Vergleich von Methoden zur Vorhersage der verbleibenden Lebensdauer von Schlüsselkomponenten von Laufkränen – Technische Umsetzung und Genauigkeitsbewertung der vier Modelle LSTM, GRU, Prophet und ARIMA
📌 Vergleich verschiedener Methoden zur Vorhersage der RUL-Zeitabfolge für Schlüsselkomponenten von Krananlagen
Am Beispiel der Eingangslager von Kran-Getrieben wurde anhand der Schwingungsdatenbank des Projekts KL-PM-2024 von Krued Heavy Industry (60 Krane × 24 Monate, insgesamt 1,45 Millionen Schwingungsdatensätze) die Vorhersagegenauigkeit der verbleibenden Lebensdauer der vier Zeitreihenvorhersagemodelle ARIMA (MAPE = 19,81 TP3T), Prophet (17,51 TP3T), LSTM (14,31 TP3T) und GRU (15,11 TP3T) verglichen. LSTM erzielte mit einer zweischichtigen Struktur aus 128 versteckten Einheiten und einem Attention-Mechanismus die beste Genauigkeit; GRU erreichte jedoch mit einer Trainingszeit von nur 731 TP3T – im Vergleich zu LSTM – eine ähnliche Genauigkeit und ist somit die kosteneffizienteste Wahl für den Einsatz in der Praxis. Dieser Artikel beschreibt die vollständige Methode der Merkmalsaufbereitung, die Modellstruktur sowie den Trainings- und Bewertungsprozess.
Die Vorhersage der Restlebensdauer (Remaining Useful Life, RUL) der Schlüsselkomponenten von Laufkränen (Getriebelager, Motorlager, Radlager) ist der zentrale technische Aspekt der vorausschauenden Instandhaltung. Die Genauigkeit der RUL-Vorhersage wirkt sich direkt auf die Optimierung der Instandhaltungsplanung und des Ersatzteilbestands aus. In diesem Beitrag wird das Eingangslager des Getriebes eines Laufkrans (SKF 6308 Rillenkugellager) als Prognoseobjekt herangezogen. Anhand der Schwingungsdatenbank des Projekts KL-PM-2024 (60 Laufkräne × 24 Monate fortlaufende Datenerfassung, Abtastrate 10 kHz, tägliche Extraktion von 17 Merkmalsdimensionen, insgesamt 1,45 Millionen Datensätze) vergleicht das System die technischen Umsetzungsmethoden und die Vorhersagegenauigkeit von vier gängigen Zeitreihen-Prognosemodellen. Experimentelle Plattform: Intel Xeon Gold 6348 + NVIDIA A10 (24 GB) + PyTorch 2.1.0 / Prophet 1.1.5 / statsmodels 0.14.1. Der Quellcode und der annotierte Datensatz können auf Anfrage bereitgestellt werden.
Experimentelle Daten und Feature-Engineering
Die Versuchsdaten stammen aus einer 24-monatigen Verschleißbeobachtung an den Antriebslagern (SKF 6308) von 60 Kran-Getrieben. Die Schwingungssensoren wurden in vertikaler Richtung am Lagergehäuse angebracht (PCB 352C33, Abtastrate 10 kHz, Erfassung alle 24 Stunden für 6,4 Sekunden = 65.536 Datenpunkte). Insgesamt wurden 1,45 Millionen Datensätze erfasst, davon 80% als Trainingsdatensatz (48 Kran × 24 Monate) und 20% als Testdatensatz (12 Kran × 24 Monate).
Verfahren zur Merkmalsextraktion: Rohschwingung → Wavelet-Rauschunterdrückung (db4, 3 Schichten) → FFT-Spektrum (Hanning-Fenster, 4096 Punkte, 50%-Überlappung) → Statistische Merkmale (Effektivwert Vrms, Spitzenwert, Spitze-Spitze-Wert, Steilheit, Schiefe, Impulsfaktor, Sicherheitsfaktor, Spitzenwertfaktor) → Frequenzbereichsmerkmale (BPFI/BPFO-Amplitude, Flankenfrequenz des Zahnrad-Eingriffs) → 17-dimensionaler Merkmalsvektor → Normalisierung (Min-Max, Bereich [0,1]) → Erstellung eines gleitenden Fensters (Fensterlänge 30 Tage, Prognosefenster 30 Tage).
4. Vorstellung und Umsetzung der Modelle
ARIMA (Autoregressives Modell mit gleitendem Durchschnitt, Implementierung in statsmodels 0.14.1): Für jedes der 17-dimensionalen Merkmale wird ein ADF-Test durchgeführt, um den Differenzierungsgrad d zu bestimmen (für die meisten Merkmale gilt d = 1). Anhand von ACF-/PACF-Diagrammen werden p und q festgelegt (p = 2–5, q = 1–3), und die optimalen Parameter werden anhand des AIC-Kriteriums ausgewählt. ARIMA ist im Wesentlichen ein eindimensionales Zeitreihenmodell, das die Kreuzkorrelationen zwischen mehreren Variablen nicht direkt nutzen kann.
Prophet (Open Source von Meta, Implementierung 1.1.5): Zerlegung der Schwingungsmerkmale anhand der Zeitreihe in Trendkomponente, periodische Komponente und Feiertagseffekt. Einstellung: changepoint_prior_scale=0,05, seasonality_prior_scale=10, seasonality_mode=”additive”. Der Vorteil von Prophet besteht darin, dass fehlende Werte und Ausreißer automatisch verarbeitet werden und das Modell eine hohe Toleranz gegenüber Rauschen in Industriedaten aufweist.
LSTM (Implementierung in PyTorch 2.1.0): Zweischichtiges LSTM + Attention, 128-dimensionale versteckte Schicht, Eingabe: 17 Dimensionen × 30 Tage Zeitschritte, Ausgabe: Degradationskurve für die nächsten 30 Tage. Trainingsparameter: Adam-Optimierer, lr = 0,001, Batch = 64, Epoch = 100, EarlyStopping-Patience = 10, Dropout = 0,3. Verlustfunktion: gemischter MSE-MAE-Verlust (Gewichtung 0,7:0,3).
GRU (entsprechend der PyTorch-Implementierung): Zweischichtige GRU + Attention; die Struktur entspricht der von LSTM, lediglich der Zelltyp wurde ersetzt. Die Parameter-Gating-Struktur der GRU ist einfacher (Update-Gate + Reset-Gate im Vergleich zu Forget-Gate, Input-Gate und Output-Gate bei LSTM), die Gesamtzahl der Parameter beträgt etwa 75% im Vergleich zu LSTM. Die Trainingsgeschwindigkeit ist um etwa 27% höher als bei LSTM.
Vergleich und Bewertung der Genauigkeit
| Modell | MAPE (30 Tage) | RMSE (Tage) | Trainingszeit | Verzögerung bei der Schlussfolgerung | Ist es multivariat? | Datenbedarf |
|---|---|---|---|---|---|---|
| ARIMA | 19.8% | 7,2 Tage | <1 Minute | <1 ms | Nein (dimensionale Modellierung) | ≥200 Einträge |
| Prophet | 17.5% | 6,4 Tage | ~2 Minuten | <5 ms | Nein (dimensionale Modellierung) | ≥100 Einträge |
| GRU | 15.1% | 5,5 Tage | ~22 Minuten | <3 ms | 是 | ≥ 5.000 Einträge |
| LSTM | 14.3% | 5,2 Tage | ~30 Minuten | <3 ms | 是 | ≥ 5.000 Einträge |
Bewertungsergebnis: Beim MAPE-Maß schneidet LSTM am besten ab (14,31 TP3T), dicht gefolgt von GRU mit 15,11 TP3T, wobei die Trainingszeit von GRU jedoch nur 731 TP3T der von LSTM beträgt (22 min gegenüber 30 min). Prophet belegt mit 17,51 TP3T den dritten Platz, benötigt jedoch keine GPU und weist die beste Fehlertoleranz auf (automatische Verarbeitung von fehlenden Werten und Ausreißern), wodurch es sich für den schnellen Einsatz in industriellen Szenarien eignet. ARIMA belegt mit 19,81 TP3T den letzten Platz und unterstützt zudem nur die univariate Modellierung (in der Praxis müssen 17 unabhängige Modelle ausgeführt und anschließend integriert werden); daher wird es für Szenarien mit mehreren Sensoren nicht empfohlen.
Empfehlungen zur Projektumsetzung
Auf der Grundlage des oben dargestellten Vergleichs werden folgende Empfehlungen für die technische Umsetzung gegeben: ① Bei einem Datenvolumen von < 1.000 Datensätzen und begrenzten Rechenressourcen → Wahl von Prophet (MAPE ≈ 17,51 TP3T, keine GPU erforderlich, gute Fehlertoleranz); ② Bei einem Datensatz von ≥ 5.000 Datensätzen und Priorität auf Prognosegenauigkeit → LSTM wählen (MAPE = 14,31 TP3T, optimal, erfordert GPU-Training); ③ Bei einem Datensatz von ≥ 5.000 Datensätzen, aber begrenzten Ressourcen auf den Inferenzgeräten (Edge-Computing/Jetson) → Wählen Sie GRU (MAPE = 15,11 TP3T, Modellgröße beträgt nur 751 TP3T des LSTM-Modells, schnellere Inferenz); ④ ARIMA dient lediglich als Referenzmodell und wird nicht für den alleinigen Einsatz in Produktionsumgebungen empfohlen.
Empfehlung für einen kombinierten Ansatz: Bei den bereits bei Krued Heavy Industries implementierten Projekten zur vorausschauenden Instandhaltung wird ein Dual-Modell-Ansatz verwendet, bei dem Prophet für die schnelle Anomalieerkennung (Online-Betrieb) und LSTM für die präzise RUL-Prognose (Offline-Batch-Berechnung) eingesetzt wird. Prophet erreicht innerhalb von 30 Tagen einen MAPE von ca. 17,51 TP3T. Wenn die prognostizierte RUL ≤ 45 Tage beträgt, wird LSTM zur Feinberechnung ausgelöst; nach der LSTM-Feinberechnung liegt der MAPE bei ca. 14,31 TP3T, wodurch ein ausgewogenes Verhältnis zwischen Rechenaufwand und Prognosegenauigkeit erreicht wird.
Überprüfung anhand praktischer Beispiele
Im Rahmen des Projekts zur vorausschauenden Instandhaltung von sechs 32-Tonnen-Brückenkränen in der Warmwalzwerkhalle eines Stahlunternehmens (Projektnummer KL-PM-2024-017) wurde ein Dual-Modell-Ansatz mit Prophet und LSTM eingesetzt. Nach einer 14-monatigen Validierung im Echtbetrieb ergab sich für die Frühwarnung durch Prophet hinsichtlich der Verschleißentwicklung der Getriebelager (RUL > 60 Tage) ein MAPE-Wert von 18,21 TP3T, während LSTM bei der Kurzfristprognose (RUL ≤ 30 Tage) einen MAPE-Wert von 13,81 TP3T erzielte. Das System gab insgesamt 12 Frühwarnungen vor Lagerverschleißereignissen aus, von denen 11 mit der tatsächlichen Situation übereinstimmten (Trefferquote 91,71 TP3T); die durchschnittliche Vorwarnzeit betrug 23 Tage. Im Vergleich zur herkömmlichen Strategie des regelmäßigen Austauschs (fester Austausch alle 18 Monate) reduziert die vorausschauende Instandhaltung unnötige Austauschvorgänge um ca. 351 TP3T und erhöht die Umschlagshäufigkeit des Ersatzteilbestands um 401 TP3T.
Häufig gestellte Fragen
Frage: Warum ist die Trainingszeit bei GRU kürzer als bei LSTM, die Genauigkeit jedoch ähnlich?
Antwort: GRU vereinfacht die drei Gates des LSTM (Vergessens-Gate, Eingangs-Gate, Ausgangs-Gate) auf zwei Gates (Aktualisierungs-Gate, Rücksetz-Gate), wodurch die Anzahl der Parameter um etwa 25% reduziert wird. Bei zeitlichen Aufgaben mittlerer Komplexität, wie beispielsweise den Daten zur Schwingungsdeterioration von Gabelstaplern, reicht die vereinfachte Gate-Struktur des GRU aus, um Deteriorationstrends zu erfassen, ohne dass dabei nennenswerte Einbußen bei der Ausdruckskraft entstehen. Die zusätzlichen Parameter des LSTM bieten jedoch weiterhin gewisse Vorteile bei der Verarbeitung plötzlicher Betriebszustandsänderungen (z. B. Schwingungssprünge aufgrund von Lastschwankungen).
Frage: Lässt sich die Prognosegenauigkeit von Prophet noch weiter verbessern?
Antwort: Ja. Bei den Standardparametern von Prophet beträgt der MAPE-Wert 17,51 TP3T. Durch die folgenden Optimierungen lässt sich der MAPE-Wert auf etwa 16,01 TP3T senken: ① Manuelle Festlegung der Positionen der Trendwechselpunkte (basierend auf Wartungs-/Ausfallprotokollen); ② „seasonality_prior_scale“ von 10 auf 20 anpassen, um die Flexibilität der zyklischen Terme zu erhöhen; ③ zusätzliche Regressionsfaktoren hinzufügen (z. B. durchschnittliche tägliche Auslastung, Umgebungstemperatur). Diese Optimierungen müssen unter Berücksichtigung der konkreten Betriebsdaten der Anlage vorgenommen werden.
Frage: Wie lassen sich LSTM-/GRU-Modelle auf Edge-Geräten bereitstellen?
Antwort: Exportieren Sie das mit PyTorch trainierte Modell im TorchScript-Format (oder ONNX), optimieren Sie es mit TensorRT und stellen Sie es anschließend auf der NVIDIA Jetson-Serie bereit. Am Beispiel des Jetson Orin NX (16 GB): Nach der INT8-Quantisierung beträgt die Modellgröße etwa 3,2 MB (ursprünglich etwa 28 MB in FP32), die Inferenzlatenz liegt bei etwa 0,5 ms pro Sample und die Leistungsaufnahme bei etwa 10 W. Für den Einsatz auf CPUs der ARM Cortex-A-Serie wird empfohlen, das Modell in das TFLite-INT8-Format zu quantisieren; die Inferenzlatenz beträgt dabei etwa 15 ms pro Sample.
Frage: Wie wählt man ein Modell aus, wenn die Datenmenge weniger als 5.000 Datensätze umfasst?
Antwort: Bei unzureichendem Datenaufkommen kann Transferlernen in Betracht gezogen werden: Man verwendet das von Krued Heavy Industry veröffentlichte vortrainierte LSTM-Modell (trainiert mit Daten von 60 Kranen) als Ausgangspunkt und führt mit einer geringen Datenmenge (500 bis 1.000 Datensätze) des Zielgeräts eine Feinabstimmung (Fine-tune) durch, wobei nur die letzten beiden vollverbundenen Schichten trainiert werden. Nach dem Fine-Tuning erreicht der MAPE-Wert ~16,51 TP3T und liegt damit deutlich über dem eines von Grund auf neu trainierten LSTM-Modells (bei unzureichendem Datenbestand MAPE > 251 TP3T). Prophet liefert bereits bei einem Datensatz von ≥100 Datensätzen brauchbare Ergebnisse (MAPE ≈ 191 TP3T) und ist daher die erste Wahl für Szenarien mit kleinen Datensätzen.
