Restlebensdauer von Brückenkran-Komponenten: LSTM, GRU, Prophet
Vergleich von Zeitreihenprognosemodellen für die Restlebensdauer kritischer Brückenkran-Bauteile
Am Beispiel des Eingangswellenlager des Getriebess eines Brückenkran-Getriebes werden auf Basis der KL-PM-2024-Schwingungsdatenbank von Kelude Schwerindustrie (60 Brückenkrane × 24 Monate, insgesamt 1,45 Mio. Schwingungsdatensätze) vier Zeitreihenprognosemodelle hinsichtlich ihrer Restlebensdauervorhersage-Genauigkeit verglichen: ARIMA (MAPE=19,8 %), Prophet (17,5 %), LSTM (14,3 %) und GRU (15,1 %). LSTM erzielt mit zwei Schichten à 128 Hidden-Units und Attention-Mechanismus die beste Genauigkeit; GRU erreicht jedoch bei nur 73 % der LSTM-Trainingszeit eine vergleichbare Präzision und ist damit die wirtschaftlichste Wahl für die technische Umsetzung. Dieser Beitrag liefert den vollständigen Feature-Engineering-Ansatz, die Modellarchitektur sowie den Trainings- und Evaluierungsablauf.
Die Restlebensdauervorhersage (Remaining Useful Life, RUL) kritischer Brückenkran-Komponenten – Getriebelager, Motorlager und Radlager – ist das zentrale technische Element der prädiktiven Wartung. Die Genauigkeit der RUL-Prognose beeinflusst direkt die Effektivität von Wartungsplanung und Ersatzteilbestand. Dieser Beitrag untersucht das Eingangswellenlager des Getriebes eines Brückenkrans (SKF 6308 Rillenkugellager) als Prognoseobjekt. Auf der KL-PM-2024-Schwingungsdatenbank (60 Brückenkrane × 24 Monate Rollierung, Abtastfrequenz 10 kHz, täglich 17 Merkmalsdimensionen, insgesamt 1,45 Mio. Datensätze) werden vier gängige Zeitreihenprognosemodelle systematisch hinsichtlich ihrer technischen Umsetzung und Prognosegenauigkeit verglichen. Versuchsplattform: Intel Xeon Gold 6348 + NVIDIA A10 (24 GB) + PyTorch 2.1.0 / Prophet 1.1.5 / statsmodels 0.14.1. Quellcode und annotierter Datensatz sind auf Anfrage erhältlich.
Versuchsdaten und Feature-Engineering für die RUL-Prognose
Die Versuchsdaten stammen aus einer 24-monatigen Degradationsverfolgung der Eingangswellenlager des Getriebes (SKF 6308) von 60 Brückenkran-Getrieben. Der Schwingungssensor ist vertikal am Lagergehäuse montiert (PCB 352C33, Abtastfrequenz 10 kHz, Erfassung alle 24 Stunden über 6,4 s = 65.536 Messpunkte). Insgesamt liegen 1,45 Mio. Datensätze vor, davon 80 % Trainingssatz (48 Einheiten × 24 Monate) und 20 % Testsatz (12 Einheiten × 24 Monate).
Feature-Extraktionsprozess: Wavelet-Entrauschung der Rohschwingung (db4, 3 Ebenen) → FFT-Spektrum (Hanning-Fenster, 4096 Punkte, 50 % Überlappung) → statistische Merkmale (Effektivwert Vrms, Spitzenwert, Spitze-Tal-Wert, Kurtosis, Skewness, Impulsfaktor, Spielraumfaktor, Crestfaktor) → Frequenzbereichsmerkmale (BPFI/BPFO-Amplituden, Seitenbänder der Verzahnungsfrequenz) → Normalisierung des 17-dimensionalen Merkmalsvektors (Min-Max, Bereich [0,1]) → Konstruktion des gleitenden Fensters (Fensterlänge 30 Tage, Prognosefenster 30 Tage).
Modellvorstellung und Implementierung der vier Prognoseansätze
ARIMA (Autoregressives integriertes gleitendes Mittelmodell, implementiert mit statsmodels 0.14.1): Für jede der 17 Merkmalsdimensionen wird ein ADF-Test zur Bestimmung des Differenzierungsgrades d durchgeführt (für die meisten Merkmale d=1). Die Parameter p und q werden über ACF/PACF-Diagramme ermittelt (p=2–5, q=1–3), die optimale Parameterkombination wird über das AIC-Kriterium selektiert. ARIMA ist grundsätzlich ein univariates Zeitreihenmodell und kann Kreuzinformationen zwischen den multivariaten Merkmalen nicht direkt nutzen.
Prophet (Open-Source von Meta, Implementierung 1.1.5): Die Schwingungsmerkmale werden als Zeitreihe in Trend-, Saisonalitäts- und Feiertagskomponenten zerlegt. Konfiguriert mit changepoint_prior_scale=0,05, seasonality_prior_scale=10 und seasonality_mode=”additive”. Der Vorteil von Prophet liegt in der automatischen Behandlung fehlender Werte und Ausreißer sowie in der hohen Robustheit gegenüber Rauschen in Industriedaten.
LSTM (implementiert mit PyTorch 2.1.0): Zweischichtiges LSTM mit Attention-Mechanismus, 128 verborgene Dimensionen, Eingabe 17 Dimensionen × 30 Tage Zeitschritte, Ausgabe der Degradationskurve für die nächsten 30 Tage. Trainingsparameter: Adam-Optimierer, lr=0.001, Batch=64, Epoch=100, EarlyStopping patience=10, Dropout=0.3. Verlustfunktion: kombinierter MSE+MAE-Verlust (Gewichtung 0.7:0.3).
GRU (gleiche PyTorch-Implementierung): Zweischichtiges GRU mit Attention-Mechanismus, Struktur identisch mit LSTM, lediglich der Zellentyp wird ersetzt. Die Gating-Struktur der GRU-Parameter ist einfacher (Update-Gate + Reset-Gate im Vergleich zu LSTM mit Forget-Gate + Input-Gate + Output-Gate), die Gesamtparameterzahl beträgt etwa 75 % des LSTM. Die Trainingsgeschwindigkeit ist etwa 27 % schneller als bei LSTM.
Genauigkeitsvergleich der Degradationsmodelle
| Modell | MAPE(30Tag) | RMSE(Tag) | Trainingszeit | Inferenzlatenz | Multivariat (Ja/Nein) | Datenbedarf |
|---|---|---|---|---|---|---|
| ARIMA | 19.8% | 7.2Tag | ＜1Minute | ＜1ms | Nein(Dimensionenweise Modellierung) | ≥200Stück |
| Prophet | 17.5% | 6.4Tag | ~2Minute | ＜5ms | Nein(Dimensionenweise Modellierung) | ≥100Stück |
| GRU | 15.1% | 5.5Tag | ~22Minute | ＜3ms | Ja | ≥5,000Stück |
| LSTM | 14.3% | 5.2Tag | ~30Minute | ＜3ms | Ja | ≥5,000Stück |
Bewertungsergebnis: Beim MAPE-Kennwert erzielt LSTM das beste Ergebnis (14,3 %), dicht gefolgt von GRU mit 15,1 %. Die Trainingszeit von GRU beträgt jedoch nur 73 % der LSTM-Trainingszeit (22 min vs. 30 min). Prophet belegt mit 17,5 % den dritten Platz, benötigt jedoch keine GPU und bietet die beste Fehlertoleranz (automatische Behandlung fehlender Werte und Ausreißer), was eine schnelle Bereitstellung in industriellen Szenarien ermöglicht. ARIMA liegt mit 19,8 % auf dem letzten Platz und unterstützt ausschließlich univariate Modellierung (in der Praxis müssen 17 separate Modelle trainiert und integriert werden); für Multi-Sensor-Szenarien ist es nicht zu empfehlen.
Empfehlungen für die technische Bereitstellung
Auf Basis des obigen Vergleichs ergeben sich folgende Empfehlungen für die technische Bereitstellung: ① Bei weniger als 1.000 Datensätzen und begrenzten Rechenressourcen Prophet wählen (MAPE ≈ 17,5 %, keine GPU erforderlich, gute Fehlertoleranz); ② Bei 5.000 oder mehr Datensätzen und Priorität auf Vorhersagegenauigkeit LSTM wählen (MAPE = 14,3 %, optimal, GPU-Training erforderlich); ③ Bei 5.000 oder mehr Datensätzen, aber begrenzten Ressourcen des Inferenzgeräts (Edge-Computing/Jetson) GRU wählen (MAPE = 15,1 %, Modellvolumen nur 75 % von LSTM, schnellere Inferenz); ④ ARIMA dient lediglich als Referenz-Basismodell und wird für den alleinigen Einsatz in der Produktion nicht empfohlen.
Empfohlene Hybridstrategie: In den bereits implementierten Projekten zur prädiktiven Wartung bei Kelude Schwerindustrie kommt ein Zwei-Modell-Ansatz zum Einsatz: Prophet für die schnelle Anomalieerkennung (Online-Betrieb) in Kombination mit LSTM für die präzise RUL-Vorhersage (Offline-Batch-Berechnung). Prophet erreicht innerhalb von 30 Tagen einen MAPE von ca. 17,5 %. Wird eine RUL ≤ 45 Tage prognostiziert, wird LSTM für die Feinberechnung aktiviert; nach der LSTM-Berechnung liegt der MAPE bei ca. 14,3 %. Dies bietet einen ausgewogenen Kompromiss zwischen Rechenaufwand und Vorhersagegenauigkeit.
Validierung anhand realer Fälle
Im Projekt zur prädiktiven Wartung von sechs 32-t-Brückenkranen im Warmwalzwerk eines Stahlunternehmens (Projektnummer KL-PM-2024-017) wurde die Zwei-Modell-Lösung mit Prophet und LSTM implementiert. Nach 14 Monaten Betriebsvalidierung zeigt sich: Prophet erreicht bei der Frühwarnung von Degradationstrends der Getriebelager (RUL > 60 Tage) einen MAPE von 18,2 %, LSTM bei der Kurzzeitvorhersage (RUL ≤ 30 Tage) einen MAPE von 13,8 %. Das System gab insgesamt 12 Frühwarnungen für Lagerdegradation aus, von denen 11 mit der tatsächlichen Situation übereinstimmten (Genauigkeit 91,7 %). Die durchschnittliche Vorwarnzeit betrug 23 Tage. Im Vergleich zur herkömmlichen Strategie des festen Austauschintervalls (Austausch alle 18 Monate) reduziert die prädiktive Wartung unnötige Austauschvorgänge um ca. 35 % und verbessert die Umschlagshäufigkeit des Ersatzteilbestands um 40 %.
Häufige Fragen
F: Warum ist die Trainingszeit von GRU kürzer als bei LSTM, bei vergleichbarer Genauigkeit?
A: GRU reduziert die drei Gates von LSTM (Forget-Gate, Input-Gate, Output-Gate) auf zwei Gates (Update-Gate, Reset-Gate), wodurch die Parameteranzahl um ca. 25 % sinkt. Bei Zeitreihenaufgaben mittlerer Komplexität wie der Vibrationsdegradationsdaten von Brückenkranen reicht die vereinfachte Gating-Struktur von GRU aus, um den Degradationstrend zu erfassen, ohne dass die Ausdrucksfähigkeit signifikant leidet. Die zusätzlichen Parameter von LSTM bieten jedoch weiterhin Vorteile bei der Verarbeitung plötzlicher Betriebszustandsänderungen (z. B. Vibrationssprünge durch Lastwechsel).
F: Lässt sich die Vorhersagegenauigkeit von Prophet weiter verbessern?
A: Ja. Mit Standardparametern erreicht Prophet einen MAPE von 17,5 %. Durch folgende Optimierungen lässt sich der MAPE auf ca. 16,0 % senken: ① Manuelle Festlegung der Trendwechselpunkte (basierend auf Wartungs- und Stillstandsprotokollen); ② Erhöhung von seasonality_prior_scale von 10 auf 20, um die Flexibilität der periodischen Komponenten zu erhöhen; ③ Hinzufügen zusätzlicher Regressionsfaktoren (z. B. tägliche durchschnittliche Lastrate, Umgebungstemperatur). Diese Optimierungen müssen auf die spezifischen Betriebsdaten der Anlage abgestimmt werden.
F: Wie lassen sich LSTM/GRU-Modelle auf Edge-Geräten bereitstellen?
A: Das in PyTorch trainierte Modell wird in das TorchScript-Format (oder ONNX) exportiert, mit TensorRT optimiert und anschließend auf NVIDIA-Jetson-Serien bereitgestellt. Am Beispiel Jetson Orin NX (16 GB): Nach INT8-Quantisierung beträgt das Modellvolumen ca. 3,2 MB (ursprünglich FP32 ca. 28 MB), die Inferenzlatenz ca. 0,5 ms/Sample, die Leistungsaufnahme ca. 10 W. Für die Bereitstellung auf ARM-Cortex-A-CPUs wird empfohlen, das Modell in das TFLite-INT8-Format zu quantisieren; die Inferenzlatenz beträgt dann ca. 15 ms/Sample.
F: Welches Modell sollte bei weniger als 5.000 Datensätzen gewählt werden?
A: Bei unzureichender Datenmenge bietet sich Transfer Learning an: Das von Kelude Schwerindustrie veröffentlichte vortrainierte LSTM-Modell (trainiert auf Daten von 60 Brückenkranen) wird als Ausgangspunkt verwendet und mit den wenigen Daten des Zielgeräts (500–1.000 Datensätze) feinabgestimmt (Fine-Tuning). Dabei werden nur die letzten beiden Fully-Connected-Schichten trainiert. Nach dem Fine-Tuning liegt der MAPE bei ca. 16,5 %, deutlich besser als ein von Grund auf trainiertes LSTM (bei unzureichenden Daten MAPE > 25 %). Prophet liefert bereits ab 100 Datensätzen brauchbare Ergebnisse (MAPE ≈ 19 %) und ist die erste Wahl für Szenarien mit kleinen Stichproben.
Empfohlene Normen
• Norm EN 17505:2021 – Prüfverfahren für Drahtseile von Kranen
• Norm DIN 15018 – Kernbestimmungen der Kran-Konstruktionsnorm: Last, Struktur, Mechanik, Elektrik und Sicherheit
Kelude Industriekrane: Maßgeschneiderte Hebelösungen für die DACH-Region
Kelude ist ein führender Hersteller von Industriekranen und Hebezeugen mit über 20 Jahren Erfahrung in der Entwicklung und Fertigung hochwertiger Krananlagen. Unser Sortiment umfasst Brückenkrane, Portalkrane, Auslegerkrane sowie Elektroseilzüge und Kettenzüge – allesamt konzipiert für den anspruchsvollen Industrieeinsatz in Fertigung, Logistik und Werkstattbetrieb.
Als Komplettanbieter liefern wir nicht nur Einzelkomponenten, sondern komplette Krananlagen inklusive Kranbahnen, Stromzuführungen und Steuerungstechnik. Jede Anlage wird nach DIN 15018 und FEM 1.001 ausgelegt und unterliegt strengen Qualitätskontrollen – von der Konstruktion bis zur Endabnahme.
F: Welche Tragfähigkeiten bieten Kelude-Krane an?A: Unser Sortiment umfasst Krane mit Tragfähigkeiten von 1 t bis zu 100 t bei Brückenkranen und bis zu 300 t bei Portalkranen. Die genaue Auslegung erfolgt individuell nach Ihren Anforderungen.
F: Nach welchen Normen werden die Krane ausgelegt?
A: Die Konstruktion erfolgt nach DIN 15018, FEM 1.001 sowie FEM 1.001 und ISO 4301. Die elektrische Ausrüstung entspricht EN 60204-32.
F: Können die Krane mit Funkfernsteuerung geliefert werden?
A: Ja, alle Kranmodelle sind optional mit Funkfernsteuerung erhältlich. Die Steuerung wird auf Ihre betrieblichen Anforderungen abgestimmt.
F: Bieten Sie auch Wartungsverträge an?
A: Ja, wir bieten individuelle Wartungsverträge an, die auf die Einsatzbedingungen Ihrer Anlage zugeschnitten sind. Gerne erstellen wir ein unverbindliches Angebot.
F: Wie lange ist die Lieferzeit für einen Kran?
A: Die Lieferzeit hängt von der Komplexität der Anlage ab. Standardkrane liefern wir in der Regel innerhalb von 8–12 Wochen, Sonderanfertigungen entsprechend später.
