KI-basierte Sichtprüfung für Brückenkrane als Cloud-Plattform
Cloud-Plattform für KI-basierte Sichtprüfung von Brückenkranen vorgestellt – fünf Prüffunktionen als SaaS-Lösung. Die KI-basierte Sichtprüfungstechnologie für Brückenkrane entwickelt sich von der Einzelplatzlösung hin zum Cloud-Service.
Die KI-basierte Sichtprüfungstechnologie für Brückenkrane entwickelt sich von der Einzelplatzlösung hin zum Cloud-Service. Kelude Schwerindustrie hat kürzlich die Cloud-Plattform für visuelle Inspektion von Brückenkranen vorgestellt. Die fünf Kernfunktionen – Sicherheitsüberwachung, Lastpositionierung, Drahtseilprüfung, Schweißnahtprüfung sowie visuelles SLAM zur Kartierung und Positionierung – werden als SaaS-Modell bereitgestellt. Anwender benötigen weder Edge-Computing-Hardware noch einen eigenen Inferenz-Server: Es genügt, am Brückenkran eine Industriekamera und ein Kommunikationsterminal zu installieren, um über die Cloud-basierte Inferenz-Engine Echtzeiterkennungsergebnisse zu erhalten. Im Rahmen der Beta-Phase wurde die Plattform bereits an zwölf Kundenstandorten implementiert und verifiziert; dabei wurden über 500.000 Prüfbilder verarbeitet. Die durchschnittliche Reaktionszeit der KI-Inferenz liegt unter 200 ms.
Dieser Beitrag erläutert die technische Lösung der Cloud-Plattform für visuelle Inspektion von Brückenkranen aus vier Perspektiven: Plattformarchitektur, technische Umsetzung der fünf Prüffunktionen, SaaS-Bereitstellungsmodell und Ergebnisse aus der Praxis.
Gesamtarchitektur der Cloud-Plattform
Die Cloud-Plattform für visuelle Inspektion von Brückenkranen basiert auf einer Drei-Schichten-Architektur (Endgerät – Edge – Cloud). Die KI-Inferenzfähigkeit ist zentral in der Cloud gebündelt; auf der Endgeräteseite beschränkt sich die Aufgabe auf Bilderfassung und -übertragung. Dadurch werden Hardwarekosten und Wartungsaufwand am Brückenkran minimiert.
Endgerät (Erfassungsschicht): Jeder Brückenkran wird mit 1 bis 4 industriellen KI-Kameras ausgestattet (je nach Prüfszenario optional; Auflösung 5 bis 20 Megapixel, Global-Shutter-CMOS). Die Kameras sind über Gigabit-Ethernet mit dem Kommunikationsterminal am Kran verbunden (5G-Industrie-Gateway oder 4G-DTU). Das Terminal komprimiert die Rohbilder per JPEG (Komprimierungsverhältnis ca. 15:1 bei vernachlässigbarem Qualitätsverlust), versieht sie mit Zeitstempel und Geräte-ID-Wasserzeichen und überträgt sie über 5G/4G an die Cloud-Inferenzplattform. Die typische Upload-Bitrate einer Kamera liegt bei 2–4 Mbit/s (nach Komprimierung von 1080P@15fps); im 5G-Netz können bis zu 8 Kameras gleichzeitig hochladen.
Cloud (KI-Inferenzschicht): Die Plattform läuft auf einem GPU-Cluster in der Alibaba Cloud (NVIDIA A10 GPU, ca. 31 TFLOPS FP16 Rechenleistung pro Karte) und nutzt die Inferenz-Engines YOLOv8s, YOLOv8s-weld, EfficientNet-B4 und ORB-SLAM3. Die Cloud-Inferenz-Engine setzt auf Modellparallelisierung und dynamisches Batching (maximale Batch-Größe 32). Eine einzelne GPU kann gleichzeitig die Echtzeiterkennung von 4 Videostreams verarbeiten; die Inferenzlatenz pro Frame liegt auf der GPU bei 8–15 ms (inkl. Bilddekomprimierung und Vorverarbeitung). Die Ergebnisse werden als JSON-Daten per MQTT-Protokoll in Echtzeit an die Anwenderseite übermittelt (Web, Mobile-App oder kundenseitiges MES-System); die mediane Übertragungslatenz beträgt 45 ms.
Anwendungsschicht (Benutzerinteraktion und Verwaltung): Bereitgestellt werden ein webbasiertes Verwaltungsportal (kompatibel mit Chrome/Edge/Firefox) sowie eine Mobile-App (iOS und Android). Zu den Hauptfunktionen gehören: Echtzeit-Dashboard der Erkennungsergebnisse (mit Detektionsrahmen über dem Videostream, Verlauf der Alarmmeldungen, Statistikdiagramme), Geräteverwaltung (Registrierung der Brückenkrane, Kamera-Konfiguration, Kalibrierung der Prüfbereiche), Konfiguration der Alarmstrategien (Schwellwerteinstellung, Auswahl des Alarmkanals – WeChat/SMS/E-Mail), Export der Prüfdaten (CSV/PDF, filterbar nach Gerät und Zeitraum) sowie API-Verwaltung (Generierung von API-Tokens für die Anbindung an MES-/ERP-Systeme).
Der Datenfluss in der Drei-Schichten-Architektur verläuft wie folgt: Kamera am Endgerät → Erfassung → Komprimierung und Kodierung im Terminal → Upload über 5G/4G → GPU-Inferenz in der Cloud → MQTT-Push an die Benutzeroberfläche. Die Ende-zu-Ende-Latenz über die gesamte Kette (von der Bilderfassung bis zur Anzeige des Erkennungsergebnisses beim Anwender) liegt im 4G-Netz typischerweise bei 300–600 ms, im 5G-Netz bei 120–250 ms. Die Datenübertragung ist durchgängig per TLS 1.3 verschlüsselt. Die Datenspeicherung in der Cloud erfüllt die grundlegenden Anforderungen der Schutzklasse 2 gemäß GB/T 22239-2019 „Informationstechnik – Sicherheitstechnik – Mehrstufiger Schutz der Cybersicherheit".
| Ebene | Bauteil | Kernhardware/Software | kritischKennwert |
|---|---|---|---|
| Edge-Seite | Bilderfassungund Übertragung | Industriekamera+5G/4GKommunikationsendgerät | Kompressionsverhältnis15:1,Upload-Bitrate2~4Mbps/Kanal |
| Cloud | AIInferenz-Engine | Alibaba CloudA10 GPU + YOLOv8Serie | einzelnGPUVerarbeitung4Videokanäle,Inferenz8~15ms/Frame |
| Anwendungsschicht | Benutzerinteraktion und -verwaltung | WebBackend+MobilgerätAPP+MQTTPush-Benachrichtigung | Push-BenachrichtigungLatenzMedian45ms,End-to-End<600ms |
Fünf Erkennungsmodule im Überblick
Die Cloud-Plattform integriert fünf Module für die KI-basierte Sichtprüfung an Brückenkranen. Kunden können je nach Bedarf einzelne Module abonnieren und zahlen nur für die tatsächlich genutzten Funktionen:
Modul 1: Sicherheitsüberwachung (Zutrittserkennung im Gefahrenbereich). Personenerkennung im Kranhubbereich auf Basis des YOLOv8s-Modells. Drei Kameras gewährleisten eine redundante Abdeckung der Kopfträger beidseitig sowie des Bereichs unterhalb der Laufkatze. Drei Alarmstufen: Die gelbe Warnzone (5–8 m) löst einen akustischen und optischen Alarm aus, die orange Warnzone (3–5 m) bewirkt eine Verzögerung, und die rote Gefahrenzone (<3 m) aktiviert einen STO-Stopp. Bei normalen Lichtverhältnissen liegt die mAP bei ≥95 %, bei schwachem Licht mit Infrarot-Zusatzbeleuchtung bei ≥90 %. Die Anforderungen der Norm GB/T 28264-2017 für Sicherheitsüberwachungssysteme von Hebezeugen werden erfüllt. Die monatliche Abonnementgebühr pro Brückenkran beträgt ca. 100 EUR.
Modul 2: Lastpositionierung (Bildführung zur Ausrichtung). Das YOLOv8s-Modell erkennt vier Lasttypen: Stahlcoils, Stahlbleche, Ausrüstungen und Werkzeuge. Ein Koordinatentransformationsmodul bildet Pixelkoordinaten auf Millimeter-genaue Bodenkoordinaten ab, mit einer Positioniergenauigkeit von ±5 mm. Die Anbindung an Siemens S7-1200/1500-SPS erfolgt über ein PROFINET-Gateway; Bewegungsbefehle für Kranbrücke, Laufkatze und Heben werden automatisch generiert. Die monatliche Abonnementgebühr pro Brückenkran beträgt ca. 150 EUR.
Modul 3: KI-basierte Drahtseilprüfung. Mehrere Kameras erfassen das Drahtseil aus verschiedenen Perspektiven (Draufsicht, Seitenansicht, Unteransicht). Das YOLOv8s-Modell erkennt die drei Fehlerkategorien Drahtbruch, Verschleiß und Korrosion; das EfficientNet-B4-Modell klassifiziert anschließend 11 Untertypen mit einer kombinierten mAP von ≥0,93. Die Alarmierung ist mit dem PHM-System verknüpft – die durchschnittliche Reaktionszeit von der Erkennung bis zur Erstellung eines Arbeitsauftrags beträgt maximal 30 Sekunden. Die monatliche Abonnementgebühr pro Brückenkran beträgt ca. 75 EUR.
Modul 4: KI-basierte Schweißnahtprüfung. Das YOLOv8s-weld-Modell (mit zusätzlichem Detektionskopf für kleine Objekte) erkennt fünf Fehlerkategorien: Riss, mangelhafte Durchschweißung, Pore, Schlackeneinschluss und Einbrandkerbe, mit einer kombinierten mAP von ≥0,94. Die Bewertungsebene ordnet die Ergebnisse automatisch den Qualitätsstufen I–IV gemäß der Norm GB/T 3323-2020 zu. Drei Einsatzformen werden unterstützt: AGV-Inspektionsfahrzeug, handgeführtes Prüfgerät und stationärer Prüfstand. Die monatliche Abonnementgebühr pro Brückenkran beträgt ca. 65 EUR.
Modul 5: Visuelles SLAM zur Kartierung und Positionierung. Durch die Fusion der Frameworks ORB-SLAM3 und VINS-Mono wird mit Mono-/Stereokameras und einem 6-Achsen-IMU als Sensoren eine 6-DOF-Posenschätzung und die Erstellung einer spärlichen Karte in der Werkshalle realisiert. Die Positioniergenauigkeit beträgt ±10 cm. Durch die eng gekoppelte IMU-Präintegration wird die Verlustrate der Verfolgung unter Vibrationsbedingungen von 8 % auf 0,5 % reduziert. Die monatliche Abonnementgebühr pro Brückenkran beträgt ca. 125 EUR.
Die fünf Module können einzeln oder in Kombination abonniert werden. Das Komplettpaket mit allen fünf Modulen kostet 350 EUR pro Brückenkran und Monat – das entspricht einer Ersparnis von ca. 32 % gegenüber der Einzelbuchung (Gesamtpreis 510 EUR). Es stehen sowohl monatliche als auch jährliche Zahlungsmodelle zur Verfügung; bei jährlicher Abrechnung wird ein Rabatt von 10 % gewährt.
SaaS-Bereitstellung und technologische Vorteile
Gegenüber herkömmlichen lokalen Bereitstellungskonzepten bietet die KI-basierte Cloud-Plattform für visuelle Inspektion im SaaS-Modus deutliche Vorteile in den drei Dimensionen Bereitstellungsgeschwindigkeit, Rechenleistungs-Elastizität und Wartungskosten.
Bereitstellungsgeschwindigkeit: Bei einer lokalen Bereitstellung müssen Edge-Computing-Geräte wie Jetson Orin NX/AGX beschafft werden (Hardwarekosten pro Gerät ca. 635–1.900 EUR), die Inferenzumgebung eingerichtet (TensorRT, CUDA, Modellexport etc., in der Regel 1–2 Arbeitstage) und der Inferenzdienst gewartet werden (Software-Updates, Modell-Upgrades, Hardware-Fehlerbehebung). Im SaaS-Modus genügt auf der Anlagenseite die Installation von Industriekameras und einem Kommunikationsendgerät (bestehende Überwachungskameras mit RTSP-Protokoll können weiterverwendet werden). Nach dem Einschalten und der Verbindung mit dem Netz registriert sich das Kommunikationsendgerät automatisch in der Cloud-Plattform. Nach der Kamerakalibrierung und der Konfiguration des Erkennungsbereichs über das Web-Backend kann die Erkennung starten. Der typische Bereitstellungszeitraum verkürzt sich von 3–5 Tagen bei lokaler Installation auf 2–4 Stunden.
Rechenleistungs-Elastizität: Die Rechenleistung eines lokal bereitgestellten Jetson Orin NX ist fest auf 100 TOPS begrenzt und kann nicht dynamisch an die tatsächliche Last angepasst werden. In Zeiten geringer Erkennungsaktivität (z. B. nachts) bleibt die Rechenleistung ungenutzt; bei Erkennungsspitzen (z. B. gleichzeitiger Betrieb mehrerer Brückenkrane) kann sie zum Engpass werden. Der GPU-Cluster in der Cloud unterstützt eine bedarfsgerechte elastische Skalierung: Bei steigenden parallelen Erkennungsanfragen werden automatisch GPU-Instanzen hinzugefügt (dynamische Erweiterung von 4 auf 8 Videostreams pro GPU, Skalierungsdauer ca. 2 Minuten); bei sinkender Last werden Ressourcen automatisch freigegeben. Messdaten der Plattform zeigen: Bei gleichzeitigem Betrieb von 20 Brückenkranen (insgesamt 60 Kameras) erreicht der Cloud-Inferenzdurchsatz 900 Bilder pro Sekunde – das ist das 4,5-Fache einer lokalen Jetson-Lösung (bei gleicher Größenordnung geschätzt ca. 200 Bilder pro Sekunde).
Wartungskosten: Bei einer lokalen Bereitstellung des KI-basierten visuellen Inspektionssystems werden pro Brückenkran 1–2 Jetson-Module benötigt; die Gesamtinvestition für die Hardware bei 5 Brückenkranen beträgt ca. 3.800–12.700 EUR. Zusätzlich sind KI-Algorithmus-Ingenieure für Modellwartung, Upgrades und Fehlerbehebung erforderlich, mit jährlichen Personalkosten von ca. 19.000–31.800 EUR. Im SaaS-Modus erfolgt die Abrechnung nach Nutzung, ohne anfängliche Hardware-Investition. Modell-Upgrades (z. B. von YOLOv8s auf YOLOv11 oder die Ergänzung neuer Erkennungsklassen) werden zentral über die Cloud-Plattform durchgeführt – auf Nutzerseite sind keine Maßnahmen erforderlich. Die jährlichen Kosten für das Abonnement aller fünf Module für 5 Brückenkrane betragen ca. 21.300 EUR (inklusive Cloud-Rechenleistung, Speicher und Modellwartung). Gegenüber den Drei-Jahres-TCO einer lokalen Lösung (Hardware-Abschreibung + Personal + Wartung) ergibt sich eine Ersparnis von ca. 40–55 %.
Beta-Validierung und praktische Ergebnisse
Seit Oktober 2025 wird die Cloud-Plattform bei 12 Kundenstandorten im Betatest eingesetzt, verteilt auf vier Branchen: metallurgische Industrie (5 Standorte), Schiffbau (3 Standorte), Schwermaschinenbau (3 Standorte) und neue Energien (1 Standort). Während der Betaphase galt ein Modell aus kostenloser Nutzung und Feedback-Erfassung; pro Brückenkran wurden 1–3 Erkennungsmodule konfiguriert, die kumulierte Laufzeit beträgt 180 Tage. Die folgenden Messdaten wurden erfasst:
Beim Test des Sicherheitsüberwachungsmoduls ereigneten sich an den 12 Standorten insgesamt 142 Zutrittsvorfälle im Gefahrenbereich. Die KI-Erkennung der Cloud-Plattform meldete 136 Vorfälle korrekt; 6 Vorfälle wurden übersehen (alle bei schwachem Licht in Kombination mit starker Verdeckung). Die Recall-Rate der Erkennung beträgt 95,8 %, die Fehlalarmrate 0,3 Vorfälle pro Brückenkran und Tag. Das Drahtseilprüfmodul hat an 3 metallurgischen Standorten insgesamt mehr als 12.000 m Drahtseil geprüft und 38 Schweißnahtfehler der Stufe Grade 2 und darüber gefunden; die Übereinstimmung mit den Ergebnissen der manuellen Nachprüfung bei Stillstand beträgt 93,2 %. Das Schweißnahtprüfmodul wurde an einem Schiffbaustandort an Stumpfnähten des Hauptträgers mit UT-Verifikation verglichen; die Abweichung zwischen KI-erkannter Fehlerposition und UT-Nachprüfung liegt unter 3 mm.
Die Kundenzufriedenheitsumfrage (NPS, Net Promoter Score) ergab einen Wert von 62 Punkten – deutlich über dem durchschnittlichen NPS-Benchmark für SaaS-Software in der Branche (ca. 40 Punkte). Die drei am häufigsten positiv bewerteten Eigenschaften im Kundenfeedback sind: die schnelle Inbetriebnahme ohne Hardware-Bereitstellung (Durchschnitt 4,7/5), der wartungsfreie Betrieb durch automatische Cloud-Modellupdates (4,5/5) und die flexible, modulbasierte Abrechnung (4,3/5). Die wichtigsten Verbesserungsvorschläge betreffen die Zwischenspeicherung von Ergebnissen und die Offline-Erkennungsfähigkeit bei instabilen Netzwerkverbindungen – diese Funktion ist bereits für das Q3-Release 2026 geplant.
Häufige Fragen (FAQ)
F: Erfüllt die KI-Erkennung der Cloud-Plattform die Echtzeitanforderungen für die Sicherheitssteuerung von Brückenkranen?
F: Wie hoch ist die Ende-zu-Ende-Latenz der Cloud-Plattform für visuelle Inspektion von Kelude Brückenkranen?
A: Die Ende-zu-Ende-Latenz der Cloud-Plattform für visuelle Inspektion von Kelude Brückenkranen beträgt im 5G-Netz 120–250 ms und im 4G-Netz 300–600 ms. Für Sicherheitsüberwachungsszenarien wird empfohlen, die Erkennungsergebnisse als unterstützende Sicherheitsinformationen zu nutzen und nicht als direktes Steuersignal für den Sicherheitskreis. Gemäß GB/T 28264-2017 „Hebezeuge – Sicherheitsüberwachungs- und Managementsystem" muss die Signallatenz für die direkte Steuerung des Sicherheitskreises unter 100 ms liegen. Die aktuelle Cloud-Plattform-Lösung eignet sich für Alarmhinweise und unterstützende Überwachung. Für direkte Sicherheitsverriegelungssteuerungen wird eine lokale Jetson-Edge-Inferenzlösung empfohlen (Ende-zu-Ende-Latenz < 100 ms). Die Cloud-Plattform unterstützt eine hybride Bereitstellung mit der Edge-Lösung: Die Edge-Seite übernimmt die Echtzeit-Sicherheitssteuerung, die Cloud-Seite die Datenspeicherung und Fernüberwachung.
F: Ist die Nutzung bei schlechten Netzwerkbedingungen in der Werkstatt möglich (keine 5G-Abdeckung, instabiles 4G-Signal)?
A: Ja. Das Kommunikationsterminal unterstützt Dual-SIM-Dual-Modem-Redundanz und lokale Zwischenspeicherung: Bei intakter Netzwerkverbindung werden Bilder in Echtzeit hochgeladen und Inferenzergebnisse empfangen. Bei Netzwerkunterbrechung erfolgt eine automatische Umschaltung auf den Reserve-Betreiber (Umschaltzeit < 15 Sekunden); die während der Unterbrechung aufgenommenen Bilder werden im lokalen Speicher des Terminals zwischengespeichert (maximale Speicherkapazität 256 GB, ca. 72 Stunden komprimiertes Video mit 1080P@15fps). Nach Wiederherstellung der Netzwerkverbindung werden die zwischengespeicherten Bilder automatisch nachgesendet und die Inferenz nachgeholt, sodass keine Erkennungsdaten verloren gehen. Für Werkstätten mit dauerhaft schlechten Netzwerkbedingungen wird eine hybride Bereitstellung empfohlen – die Edge-Seite führt mit einem leichtgewichtigen Modell Echtzeiterkennungen durch, die Cloud-Seite übernimmt Modellupdates und Daten-Backup.
F: Können in der Cloud gespeicherte Erkennungsdaten die Produktionsinformationen der Werkstatt des Kunden offenlegen?
A: Die Plattform folgt beim Design dem Prinzip der minimalen Datenerfassung: In der Cloud werden ausschließlich KI-Erkennungsergebnisse (Objektklasse, Erkennungsrahmen-Koordinaten, Konfidenzwerte und Zeitstempel) sowie Schlüsselbilder bei Alarmauslösung gespeichert – keine vollständigen Roh-Videostreams. Kunden können die Datenaufbewahrungsfrist im Web-Backend selbst konfigurieren (drei Stufen: 7 Tage / 30 Tage / 90 Tage); abgelaufene Daten werden automatisch gelöscht. Die Datenspeicherung erfolgt in einer physisch getrennten Multi-Tenant-Architektur (jeder Kunde erhält eine eigene Datenbankinstanz), mit verschlüsselter Übertragung (TLS 1.3) und verschlüsselter Speicherung (AES-256). Die Plattform hat die Prüfung gemäß Klassifizierungsschutz Stufe 2 sowie die ISO-27001-Zertifizierung für Informationssicherheitsmanagementsysteme bestanden. Gemäß GB/T 22239-2019 gilt die Schutzstufe 2 für allgemeine industrielle Internetsysteme und erfüllt die Datensicherheitsanforderungen für die Fernwartung von Brückenkranen.
F: Wie erfolgt die Modellversionierung im SaaS-Abonnementmodell? Können Kunden eigene Modelle verwenden?
A: Die Erkennungsmodelle werden zentral von der Cloud-Plattform gewartet und aktualisiert. Aktuell läuft die YOLOv8s-Modellfamilie; die Plattform führt vierteljährlich eine Modelliteration durch (inkrementelles Training und Genauigkeitsbewertung auf Basis neuer Trainingsdaten). Neue Modellversionen werden nach erfolgreichen Regressionstests (die Genauigkeit auf dem Standard-Testsatz darf nicht abfallen) automatisch per Canary-Release ausgerollt. Für Kunden mit individuellen Erkennungsanforderungen (z. B. Erkennung spezieller Werkstücktypen) unterstützt die Plattform das Hochladen eigener Trainingsdatensätze durch den Kunden. Die Plattform-Ingenieure führen anschließend ein Fine-Tuning des Modells durch und stellen es auf einer dem Kunden exklusiv zugewiesenen Inferenzinstanz bereit. Der Fine-Tuning-Service wird pro Vorgang abgerechnet (ca. 3.000–8.000 CNY pro Vorgang); die Bearbeitungszeit beträgt ca. 5–10 Werktage. Modellupdates und Fine-Tuning haben keine Auswirkungen auf den laufenden Betrieb anderer Kunden.
