennungHerausforderung | Verbesserungsstrategie |
|---|---|---|---|---|
| Drahtbruch | Lokaler Drahtbruch,Konzentrierter Drahtbruch | Bruchstelle mit hellweißer Reflexion,DrahtseilBruchStirnfläche | Kleine Bruchabmessung(0.5-2mm),Starke Hintergrundstörung | MöglichVerformungFaltung+Aufmerksamkeitsmechanismus |
| Verschleiß | GleichmäßigVerschleiß,LokalVerschleiß | Seildurchmesser-Reduktion,Oberflächenabflachung,Verlust des Metallglanzes | Quantitative Messung erforderlichVerschleißQuantitative Messung erforderlich,Starker Lichteinfluss | Durchmesser-Regressionszweig+KonturGradientenmerkmal |
| Korrosion | PittingKorrosion,GleichmäßigKorrosion | Rotbraune Rostflecken,Schuppenförmige Ablösung,Oberflächenunebenheit | Farbmerkmal leicht mit Ölverschmutzung verwechselbar | Multispektrale Merkmalsfusion |
| Verformung | WellenförmigVerformung,LaternenförmigVerformung | Achskrümmung,Lokale Durchmesservergrößerung,LitzeAufspreizung | Große Formvariationsbreite,Geringe Stichprobenanzahl | Affine Transformation+ElastizitätVerformungErweiterung |
3. Design des Bildaufnahmesystems
Das Bildaufnahmesystem ist das „Auge" der KI-basierten Sichtprüfung. Seine Konstruktion bestimmt maßgeblich die spätere Erkennungsleistung des Modells. Das Kranseil eines Brückenkrans arbeitet unter komplexen Bedingungen: starke Lichteinstrahlung, Ölverschmutzung, Vibration und Staub stellen hohe Anforderungen an das Aufnahmesystem. Das hier vorgestellte System wurde in drei Dimensionen systematisch ausgelegt: Kamerapositionierung, Optikauswahl und Beleuchtungsstrategie.
1. Koordinierte Drei-Kamera-Anordnung
Aufgrund der geometrischen Eigenschaften und der Bewegungsdynamik des Kranseils kommt eine koordinierte Drei-Kamera-Anordnung zum Einsatz, die eine lückenlose Erfassung der gesamten Seillänge gewährleistet:
Erfassungsbereich: Erste Rollengruppe am Trommelauslauf
Sensor: Zeilenkamera CMOS (8192×1, 80 kHz Zeilenfrequenz)
Geschwindigkeitsabgleich: Synchronisierte äquidistante Erfassung über Encoder
Prüfschwerpunkt: Drahtbrüche, Verschleiß, Korrosion; zusätzlich Beurteilung der Seilführung
Vorteil: Feste Bahn, geeignet für kontinuierliche hochauflösende Bildgebung
Erfassungsbereich: Freier Seilabschnitt in der Mitte
Sensor: Flächenkamera mit Global Shutter CMOS (1920×1080, 200 fps)
Objektiv: Weitwinkel zur Erfassung seitlicher Auslenkung
Prüfschwerpunkt: Verschleißverteilung über die gesamte Länge, Wellenbildung, Schmierungszustand
Vorteil: Global Shutter ohne Bewegungsartefakte, großes Sichtfeld
Erfassungsbereich: Unterer Seilabschnitt + Bereich der Hakenflaschenrolle
Sensor: Flächenkamera mit Global Shutter CMOS (1920×1080, 200 fps)
Schutzart: Kompakte Bauweise + automatische Luftspülung gegen Ölverschmutzung
Prüfschwerpunkt: Drahtbrüche/Verschleiß im Biegebereich (Häufungszone)
Vorteil: Fokussierung auf die Schadenszone, keine Beeinträchtigung der Hakenbewegung
2. Kamerawahl und optische Parameter
Die Kamerawahl berücksichtigt zentrale Parameter wie Auflösung, Bildrate, Verschlusstyp, Lichtempfindlichkeit und Schutzart (IP). Die Aufsichtskamera verwendet einen Zeilen-CMOS-Sensor mit einer Auflösung von 8192×1 Pixel und einer maximalen Zeilenfrequenz von 80 kHz. In Verbindung mit der Encoder-Synchronisation wird eine geschwindigkeitsangepasste, äquidistante Erfassung realisiert. Die Seiten- und Unteransichtskameras sind mit 2-Megapixel-Flächensensoren mit Global Shutter ausgestattet (1920×1080, maximale Bildrate 200 fps). Die Global-Shutter-Technologie verhindert Bildverzerrungen und Bewegungsunschärfe, die bei hohen Seilgeschwindigkeiten durch den Rolling-Shutter-Effekt entstehen können. Alle Kameras verfügen über ein industrietaugliches IP67-Gehäuse mit integrierter Heizung und Entnebelungsfunktion und sind für einen Arbeitstemperaturbereich von −20 °C bis 60 °C ausgelegt.
3. Stroboskop-LED-Beleuchtung und Störfestigkeit
Die Oberfläche von Kranseilen ist in der Regel mit Schmieröl und Fett benetzt, was bei herkömmlicher Beleuchtung starke Spiegelreflexionen verursacht und die Bildqualität erheblich beeinträchtigt. Das System setzt auf eine Stroboskop-LED-Beleuchtung, deren Lichtimpulsbreite im Bereich von 10–50 µs liegt und präzise mit der Belichtungszeit der Industriekamera synchronisiert ist. Der Stroboskopmodus liefert in extrem kurzer Zeit eine hochintensive Ausleuchtung, wodurch Reflexionsflecken als minimale Lichtpunkte statt als großflächige Blenden erscheinen und gleichzeitig der Einfluss von Umgebungslicht deutlich reduziert wird. Die Beleuchtungseinheit ist ringförmig um die optische Achse des Objektivs angeordnet, um eine gleichmäßige Ausleuchtung der gesamten Seiloberfläche zu gewährleisten. Die Farbtemperatur der Lichtquelle ist auf 5000 K–6000 K Tageslichtweiß ausgelegt, abgestimmt auf das spektrale Empfindlichkeitsmaximum des Sensors der Industriekamera, um die photoelektrische Wandlungseffizienz zu maximieren.
| Kameranummer | Installationsort | SensorUntertyp | Auflösung | Bildrate/Zeilenfrequenz | ErkennungSegment |
|---|---|---|---|---|---|
| Camera 1 | LaufkatzePlattform-Draufsicht | ZeilenkameraCMOS | 8192×1 | 80kHz | Oberer Seilabschnitt(TrommelBis zum erstenRolle) |
| Camera 2 | KopfträgerSeitenaufnahme | Flächenkamera mit Global ShutterCMOS | 1920×1080 | 200fps | Mittlerer freier Seillängenbereich |
| Camera 3 | HakenUnterperspektive von oben | Flächenkamera mit Global ShutterCMOS | 1920×1080 | 200fps | Unterer Seilabschnitt+Hakenflaschenrolle |
4. Modelltraining und Datensätze
Hochwertige Datensätze und eine durchdachte Trainingsstrategie bilden das Fundament für die Leistungsfähigkeit des KI-Erkennungsmodells. Das System etabliert einen vollständigen Workflow über die drei Phasen Datenerfassung, Annotation und Training, um eine hohe Erkennungsgenauigkeit und gute Generalisierungsfähigkeit sicherzustellen.
1. Aufbau des Datensatzes
Im Produktionsbetrieb wurden über 10.000 Drahtseilbilder erfasst, die neben Normalproben die vier Fehlerkategorien Drahtbruch, Verschleiß, Korrosion und Verformung abdecken. Alle Aufnahmen entstanden unter realen Betriebsbedingungen des Brückenkrans, einschließlich verschiedener Lichtverhältnisse (bedeckt, sonnig, künstliche Beleuchtung bei Nacht), unterschiedlicher Betriebszustände (Stillstand, Langsamfahrt, Nenngeschwindigkeit) sowie diverser Lastfälle (Leerfahrt, Teillast, Volllast). Zur Erhöhung der Stichprobenvielfalt umfasst der Datensatz zusätzlich Felddaten von fünf verschiedenen Stahlwerken und Häfen, die Drahtseile mit unterschiedlichen Durchmesserspezifikationen (16 mm bis 48 mm) und verschiedenen Verseilkonstruktionen (6×19, 6×37, 8×19 usw.) abdecken.
2. Datenannotation
Die Annotation erfolgt im COCO-Datensatzformat; zu jedem Bild gehört eine zugehörige JSON-Annotationsdatei. Der Annotationsinhalt umfasst Fehlerklassen-Labels, Polygon-Bounding-Box-Koordinaten und Fehlersegmentierungsmasken. Die Annotation wird von speziell geschulten Qualitätsprüfingenieuren durchgeführt; jede Annotation wird anschließend von erfahrenen Experten einer Kreuzprüfung unterzogen, um eine Annotationsgenauigkeit von mindestens 98 % sicherzustellen. Bei strittigen Proben (z. B. Grenzfälle zwischen leichtem Verschleiß und normaler Oberflächentextur) wird der Annotationsstandard durch Gruppendiskussion und Vergleich mit physischen Referenzmustern festgelegt. Der endgültige Datensatz umfasst 11 Zielklassen mit folgender Stichprobenverteilung: lokaler Drahtbruch 1.200 Bilder, konzentrierter Drahtbruch 800 Bilder, gleichmäßiger Verschleiß 1.500 Bilder, lokaler Verschleiß 1.000 Bilder, Lochfraßkorrosion 1.200 Bilder, gleichmäßige Korrosion 800 Bilder, Wellenverformung 400 Bilder, Korbverformung 300 Bilder, Seildurchmesser-Reduktion 600 Bilder, unzureichende Schmierung 900 Bilder, Normalproben 1.300 Bilder.
3. Datenaugmentierung
Zur Verbesserung der Generalisierungsfähigkeit und Robustheit des Modells wird beim Training eine umfangreiche Datenaugmentierungsstrategie angewendet: (1) Geometrische Transformationen: zufällige Drehung (-30° bis 30°), horizontale Spiegelung, vertikale Spiegelung, zufälliges Zuschneiden und Skalieren (0,5 bis 1,5-fach); (2) Farbtransformationen: Helligkeitsanpassung (±20 %), Kontrastanpassung (±15 %), Sättigungsanpassung (±10 %), Farbtonverschiebung (±5°); (3) Rausch-Injektion: Gaußsches Rauschen (σ=5-15), Salz-und-Pfeffer-Rauschen (Dichte 0,01-0,03); (4) Unschärfesimulation: Gaußsche Unschärfe (Kernelgröße 3-7), Bewegungsunschärfe (Simulation von Bewegungsunschärfe des Drahtseils); (5) Verdeckungssimulation: Random Erasing und CutOut zur Simulation von Verschmutzungsszenarien durch Öl. Durch diese Augmentierungsstrategien wird die effektive Trainingsstichprobenmenge um mehr als das 20-fache der Originaldaten erweitert, was die Erkennungsleistung des Modells unter komplexen Betriebsbedingungen deutlich verbessert.
4. Trainingskonfiguration und -ablauf
Das Modelltraining basiert auf der YOLOv8s-Architektur; die Eingabebilder werden einheitlich auf 640×640 Pixel skaliert. Die Hyperparameter des Trainings sind wie folgt konfiguriert: Als Optimierer wird SGD with momentum (Momentum 0,937) verwendet, die anfängliche Lernrate beträgt 0,01, und es wird ein Cosinus-Annealing-Lernratenplan eingesetzt; der Gewichtsabfallkoeffizient beträgt 0,0005; die Batchgröße ist 32; die Anzahl der Trainingsepochen beträgt 300; es wird eine Vorwärmungsstrategie angewendet, bei der die Lernrate in den ersten 3 Epochen linear von 0,001 auf die anfängliche Lernrate ansteigt. Während des Trainings wird ein Early-Stopping-Mechanismus verwendet, der das Training automatisch beendet, wenn die mAP des Validierungssatzes über 30 aufeinanderfolgende Epochen keine Verbesserung zeigt. Das Modell wird auf einer einzelnen NVIDIA RTX 4090 GPU in etwa 24 Stunden bis zur Konvergenz trainiert; der endgültige Trainingsverlust sinkt unter 1,2 und die mAP des Validierungssatzes erreicht den angestrebten Kennwert.
5. Erkennungsleistung und Wartungsintegration
Nach der Systemimplementierung und kontinuierlichen Optimierung erfüllt das KI-basierte Online-Erkennungssystem für Kranseile alle Leistungskennwerte gemäß den Anforderungen für den industriellen Einsatz. Darüber hinaus ist das System tief in die betriebliche Instandhaltungsorganisation integriert und bildet einen vollständigen Geschäftszyklus aus „Erkennung – Bewertung – Alarmierung – Wartung".
1. Leistungskennwerte der Erkennung
Die Erkennungsleistung des Systems auf dem eigenen Testsatz (2.000 Bilder, unabhängig von Trainings- und Validierungssatz) ist in der folgenden Tabelle aufgeführt. Alle Kennwerte wurden auf dem Edge-Computing-Gerät Jetson Orin NX unter realen Bedingungen gemessen; die Inferenzrate liegt stabil über 40 FPS und erfüllt damit die Echtzeitanforderungen für die Erkennung von Kranseilen bei einer Geschwindigkeit von 0,5 m/s.
| FehlerKategorie | mAP@0.5 | mAP@0.5:0.95 | Präzision | Recall | F1-Score |
|---|---|---|---|---|---|
| DrahtbruchErkennung | 0.93 | 0.72 | 0.91 | 0.88 | 0.89 |
| Verschleißprüfung | 0.89 | 0.65 | 0.87 | 0.83 | 0.85 |
| KorrosionErkennung | 0.85 | 0.59 | 0.84 | 0.80 | 0.82 |
| VerformungErkennung | 0.82 | 0.56 | 0.80 | 0.76 | 0.78 |
| GesamtErkennung | ≥0.93 | ≥0.70 | ≥0.85 | ≥0.82 | ≥0.84 |
2. Integration in das CMMS-Wartungssystem
Das System koppelt sich über eine standardisierte RESTful-API-Schnittstelle an das bestehende computergestützte Instandhaltungsmanagementsystem (CMMS) des Unternehmens an. Sobald das KI-Erkennungssystem einen Drahtseilfehler erreicht, der dem voreingestellten Alarmlevel entspricht, wird automatisch der folgende Integrationsprozess ausgelöst: (1) Abruf der grundlegenden Anlagendaten, der Wartungshistorie und der Ersatzteil-Lagerbestände aus dem CMMS; (2) Automatischer Abgleich von Wartungsempfehlungen und Ablegekriterien basierend auf Fehlerart und Schweregrad gemäß Norm DIN 15018; (3) Generierung eines standardisierten Wartungsauftrags inklusive Anlagennummer, Fehlerposition (gekennzeichnet durch die Seillängen-Offset), Fehlerbild, Schweregrad, empfohlener Maßnahme und Prioritätskennzeichnung; (4) Übermittlung des Auftrags an das CMMS und automatische Zuweisung an die zuständige Gewerke- und Instandhaltungsgruppe; (5) Nach Abschluss der Arbeiten meldet das Wartungspersonal das Ergebnis zurück, das System erfasst das bearbeitete Drahtseil erneut per Bild und führt es dem kontinuierlichen Lernzyklus des Modells zu. Der gesamte Integrationsprozess von der Erkennung bis zur Auftragsauslösung dauert durchschnittlich nicht länger als 30 Sekunden und ermöglicht so einen geschlossenen Regelkreis von der Problemidentifikation bis zur Lösung.
3. Konformität mit nationalen Normen
Die Erkennungsstandards und Ablegekriterien des Systems basieren vollständig auf den folgenden nationalen Normen: Die Norm DIN 15018 legt die Methoden, die Häufigkeit und die Ablegekriterien für die tägliche Prüfung von Drahtseilen fest und bildet die Kernbasis für die Bewertung durch das System. Die Norm DIN 15018 (ersetzt DIN 15018) definiert die Sicherheitsfaktoren für die Auswahl und Auslegung von Drahtseilen. Die Vorschrift TSG Q7016-2016 (ersetzt durch EN 13000) stellt klare Anforderungen an die Konformität von Prüfungen und Inspektionen von Hebezeugen. Das System verfügt über eine integrierte, digitalisierte Regel-Engine für diese Normen, die bei der Bewertung der Erkennungsergebnisse automatisch die entsprechenden Normenabschnitte zuordnet und so sicherstellt, dass Wartungsempfehlungen und Alarmstufen vollständig konform sind.
Häufig gestellte Fragen (FAQ)
F: Kann die KI-basierte Bildverarbeitung die manuelle Inspektion vollständig ersetzen?
A: Die KI-basierte Bildverarbeitung kann die manuelle Inspektion sehr gut ergänzen, sie aber zum jetzigen Zeitpunkt nicht vollständig ersetzen. Gemäß den Anforderungen der Norm DIN 15018 muss die wiederkehrende Prüfung von Drahtseilen durch geschultes und spezialisiertes Prüfpersonal erfolgen. Das KI-Bildverarbeitungssystem ermöglicht eine 24-Stunden-Überwachung und erreicht bei typischen Fehlern wie Drahtbrüchen, Verschleiß und Korrosion eine Erkennungsgenauigkeit von über 90 %. Für Defekte, die nicht durch Oberflächenbilder erkennbar sind – wie innere Drahtbrüche oder der Zustand der Seele – sind jedoch weiterhin elektromagnetische Prüfverfahren (EMT) oder manuelle Tastkontrollen erforderlich. Das empfohlene Wartungskonzept ist eine Kombination aus „KI-Online-Überwachung und regelmäßiger manueller Nachprüfung": Das KI-System übernimmt die häufige, flächendeckende tägliche Prüfung, während das Fachpersonal die periodische, tiefergehende Nachprüfung und die Abklärung von Auffälligkeiten durchführt.
F: Wie stark beeinflussen Ölverschmutzung und Lichtschwankungen die Erkennungsgenauigkeit?
A: Ölverschmutzung und Lichtschwankungen gehören zu den größten technischen Herausforderungen für die KI-basierte Drahtseilprüfung. Das System reduziert Umwelteinflüsse durch drei Maßnahmen effektiv: Erstens wird eine gepulste LED-Beleuchtung eingesetzt, die im Mikrosekundenbereich eine kontrollierte, hochintensive Ausleuchtung ermöglicht und so den relativen Einfluss des Umgebungslichts minimiert. Zweitens enthält der Trainingsdatensatz zahlreiche Negativbeispiele mit Ölverschmutzung und unterschiedlichen Lichtverhältnissen, was die Robustheit des Modells gegenüber Störungen erhöht. Drittens werden in der Bildvorverarbeitung eine adaptive Histogrammentzerrung und ein Retinex-Algorithmus zur Beleuchtungskorrektur eingesetzt. In praktischen Feldtests zeigte sich: Bei einer Ölverschmutzung von weniger als 30 % der Seiloberfläche sinkt die Erkennungsgenauigkeit um nicht mehr als 2 Prozentpunkte. Bei starker Verschmutzung (> 50 %) kennzeichnet das System den betroffenen Bildabschnitt automatisch als „eingeschränkt bewertbar" und empfiehlt eine manuelle Nachprüfung.
F: Erfüllt die Erkennungsgenauigkeit des Systems die Anforderungen der nationalen Normen?
A: Die Erkennungsgenauigkeit des Systems ist vollständig an den Anforderungen der nationalen Normen ausgerichtet. Die Norm DIN 15018 legt die Ablegekriterien für Drahtseile fest, darunter: Erreichen von 10 % Drahtbrüchen innerhalb einer Schlaglänge, eine Durchmesserverringerung durch Verschleiß oder Korrosion von 7 % des Nenndurchmessers, sowie das Auftreten von Korb- oder Korkenzieherbildungen (Kernherausdrücken). Das System erreicht bei der Erkennung von Drahtbrüchen eine mAP ≥ 0,93, eine Messgenauigkeit des Seildurchmessers von ≤ 0,3 mm und eine Fehlertoleranz bei der Korrosionsflächenerkennung von ≤ 5 %. Zusätzlich ist eine Konformitätsprüfungs-Engine für die Normen DIN 15018 und EN 13000 integriert, die bei einer automatischen Ablegeentscheidung die spezifischen, zugrunde liegenden Normenabschnitte ausgibt. Das System wird regelmäßig durch akkreditierte Dritte kalibriert, um die messtechnische Rückführbarkeit der Ergebnisse sicherzustellen.
F: Wie gewährleistet das System langfristige Stabilität und Wartbarkeit?
A: Das System gewährleistet einen langfristig stabilen Betrieb auf drei Ebenen: Hardware, Software und Daten. Auf der Hardware-Ebene sind alle Feldgeräte mit industrieller Schutzart (IP67), einem weiten Betriebstemperaturbereich und vibrationsdämpfenden Halterungen ausgestattet; kritische Komponenten sind redundant ausgelegt. Auf der Software-Ebene ist ein Selbstdiagnosemodul integriert, das regelmäßig die Bildqualität der Kameras (Fokusschärfe, Belichtung, Bildratenkonsistenz), den Status der Inferenz-Engine und die Netzwerkverbindungsqualität überwacht. Bei Abweichungen wird automatisch alarmiert und ein Selbstheilungsversuch unternommen. Auf der Datenebene implementiert das System einen Continual-Learning-Mechanismus: Wöchentlich werden automatisch hochsichere Erkennungsergebnisse ausgewählt und nach manueller Überprüfung in den inkrementellen Trainingsdatensatz aufgenommen. Vierteljährlich wird eine Modell-Feinanpassung (Fine-Tuning) durchgeführt, damit sich das Modell an veränderte Verschleißmuster und neuartige Fehlerbilder anpassen kann. Darüber hinaus bietet das System eine Fernwartungsplattform, die Remote-Upgrades von Firmware und Modellen unterstützt und so die Wartungskosten vor Ort reduziert.
