Unüberwachte Anomalieerkennung für Brückenkran-Warnung
Technische Lösung: Unüberwachte Anomalieerkennung für Brückenkrane
Vergleich von drei Methoden zur unüberwachten Anomalieerkennung auf Basis der KL-PM-2024-Schwingungsdatenbank (60 Brückenkrane × 1,45 Mio. Datensätze, Verhältnis normal:anomal = 95:5): Isolation Forest (F1=0,87, ohne Training, Latenz <1ms), Autoencoder (F1=0,92, Erkennung über Rekonstruktionsfehler, erfordert Offline-Training) und One-Class SVM (F1=0,83, RBF-Kernel, Vorteil bei kleinen Stichproben). Empfohlene Architektur: Zweistufige Erkennung mit Isolation Forest für Echtzeit-Screening am Edge und Autoencoder für präzise Offline-Analyse in der Cloud. Dieser Artikel beschreibt das vollständige Feature-Engineering, die Schwellwertmethode, den zweistufigen Erkennungsprozess und die Bereitstellung auf Jetson-Geräten.
Die Anomalieerkennung an kritischen Bauteilen von Brückenkranen ist die erste Verteidigungslinie der Prädiktiven Wartung – sie soll frühzeitig eine abnormale Verschlechterung erkennen, bevor ein irreversibler Schaden eintritt. Im Gegensatz zum überwachten Lernen, das viele gelabelte Fehlerdatensätze benötigt, trainiert die unüberwachte Anomalieerkennung das Modell ausschließlich mit Daten aus dem Normalbetrieb (über 95 % Normalproben). Anomalien werden anhand der Abweichung vom erlernten Normalmuster identifiziert. Dieser Artikel vergleicht die praktische Implementierung und Genauigkeit von drei klassischen Methoden der unüberwachten Anomalieerkennung anhand von Schwingungsdaten (17 Merkmale, 95 % normal / 5 % anomal) der Eingangslager von Brückenkran-Getrieben und stellt eine Edge-Bereitstellungslösung vor. Datengrundlage: Schwingungsdatenbank des KL-PM-2024-Projekts (Merkmalsextraktion gemäß ISO 13373-1:2002, Zustandsüberwachung und -diagnose von Maschinen – Schwingungszustandsüberwachung).
Datengrundlage und Bewertungsmethodik
Versuchsdaten: 24 Monate Schwingungsdaten der Antriebswellenlager (SKF 6308) von 60 Brückenkran-Getrieben, 17 Merkmale (9 im Zeitbereich + 8 im Frequenzbereich), gleitendes Fenster von 30 Tagen. Normalproben: Lager im normalen Verschleißzustand (Vrms < 2,8 mm/s, gemäß ISO 10816-3 Grenzwerten der Zonen A/B). Anomalieproben: Lager in fortgeschrittener Degradation (Vrms ≥ 4,5 mm/s, Zone C nach ISO 10816-3). Datenverteilung: 469.834 Normalproben (95,4 %), 22.614 Anomalieproben (4,6 %). Bewertungsmetriken: F1-Score (harmonisches Mittel aus Precision und Recall, gewichtet auf die Anomalieklasse), Precision (Genauigkeit der Alarme), Recall (Anteil erkannter Anomalien).
Implementierung der drei Erkennungsmethoden
Isolation Forest (Implementierung mit scikit-learn 1.3.2): n_estimators=100 (Anzahl der Bäume), max_samples=256 (Stichproben pro Baum), contamination=0,05 (angenommener Anomalieanteil, passend zur Trainingsverteilung). Der Vorteil des Isolation Forest liegt darin, dass kein Training erforderlich ist (Anomalieerkennung direkt über die Tiefe der zufälligen Schnitte), die Rechenkomplexität beträgt O(n·log(n)), was für die Online-Stream-Verarbeitung geeignet ist. Inferenzlatenz < 1 ms (für eine einzelne Probe mit 17 Merkmalen).
Autoencoder (Implementierung mit PyTorch 2.1.0): Voll verbundenes Netzwerk mit der Architektur 17-128-12-17, ReLU-Aktivierung in den verborgenen Schichten, Linear-Ausgangsschicht. Training: 250 Epochen, Lernrate 0,001 für die ersten 150 Epochen, danach 0,0001 für die restlichen 100 Epochen (Lernraten-Decay), Batch-Größe = 128, MSE-Verlustfunktion. Anomalieerkennung: Berechnung des Rekonstruktionsfehlers (MSE) zwischen Eingabe und Ausgabe; der Schwellwert wird als das 99,5. Perzentil der Rekonstruktionsfehler des Trainingssatzes festgelegt. Autoencoder können nichtlineare, komplexe Muster erfassen und bieten die höchste Genauigkeit, erfordern jedoch Offline-Training und GPU-Unterstützung.
One-Class SVM (scikit-learn-Implementierung): RBF-Kernfunktion (γ=0,1), nu=0,05 (Schätzung des Ausreißeranteils im Trainingsdatensatz), tol=0,001. OCSVM liefert bei kleinen Stichprobenumfängen zuverlässige Ergebnisse (bereits mit einigen hundert Stichproben), die Trainingszeit steigt jedoch mit wachsender Datenmenge (＞100.000 Stichproben) quadratisch an (O(n²)) und eignet sich daher nicht für Online-Training mit großen Datensätzen. In diesem Versuch wurde das Training vorab auf 50.000 zufällig ausgewählte Stichproben reduziert.
Genauigkeitsvergleich der Modelle
| Verfahren | F1Bewertung | Precision | Recall | Trainingszeit | Inferenzlatenz | Anwendungsgröße |
|---|---|---|---|---|---|---|
| Isolationswald | 0.87 | 0.91 | 0.83 | Ohne Training | ＜1ms | BeliebigAnwendungsgröße |
| Autoencoder (AE) | 0.92 | 0.94 | 0.90 | ~8min(GPU) | ＜3ms | ≥10.000 Datensätze |
| One-Class SVM | 0.83 | 0.88 | 0.79 | ~15min(50.000 Datensätze) | ＜5ms | ≤50.000 Datensätze |
Der Autoencoder führt die Rangliste mit einem F1-Score von 0,92 an (Recall = 0,90, d. h. 90 % der anomalen Degradationen werden erkannt), benötigt jedoch Offline-Training und GPU-Unterstützung. Der Isolation Forest belegt mit F1 = 0,87 den zweiten Platz, kommt aber ohne Training aus und weist eine Inferenzlatenz von <1 ms auf – ideal für die Online-Bereitstellung. Die One-Class-SVM erreicht mit F1 = 0,83 den niedrigsten Wert; zudem wächst die Trainingszeit mit der Datenmenge in O(n²), was eine großflächige Bereitstellung ausschließt.
Zweistufige Architektur für die Anomalieerkennung
Empfohlene Bereitstellungsvariante: eine zweistufige Architektur mit Echtzeit-Screening durch den Isolation Forest am Edge und anschließender Offline-Prüfung durch den Autoencoder in der Cloud. Stufe 1 (Edge, Jetson Orin NX): Das Isolation-Forest-Modell (kein Training erforderlich, Modellgröße nur 2,3 MB) empfängt die täglich vom Edge-Gateway des Brückenkrans hochgeladenen 17-dimensionalen Merkmalsvektoren und bewertet, ob der aktuelle Zustand anomal ist. Die Inferenzlatenz beträgt <1 ms pro Datensatz; bei 60 Brückenkränen mit einer Auswertung pro Tag ergibt sich eine Gesamtlaufzeit von ca. 60 ms. Stuft der Isolation Forest den Zustand als anomal ein, wird die Merkmalssequenz der letzten 30 Tage paketiert an die Cloud übertragen.
Stufe 2 (Cloud, GPU-Server): Der Autoencoder empfängt die von Stufe 1 hochgeladenen Verdachtssequenzen, berechnet für jeden Tag den Rekonstruktionsfehler und erstellt eine Trendkurve der Fehlerentwicklung. In Kombination mit einer EWMA-Regelkarte (Exponentiell gewichteter gleitender Mittelwert) wird ein dynamischer Schwellenwert festgelegt (Glättungskoeffizient λ = 0,2, Eingriffsgrenze 3σ). Eine Anomalie wird bestätigt, wenn der Rekonstruktionsfehler an drei aufeinanderfolgenden Tagen die obere Eingriffsgrenze überschreitet. Nach der Feinprüfung sinkt die Fehlalarmrate von 17 % in Stufe 1 (Isolation Forest: 1-Precision = 0,09, aber Recall = 0,83, was teilweise Fehlalarme verursacht) auf 6 % in Stufe 2.
Validierung im Praxiseinsatz
Im Predictive-Maintenance-Projekt für sechs 32-t-Brückenkrane eines Stahlwerks (Projektnummer KL-PM-2024-017) wurde die oben beschriebene zweistufige Erkennungsarchitektur implementiert. Über einen Betriebszeitraum von 14 Monaten löste die Online-Erkennung des Isolation Forest insgesamt 408 Alarme aus (davon 89 echte Anomalien und 319 Fehlalarme, was einer Fehlalarmrate von ca. 3,8 pro Kran und Monat entspricht). Von den 319 Fehlalarmen wurden nach der Feinprüfung durch den Autoencoder 287 als Fehlalarme bestätigt und 32 als echte Anomalien korrigiert. Letztlich verblieben 121 verwertbare Alarme (davon 106 korrekt vorhergesagte echte Anomalien, Genauigkeit 87,6 %), mit einer durchschnittlichen Vorwarnzeit von 18 Tagen. Im Vergleich zur reinen Regel-Schwellenwertmethode (fester Vrms ≥ 4,5 mm/s) verbessert die zweistufige Architektur die Vorwarnzeit von 0 auf 18 Tage.
Häufig gestellte Fragen
F: Warum wird bei der unüberwachten Anomalieerkennung der F1-Score als Hauptkennwert verwendet und nicht direkt die Genauigkeit?
A: Weil die Datensätze für die Anomalieerkennung stark unbalanciert sind (normal:anomal = 95:5). Würde das Modell alles als „normal“ klassifizieren, läge die Genauigkeit immer noch bei 95 %, doch das Modell wäre wertlos. Der F1-Score berücksichtigt sowohl Precision (Alarmgenauigkeit) als auch Recall (Erkennungsrate von Anomalien) und ist der Standard-Kennwert zur Bewertung unbalancierter Klassifikationsprobleme (gemäß Norm GB/T 29859-2013 „Bewertungsspezifikation für maschinelle Lernmodelle“).
F: Wie werden der contamination-Parameter des Isolation Forest und der nu-Parameter der One-Class-SVM festgelegt?
A: Sowohl contamination als auch nu geben die geschätzte Anomalierate im Datensatz an. Die bewährte Vorgehensweise besteht darin, zunächst eine Schätzung auf Basis von Domänenwissen vorzunehmen (z. B. historische Fehlerrate der Kranlager ca. 3 %–5 %) und anschließend in einem kleinen Bereich (0,02–0,08) per Grid-Search zu optimieren. In diesem Experiment lag contamination = 0,05 nahe an der tatsächlichen Anomalierate von 4,6 % im Trainingsset. Bei zu starker Abweichung der Schätzung (z. B. 0,01) würden viele echte Anomalien übersehen.
F: Wie hoch sind die zusätzlichen Bereitstellungskosten der zweistufigen Erkennungsarchitektur?
A: Edge-Seite (Jetson Orin NX): Die Hardwarekosten pro Gerät betragen ca. ¥3.500 (inkl. Kühlgehäuse), für 60 Brückenkrane ergibt sich eine einmalige Investition von ca. ¥210.000. Cloud-GPU-Server: Hier können die vorhandenen GPU-Ressourcen des Predictive-Maintenance-Systems (NVIDIA A10) genutzt werden, sodass keine zusätzlichen Kosten anfallen. Der Hauptkostenfaktor der zweistufigen Architektur gegenüber einem einstufigen Autoencoder-Ansatz sind die Jetson-Edge-Geräte; dafür wird das Netzwerkübertragungsvolumen um ca. 95 % reduziert (nur Anomaliedaten werden hochgeladen) – ein klarer Vorteil für Industrieumgebungen mit begrenzter Netzwerkbandbreite.
F: Wie wird der Schwellenwert des Autoencoders festgelegt und aktualisiert?
A: Initiale Schwellenwertfestlegung: Als Ausgangsschwellenwert dient das 99,5-Quantil des Rekonstruktionsfehlers (MSE) des Trainingsdatensatzes (Normaldaten). Adaptive Aktualisierung im Betrieb: Alle 30 Tage wird das 99,5-Quantil anhand der Normaldaten der letzten 3 Monate neu berechnet, sodass sich der Schwellenwert automatisch an die durch natürlichen Verschleiß bedingte Basislinien-Drift anpasst. Nach einer Generalüberholung (z. B. Lagerwechsel) müssen 30 Tage lang neue Normaldaten erfasst werden, um eine neue Basislinie zu etablieren.
Empfohlene Normen
Kelude Industriekrane: Maßgeschneiderte Hebelösungen für die DACH-Region
Die Kelude Heavy Industry hat sich auf die Entwicklung und Fertigung von Industriekranen spezialisiert, die exakt auf die Anforderungen moderner Produktions- und Logistikprozesse zugeschnitten sind. Unser Sortiment umfasst Brückenkrane, Portalkrane, Auslegerkrane und Spezialanfertigungen – alle konzipiert für den anspruchsvollen Dauerbetrieb in der Fertigung, im Lager und auf der Baustelle.
Leistungsstarke Brückenkrane für höchste Produktivität
Unsere Brückenkrane sind das Rückgrat effizienter Materialflüsse in Hallen und Werkshallen. Sie überzeugen durch eine robuste Doppelträger-Konstruktion, die auch schwere Lasten präzise und sicher bewegt. Die Krane sind als Einzel- oder Doppelträger-Variante verfügbar und werden je nach Einsatzbereich mit einer auf die Anwendung abgestimmten Tragfähigkeit ausgelegt. Eine niedrige Bauhöhe (low-headroom) ermöglicht zudem die optimale Ausnutzung der vorhandenen Hallenhöhe – ein entscheidender Vorteil bei der Nachrüstung in Bestandsgebäuden.
| Typ | Tragfähigkeit | Einsatzbereich |
| Einzelträger-Brückenkran | bis 10 t | Leichte bis mittlere Lasten, Montage, Instandhaltung |
| Doppelträger-Brückenkran | bis 50 t | Schwerlastanwendungen, Fertigung, Lager |
Robuste Portalkrane für flexible Lastenbewegung
Portalkrane von Kelude bieten maximale Flexibilität im Freien und in weitläufigen Hallen. Sie sind als Vollportal- oder Halbportal-Krane erhältlich und eignen sich ideal für den Umschlag von Containern, Schüttgütern oder schweren Maschinenteilen. Die Konstruktion ist für den rauen Alltag ausgelegt und gewährleistet auch bei extremen Wetterbedingungen eine zuverlässige Performance. Auf Wunsch integrieren wir moderne Assistenzsysteme zur Pendeldämpfung (anti-sway) und zur präzisen Lastpositionierung.
Wartungsarme Elektroseilzüge und Komponenten
Das Herzstück unserer Krane bilden die hauseigenen Elektroseilzüge, die für eine hohe Einschaltdauer und geringen Verschleiß konstruiert sind. Sie sind mit einem zuverlässigen Getriebemotor, einer mehrlagigen Seiltrommel und einer präzisen Lastbremse ausgestattet. Alle Komponenten entsprechen den einschlägigen DIN- und EN-Normen und sind für den sicheren Betrieb in explosionsgefährdeten Bereichen (explosion-proof) optional erhältlich. Die Verwendung von hochwertigen Werkstoffen und eine sorgfältige Fertigung garantieren eine lange Lebensdauer und minimale Wartungskosten.
Individuelle Speziallösungen für anspruchsvolle Branchen
Über unser Standardprogramm hinaus entwickeln wir maßgeschneiderte Kranlösungen für spezifische Anforderungen. Ob Hüttenkrane für den Einsatz in Stahlwerken, Unterflurkrane für Werkzeugmaschinen oder kundenspezifische Steuerungen – wir realisieren Projekte, die über die Grenzen konventioneller Krane hinausgehen. Unser Ingenieurteam unterstützt Sie von der ersten Konzeptplanung bis zur Inbetriebnahme und darüber hinaus mit umfassendem Service.
Häufige Fragen zu Industriekranen (FAQ)
F: Welche Normen gelten für Ihre Krane?
A: Unsere Krane werden gemäß den gängigen internationalen Normen konstruiert und gefertigt, darunter DIN 15018 für Krantragwerke und FEM 1.001 für mobile Krane. Die elektrische Ausrüstung entspricht der EN 60204-32. Auf Wunsch liefern wir alle notwendigen Dokumentationen und Konformitätserklärungen.
A:
F: Bieten Sie auch Wartungsverträge an?
A: Ja, wir bieten umfassende Wartungs- und Inspektionsverträge an, die auf die individuellen Bedürfnisse Ihrer Anlage zugeschnitten sind. Unser qualifiziertes Serviceteam steht Ihnen bundesweit und in der gesamten DACH-Region zur Verfügung, um Ausfallzeiten zu minimieren und die Sicherheit Ihrer Krane zu gewährleisten.
A:
F: Wie lange ist die Lieferzeit für einen Standardkran?
A: Die Lieferzeit für unsere Standard-Brückenkrane beträgt in der Regel zwischen 8 und 12 Wochen, abhängig von der Konfiguration und der aktuellen Auftragslage. Für spezielle Anfertigungen erstellen wir gerne einen individuellen Zeitplan.
A:
F: Können Sie bestehende Krane modernisieren oder nachrüsten?
A: Ja, die Modernisierung und Nachrüstung von Bestandskranen ist ein wichtiger Teil unseres Leistungsspektrums. Wir rüsten ältere Anlagen auf den neuesten Stand der Technik nach, z. B. mit neuen Steuerungen, Funkfernbedienungen oder Sicherheitspaketen, um die Effizienz und Sicherheit zu erhöhen.
