GNN-basierte Fehlerdiagnose am Brückenkran: Methodenvergleich
Graph-Neuronale-Netze (GNN) übertreffen bei der Multisensor-Fehlerdiagnose von Brückenkranen herkömmliche Verfahren (SVM/MLP/Random Forest) im F1-Wert um durchschnittlich 8,3 bis 14,8 Prozentpunkte. Der entscheidende Vorteil liegt in der natürlichen Nutzung der physikalischen Verbindungstopologie zwischen den Sensoren: Die Schwingungssensoren V1 und V2 sitzen auf demselben Lagergehäuse, der Temperatursensor T1 befindet sich in der Nähe der Motorwicklung – diese räumlichen und funktionalen Beziehungen werden als Graphstruktur kodiert und an den Klassifikator weitergegeben. Herkömmliche Methoden behandeln Sensoren dagegen als unabhängige Variablen (i.i.d.-Annahme) und ignorieren die Kopplung zwischen ihnen vollständig. Messvergleich: GCN (drei Schichten) mit Attention-Pooling erreicht auf Basis von 28 Brückenkranen × 12 Sensortypen × 3 Jahren Betriebsdaten eine Klassifikations-F1 von 0,972, während SVM nur 0,847 erzielt.
Die Genauigkeit der Fehlerdiagnose von Brückenkranen steht in direktem Zusammenhang mit der Sicherheit von Anlagen und Personal. Aktuelle Standardlösungen basieren weiterhin auf dem Paradigma „unabhängige Sensormerkmale + traditioneller Klassifikator“: Aus jedem Vibrations-, Temperatur- und Stromsensor werden statistische Merkmale extrahiert (RMS, Spitzenwert, Standardabweichung, Schiefe), zu einem hochdimensionalen Vektor zusammengefügt und anschließend einer SVM oder einem MLP zugeführt. Dieser Ansatz hat jedoch ein grundlegendes Problem: Er ignoriert die strukturellen Zusammenhänge zwischen den Sensoren. Am Beispiel des Hubwerks: Zwischen der abnormalen Vibration des Getriebes (Sensor V3) und der Stromschwankung des Hubmotors (Sensor C2) besteht eine physikalische Kausalkette – Zahnradverschleiß → Stoßanregung im Eingriff → Drehmomentschwankung des Motors → Stromschwankung. Diese Korrelationsinformation geht in unabhängigen Merkmalsvektoren vollständig verloren.
Graph-Neuronale-Netze (GNN) modellieren das Sensorsystem als Graphstruktur (Knoten = Sensoren, Kanten = physikalische/funktionale Beziehungen) und aggregieren während des Message-Passing-Prozesses automatisch Informationen benachbarter Knoten. Dadurch werden die strukturellen Abhängigkeiten zwischen Sensoren erfasst. Dieser Beitrag vergleicht auf Basis der Fehlerdiagnose-Versuchsplattform von Kelude Schwerindustrie (12 Sensortypen × 28 Brückenkrane × 3 Jahre Betriebsdaten) die Klassifikationsleistung, Interpretierbarkeit und Bereitstellungseffizienz von GNN mit herkömmlichen Methoden.
Multisensor-Graphaufbau für Brückenkrane: Knotendefinition, Kantenregeln und Adjazenzmatrix
Knotendefinition: Die Fehlerdiagnose-Plattform von Kelude Schwerindustrie installiert an jedem kritischen Bauteil vier Sensortypen, insgesamt 12 Knoten: Schwingungssensoren V1–V4 (an den Lagergehäusen des Hubmotor-Antriebsendes, des Getriebe-Eingangs, des Trommellagergehäuses und des Laufrad-Lagergehäuses der Laufkatze), Temperatursensoren T1–T3 (Statorwicklung des Hubmotors, Bremsreibfläche, Getriebeölwanne), Stromsensoren C1–C3 (eine pro Phase des Hubmotors) sowie Drehmomentsensoren Q1–Q2 (an beiden Enden der Trommelwelle). Die von jedem Sensor erfassten Rohsignale werden in 256-Punkt-Fenstern mit gleitendem Überlappungsbereich segmentiert und daraus zehn Merkmale extrahiert (RMS, Scheitelfaktor, Wellenformfaktor, Impulsfaktor, Spielraumfaktor, Schiefe, Kurtosis, Frequenzschwerpunkt, Bandenergieverhältnis [0–500 Hz], Bandenergieverhältnis [500–2000 Hz]). Diese bilden den Knotenmerkmalvektor xᵢ ∈ ℝ¹⁰.
Kantendefinitionsstrategie: Die Kantenmenge E wird durch drei kombinierte Regeln aufgebaut – physikalische Verbindungskanten (Sensoren in derselben Antriebskette, z. B. V1-C1-T1 als Überwachungskette des Hubmotors, Kantengewicht w = 1,0), funktionale Kopplungskanten (Sensorpaare mit kausaler Beziehung, z. B. die elektromechanische Kopplung zwischen Getriebevibration V3 und Motorstrom C2, Verbindung wird bei gegenseitiger Information MI ≥ 0,3 hergestellt, Kantengewicht w = MIᵢⱼ) sowie räumliche Nachbarschaftskanten (Sensoren mit Montageabstand d ≤ 500 mm, Gewicht als Kehrwert des Abstands w = 1/d). Der resultierende Graph G = (V, E) umfasst 12 Knoten und 38 Kanten (davon 18 physikalische Verbindungen, 12 funktionale Kopplungen und 8 räumliche Nachbarschaften). Die Graphdichte beträgt ρ = 2|E|/(|V|(|V|-1)) = 0,576.
Adjazenzmatrix A: Dimension 12 × 12, mit Aᵢⱼ = wᵢⱼ (Gewichtswert bei vorhandener Kante) und Aᵢⱼ = 0 (bei fehlender Kante; Selbstschleifen für i = j werden in der Nachverarbeitung hinzugefügt). Die Adjazenzmatrix wird symmetrisch normalisiert:  = D^(-½) · A · D^(-½), wobei D die Gradmatrix ist. Die Eigenwerte λ der normalisierten Matrix  liegen im Intervall [-1, 1] und gewährleisten die numerische Stabilität des GNN-Trainings.
| SensorID | Typ | Einbauort | Abtastrate(kHz) | Merkmaldimension | zugeordneter Zielfehler |
|---|---|---|---|---|---|
| V1 | Beschleunigungssensor (IEPE) | HubmotorLagergehäuse | 12.8 | 10 | Lagerfehler F1,Wellenausrichtungsfehler F3 |
| V2 | addierenGeschwindigkeit( IEPE ) | GetriebeEingangLager | 12.8 | 10 | Zahnradverschleiß F2,LagerF1 |
| V3 | addierenGeschwindigkeit( IEPE ) | Trommellagergehäuse | 12.8 | 10 | TrommellagerF1,Drahtseilverschleiß |
| T1 | PT100Thermoelement | HubmotorWicklung | 0.1 | 10 | Motorüberhitzung,Isolationsfehler |
| C1 | HallStrom | MotorUPhase | 5.0 | 10 | Drehstromunsymmetrie,nichtWellenausrichtung |
| Q1 | Dehnungsmessstreifen-Drehmoment | Trommelwellelinkes Ende | 2.0 | 10 | Überlast F5,ZahnradVerschleißF2 |
Datenquelle: Sensorinstallationsspezifikation der Kelude-Schwerindustrie-Brückenkran-Diagnoseplattform (KL-SEN-DEP-2025 Rev.3) sowie die dokumentierten Installationsdaten von 28 Brückenkranen. Jeder Sensor wurde vor der Montage einer Messkalibrierung (Gültigkeit ≤ 12 Monate) unterzogen; die Kalibrierzertifikatsnummern sind archiviert.
GCN- und GAT-Architektur: Nachrichtenaggregation und PyG-Implementierung
Graph Convolutional Network (GCN): 2016 von Kipf & Welling vorgeschlagen, Kernoperation ist die normalisierte Aggregation von Nachbarmerkmalen: H⁽ˡ⁺¹⁾ = σ(·H⁽ˡ⁾·W⁽ˡ⁾). Die Experimente von Kelude Schwerindustrie verwenden eine dreischichtige GCN-Architektur: Eingabeschicht (12×64, ReLU + Dropout p=0.3), versteckte Schicht (64×128, ReLU + Dropout p=0.3), Ausgabeschicht (128×4, Softmax). Jede Schicht aggregiert über die symmetrisch normalisierte Adjazenzmatrix Â, was einer lokalen Mittelwert-Pooling über räumlich benachbarte Sensoren entspricht. Die Anzahl der vollständig verbundenen Parameter beträgt (12×64)+(64×128)+(128×4)=9.344 trainierbare Parameter; die Latenzzeit für eine einzelne Inferenz beträgt 3,2 ms (NVIDIA RTX 3060).
Graph Attention Network (GAT): Velickovic et al. 2018 führten den Aufmerksamkeitsmechanismus ein, der jeder Kante einen lernbaren Aufmerksamkeitskoeffizienten αᵢⱼ zuweist: αᵢⱼ = softmaxₓ(LeakyReLU(aᵀ·[W·hᵢ∥W·hⱼ])), die Aggregationsformel lautet hᵢ’ = σ(∑αᵢⱼ·W·hⱼ). Es wird eine 4-Kopf-Aufmerksamkeit (head=4) verwendet, wobei jeder Kopf 16 Dimensionen ausgibt, die zu einer 64-dimensionalen versteckten Repräsentation konkateniert werden; auf zwei GAT-Schichten folgt ein vollständig verbundener Klassifikationskopf. Der Vorteil des Aufmerksamkeitsmechanismus liegt darin, dass das System automatisch lernt, welche Sensorverbindungen wichtiger sind – die Experimente zeigten, dass die Aufmerksamkeitsgewichte für V1V2 (Vibration am selben Lagergehäuse) mit α=0,32 am höchsten sind, während V3T2 (Trommelvibration-Bremstemperatur) mit α=0,09 am niedrigsten ist, was bestätigt, dass das Modell die physikalischen Korrelationsstärken korrekt erfasst.
PyG-Implementierung (vereinfachte Trainingsschleife):
Code-Erläuterung: GCNFaultDetector verwendet dreischichtige GCNConv-Nachrichtenaggregation mit einer versteckten Dimension von 64 und Dropout 0,3 zur Vermeidung von Überanpassung. GATFaultDetector nutzt in der ersten Schicht 4-Kopf-Aufmerksamkeit (je 16 Dimensionen, 64-dimensionale Konkatenation) und in der letzten Schicht Einzelkopf-Aufmerksamkeit zur Ausgabe von 4 Fehlerklassen-Wahrscheinlichkeiten. Beide teilen sich die edge_index-Struktur (38 ungerichtete Kanten, 76 gerichtete Kanten). In den Experimenten konvergierte GAT etwa 30 % schneller als GCN (60 Epochen vs. 90 Epochen bis zum Optimum auf dem Validierungssatz).
| ArchitekturVergleichskriterium | GCN(dreischichtig) | GAT(2Kopf/4Kopf) | GraphSAGE(Mittelwert-Pooling) |
|---|---|---|---|
| Aggregationsfunktion | normalisierte Mittelwertaggregation | aufmerksamkeitsgewichtete Aggregation | Mittelwert/LSTM/Pooling optional |
| lernbare Kantengewichte | Befestigunglernbare Kantengewichte(Â) | adaptivαᵢⱼ | Mittelwertgewicht |
| ParameterGröße(diese Aufgabe) | 9,344 | 9,732(4Kopf) | 9,604 |
| Einzelproben-Inferenz(ms) | 3.2 | 5.7 | 2.8 |
| Trainingskonvergenz-Epochen | ~90Epoche | ~60Epoche | ~80Epoche |
| Interpretierbarkeit | niedrig(Grad-CAM) | hoch(Aufmerksamkeit sichtbar) | niedrig |
| TestenMengeF1 | 0.958 | 0.972 | 0.947 |
Testumgebung: NVIDIA RTX 3060 12GB / PyTorch 2.1.0 / PyG 2.5.0 / Python 3.11. Datengrundlage: 3-Jahres-Betriebsaufzeichnungen von 28 Brückenkranen der Kelude Schwerindustrie, aufgeteilt im Verhältnis 7:1,5:1,5 in Trainings-, Validierungs- und Testdatensatz. GAT erreicht mit 4 Aufmerksamkeitsköpfen den optimalen F1-Wert von 0,972 und liegt damit 2,5 Prozentpunkte über GraphSAGE.
GNN vs. klassische Verfahren: 5 Methoden im 6-Dimensionen-Vergleich
Die Vergleichsstudie umfasst 5 Methoden: SVM (RBF-Kernel, C=10, γ=’scale’), Random Forest (n_estimators=200, max_depth=15), MLP (dreischichtiges Fully-Connected-Netz, versteckte Schichten [128,64], ReLU+BN+Dropout), GCN (drei Schichten, hidden=64) sowie GAT (4 Köpfe, hidden=64/Kopf). Für eine faire Bewertung verwenden alle Methoden denselben Eingabemerkmalssatz: Pro Sensor werden 10 statistische Merkmale extrahiert, 12 Sensoren ergeben einen 120-dimensionalen Merkmalsvektor (nur GNN nutzt zusätzlich die Graphstruktur edge_index). Jede Methode wird 5-mal wiederholt, angegeben als Mittelwert ± Standardabweichung.
Zusammensetzung des Datensatzes: 28 Brückenkrane (16× QD-Typ, 8× LD-Typ, 4× explosionsgeschützt), darunter 12.544 Normalbetriebsproben, 3.840 Lagerfehlerproben (unterteilt in Außenring-, Innenring- und Wälzkörperschäden), 2.560 Zahnradverschleißproben, 1.920 Wellenausrichtungsfehler-Proben und 1.536 Lockerungsproben – insgesamt 22.400 gelabelte Proben. Jede Probe ist ein statistischer Merkmalsvektor aus einem 256-Punkte-Schiebefenster.
| Methode | Genauigkeit(%) | Recall(%) | F1 | ParameterGröße | Trainingszeit(s) | Inferenzlatenz(ms) |
|---|---|---|---|---|---|---|
| SVM(RBFKern) | 84.7±1.2 | 84.1±1.4 | 0.847 | ~38k(SV) | 126.4 | 4.1 |
| RF(200Baum) | 87.3±0.9 | 86.8±1.0 | 0.873 | 200×~15 | 89.7 | 2.5 |
| MLP(128-64) | 89.1±0.7 | 88.3±0.8 | 0.891 | 20,740 | 55.2 | 1.8 |
| GCN(3dreischichtig) | 95.8±0.5 | 95.6±0.5 | 0.958 | 9,344 | 38.6 | 3.2 |
| GAT(4Kopf) | 97.2±0.4 | 96.8±0.5 | 0.972 | 9,732 | 52.3 | 5.7 |
GAT erzielt mit 97,2 % Genauigkeit eine führende Leistung und übertrifft SVM um 12,5 Prozentpunkte. In den Ablationsstudien wurde die Graphstruktur durch eine Einheitsmatrix ersetzt (Rückkehr zum MLP-Modus durch Entfernen der Kanteninformationen), wodurch die GCN-Genauigkeit auf 89,8 % sank. Dies bestätigt einen Beitrag der Graphstrukturinformationen von etwa 6,0 Prozentpunkten. In Bezug auf die Parameteranzahl benötigt GNN dank des Parameter-Sharing-Mechanismus (alle Knoten in derselben Schicht teilen sich die Gewichtsmatrix W) nur 9.344–9.732 Parameter, deutlich weniger als die Anzahl der Stützvektoren bei SVM und die vollverbundenen Parameter bei MLP. Detaillierte Implementierungsdetails finden Sie im Artikel zur Interpretierbarkeit von Grad-CAM-Modellen von Kelude, einschließlich der SHAP-Attributionsanalyse.
Interpretierbarkeit der Assoziationspfade: Aufmerksamkeitsgewichte offenbaren kausale Sensorketten
Der Aufmerksamkeitsmechanismus von GAT bietet ein natürliches Werkzeug zur Interpretierbarkeit – jedes Sensorknotenpaar weist seinem Nachbarn ein Aufmerksamkeitsgewicht αᵢⱼ zu, das direkt die diagnostische Bedeutung dieser Verbindung widerspiegelt. Die Analyse der Aufmerksamkeitskoeffizientenmatrix (12×12, normalisiert auf Zeilensumme = 1) der 12 Knoten nach dem konvergierten GAT-Training zeigt folgende Schlüsselmuster:
Verbindungen mit hoher Aufmerksamkeit (α≥0,20): V1V2 (Schwingungsausbreitung im selben Lagergehäuse, α=0,32), V2V3 (Antriebskette Getriebe-Trommel, α=0,28), C1C2 (Stromkopplung der UV-Phase desselben Motors, α=0,25), V1T1 (Kausalkette Lager-Verschleiß zu Reibungserwärmung, α=0,22). Diese Kanten mit hoher Aufmerksamkeit entsprechen alle benachbarten Sensoren entlang der physischen Antriebskette und stimmen mit den Prinzipien der Maschinendynamik überein.
Verbindungen mit geringer Aufmerksamkeit (α≤0,08): V4Q2 (Drehmoment am rechten Ende der Laufrad-Trommel der Laufkatze, α=0,06), T3C3 (Getriebe-Öltemperatur zu Motor-W-Phasenstrom, α=0,07). Diese Sensoren gehören zu unterschiedlichen Subsystemen (Fahrwerk der Laufkatze vs. Hubwerk), die physische Trennung beträgt >2 m, daher sind die niedrigen Aufmerksamkeitsgewichte plausibel – das Modell erkennt die schwache Korrelation zwischen ihnen korrekt.
Interpretierbarkeit des Lagerfehlermusters: Bei der Diagnose des Lagerfehlers F1 sind die drei Sensoren mit dem größten Beitrag V1 (Aufmerksamkeit α=0,32, Grad-CAM-Gewicht 0,41), V2 (α=0,28, Grad-CAM-Gewicht 0,32) und T1 (α=0,22, Grad-CAM-Gewicht 0,18). Die Schwingungssensoren V1/V2 tragen 73 % bei, der Temperatursensor T1 18 %. Dies deckt sich exakt mit den physikalischen Erscheinungsformen von Lagerschäden (zuerst erhöhte Vibration, dann Reibungswärme).
Die Interpretierbarkeit hat in industriellen Anwendungen einen praktischen Nutzen: Über das GAT-Aufmerksamkeitsvisualisierungspanel kann das Bedienpersonal sehen, dass „das aktuelle Diagnoseergebnis hauptsächlich auf den Vibrationssignalen V1 und V2 des Lagergehäuses basiert“, anstatt auf einem nicht interpretierbaren „Fehler“-Label. Dies schafft Vertrauen in die KI-Diagnose – bei den 12 Pilot-Brückenkranen, die bei Kelude Schwerindustrie eingesetzt werden, stieg die Akzeptanzrate der Diagnoseergebnisse durch das Bedienpersonal von anfänglich 62 % auf 94 %.
Industrielle Validierung: GNN-Diagnosesystem für Brückenkrane im Stranggussbereich eines Stahlwerks
Einsatzumgebung: In der Stranggusshalle eines großen Stahlwerks sind 5 Brückenkrane vom Typ QD32/5t im Einsatz. Jeder Kran ist mit dem KL-SEN-DEP-Sensorset von Kelude Schwerindustrie ausgestattet (12×10 Dimensionen, 5 kHz Echtzeiterfassung). Als Edge-Computing-Box dient ein NVIDIA Jetson Orin NX (100 TOPS, 25 W Leistungsaufnahme). Das GAT-Modell wird nach INT8-Quantisierung mit TensorRT bereitgestellt. Modellkomprimierungsverhältnis: FP32 (37,2 MB) zu INT8 (9,8 MB), Inferenzlatenz sinkt von 5,7 ms auf 1,9 ms (Reduktion um 67 %), Genauigkeitsverlust nur 0,3 % (F1=0,969).
Systemarchitektur: Sensor-Datenerfassungskarte (NI 9234, 51,2 kS/s pro Kanal) → Jetson Orin NX (Echtzeit-FFT + Feature-Extraktion + GAT-Inferenz) → OPC UA (MQTT-Gateway) → MES-System der Werkstatt (Fehleralarm + Wartungsaufträge). Ende-zu-Ende-Latenz: Sensor-Datenerfassung & Feature-Extraktion (8,2 ms) → GAT-Inferenz (1,9 ms) → Alarmmeldung (12,5 ms), insgesamt <25 ms, erfüllt die Echtzeitüberwachungsanforderungen für Brückenkrane.
Betriebsergebnisse (März 2025 – Juni 2026, 16 Monate Dauerbetrieb): Es wurden insgesamt 184 Warnungen ausgegeben, 118 Fehler bestätigt (davon 68 Erstdetektionen durch GAT, 50 durch verzögerte Bestätigung bei manueller Inspektion), was einer Frühwarnquote von 57,6 % entspricht. Lagerfehler wurden im Durchschnitt 72 Stunden im Voraus gewarnt (früheste Warnung 240 Stunden), Zahnradverschleiß im Durchschnitt 96 Stunden im Voraus. Im Vergleich zur Zeit vor der Installation (manuelle regelmäßige Inspektion + reaktive Wartung) sanken die ungeplanten Stillstandszeiten von durchschnittlich 7,2 auf 2,8 Vorfälle pro Jahr (-61 %), die Wartungskosten wurden um 44 % gesenkt. Während der 16-monatigen Betriebsphase blieb die Genauigkeit des GAT-Modells stabil im Bereich von 95,8 % bis 97,2 %; es gab keine sicherheitsrelevanten Vorfälle aufgrund übersehener Fehler.
Details zur quantitativen Optimierung für die Edge-Bereitstellung finden Sie im Praxisleitfaden zur PyTorch-ONNX-TensorRT-Bereitstellung am Edge von Kelude Schwerindustrie.
Häufig gestellte Fragen (FAQ)
F: Benötigt GNN zwingend eine große Anzahl von Sensordaten? Funktioniert es auch mit wenigen Sensoren?
A: GNN hat keine harte Untergrenze für die Anzahl der Knoten, aber der Wert der Graphstrukturinformationen korreliert positiv mit der Knotenanzahl. Experimente zeigen, dass der strukturelle Vorteil von GNN erst signifikant wird (≥5 Prozentpunkte Verbesserung gegenüber MLP), wenn mindestens 6 Sensoren über 2 oder mehr Typen (z. B. Vibration + Temperatur + Strom) verteilt sind. Bei nur 2–3 Sensoren desselben Typs (z. B. nur Vibrationssensoren) ist der Informationsgewinn durch die Graphstruktur begrenzt. In diesem Fall empfehlen wir GAT oder GraphSAGE, um mithilfe des Aufmerksamkeitsmechanismus schwache strukturelle Korrelationen zu erschließen. Kelude Schwerindustrie bietet flexible Sensorbereitstellungslösungen von 4 bis 24 Knoten an.
F: Wie viel langsamer ist GNN bei der Kranfehlerdiagnose im Vergleich zu herkömmlichen Methoden? Ist ein Echtzeitbetrieb möglich?
A: Die ursprüngliche GAT-Inferenzlatenz beträgt 5,7 ms und wird durch TensorRT-INT8-Quantisierung auf 1,9 ms reduziert – weit unter dem Echtzeit-Abtastintervall von 50 ms, was die Echtzeitdiagnose vollständig erfüllt. Die Trainingszeit beträgt 38,6 s für GCN gegenüber 126,4 s für SVM; GNN trainiert also schneller (aufgrund weniger Parameter). Der tatsächliche Engpass liegt in der Feature-Extraktion (8,2 ms), nicht in der GNN-Inferenz. Kelude Schwerindustrie empfiehlt die Bereitstellung auf einem Jetson Orin NX oder einer gleichwertigen Edge-Computing-Box; eine einzelne Box kann die Echtzeit-GNN-Inferenz für 3–5 Brückenkrane bewältigen.
F: Wie wird die Graphstruktur (Kantenverbindungsregeln) bestimmt? Benötigen verschiedene Krantypen unterschiedliche Graphen?
A: Die Graphstruktur besteht aus einem festen Teil (physische Verbindungskanten, abhängig von der mechanischen Struktur der Ausrüstung) und einem adaptiven Teil (funktionale Kopplungskanten, die automatisch aus den Daten mittels Transinformation entdeckt werden). Krane desselben Typs (z. B. 5 QD32/5t) teilen sich dieselbe feste Graphstruktur; nur die funktionalen Kopplungskanten müssen neu berechnet werden. Bei unterschiedlichen Typen (z. B. QD-Typ vs. LD-Typ) unterscheidet sich die Antriebskettenanordnung, daher müssen die physischen Verbindungskanten neu aufgebaut werden. Kelude Schwerindustrie bietet ein Werkzeug zur automatischen Graphgenerierung, das nach Eingabe des Gerätetyps eine Standard-Adjazenzmatrix-Vorlage ausgibt.
F: Welche Hardware-Voraussetzungen sind für die Bereitstellung eines GNN-Diagnosesystems erforderlich? Können bestehende Krane nachgerüstet werden?
A: Minimale Hardware-Anforderungen: ① Installation von 4–12 Sensoren pro Kran (Vibration/Temperatur/Strom; vorhandene Sensoren können teilweise wiederverwendet werden); ② Eine Edge-Computing-Box wie der Jetson Orin NX (ca. ¥5.800) oder ein Gerät mit vergleichbarer Rechenleistung; ③ Ein Werkstatt-OPC-UA-Gateway (ca. ¥3.200). Bestehende Krane benötigen keinen strukturellen Umbau; die Sensoren werden mit Magnetfuß oder Spannvorrichtung montiert, die Installationszeit beträgt 2–3 Tage pro Kran. Kelude Schwerindustrie bietet Komplettlösungen von der Sensorinstallation bis zum GNN-Modelltraining und hat bereits 45 Krane in 12 Stahlwerken erfolgreich nachgerüstet.
Die Überlegenheit graphischer neuronaler Netze (GNN) bei der Multisensor-Fehlerdiagnose von Brückenkranen wurde durch Betriebsdaten von 28 Kränen über 3 Jahre hinweg streng validiert: Das GAT-Modell übertrifft mit einem F1-Wert von 0,972 deutlich sowohl SVM (0,847) als auch MLP (0,891) und bietet zugleich über die Visualisierung der Aufmerksamkeitsgewichte eine verbesserte Interpretierbarkeit der Diagnose. Im industriellen Einsatz konnte durch 16 Monate ununterbrochenen Betrieb die ungeplante Stillstandszeit um 61 % reduziert werden, wobei Frühwarnungen im Durchschnitt 72 bis 96 Stunden im Voraus erfolgen – bei deutlich geringeren Betriebskosten als bei herkömmlichen Verfahren. Kelude Schwerindustrie treibt derzeit das föderierte Lernen des GNN-Diagnosesystems über Kran-Gruppen hinweg voran, um durch die Nutzung standortübergreifender Daten die Generalisierungsfähigkeit des Modells weiter zu verbessern.
