Predictive Maintenance & Fernwartung für Brückenkrane
Kernparameter
Das Predictive-Maintenance-System für Brückenkrane erfasst über Edge-Computing Strom-, Temperatur- und Schwingungssignale (FFT-Spektrumanalyse + Merkmalsextraktion im Zeitbereich). In der Cloud analysiert ein 1D-CNN+LSTM-Modell den Gesundheitszustand und prognostiziert die Restlebensdauer (RUL-Abweichung ≤ 15 %). Das Modell wurde mit Daten von 1.200 Brückenkranen trainiert. Nach der Inbetriebnahme sanken die ungeplanten Stillstandszeiten von 7 auf 2 pro Jahr (−71 %), die Ersatzteilbestände wurden um 45 % reduziert. Die Fernwartungs- und Betriebsplattform bietet Echtzeit-Überwachung per Web/APP, OTA-Firmware-Updates, Video-Inspektion und Wartungsauftragsverwaltung.
Als kritische Anlagen in der kontinuierlichen Produktion können ungeplante Stillstandszeiten von Brückenkranen Verluste von mehreren tausend bis zehntausend Euro pro Stunde verursachen. Das traditionelle Modell „regelmäßige Wartung + Reparatur nach Störung“ hat zwei entscheidende Nachteile: Zum einen werden Teile unabhängig vom tatsächlichen Zustand in festen Intervallen getauscht, was zu Verschwendung führt, wenn die Lebensdauer noch nicht ausgeschöpft ist. Zum anderen sind Störungsabschaltungen völlig unvorhersehbar und können im schlimmsten Fall die gesamte Produktionslinie zum Stillstand bringen. Das cloud- und edge-basierte Predictive-Maintenance-Modell erfasst und analysiert kontinuierlich Betriebsdaten, um den Gesundheitstrend der Anlage vor einem Ausfall zu erkennen und eine bedarfsgerechte Wartung zu ermöglichen. Dieser Artikel erläutert die technische Lösung für die vorausschauende Wartung von Brückenkranen umfassend – von der Sensorik über die Merkmalsextraktion am Edge und das Cloud-Modelltraining bis hin zur Fernwartungsplattform.
Sensorik und Datenerfassung für die Zustandsüberwachung
Die Sensorik für die vorausschauende Wartung von Brückenkranen konzentriert sich auf drei Kernkomponenten: Hubmotor (Schwingung + Temperatur), Getriebe (Schwingung + Öltemperatur) und Bremse (Temperatur + Verschleißprüfung). Je Brückenkran werden empfohlen: 4 Schwingungssensoren (IEPE-Typ, Frequenzbereich 0,5 Hz bis 10 kHz, Empfindlichkeit 100 mV/g, Abtastrate 25,6 kHz), 6 Temperatursensoren (PT100, Genauigkeit ±0,3 °C), 3 Stromsensoren (geschlossener Hall-Effekt-Kreis, Genauigkeit ±1 % v. E.) sowie 1 Verschleißsensor für die Bremse (magnetostriktiver Wegsensor, Genauigkeit ±0,1 mm). Die Sensorsignale werden entweder in das AI-Modul der Kran-SPS (SM1231 AI 8×13bit) oder in ein dediziertes Edge-Datenerfassungsmodul (ADS1256, 24-Bit-ADC, SPI-Schnittstelle zum Edge-Computing-Box) eingespeist.
Erfassungsstrategie: Die Schwingungssensoren erfassen kontinuierlich (25,6 kHz). Der Edge-Computing-Box führt alle 10 Sekunden eine FFT-Transformation (1024 Punkte) durch, extrahiert die Frequenzmerkmale und verwirft das Rohsignal (keine Übertragung in die Cloud, spart Bandbreite und Speicher). Die Temperatursensoren werden jede Sekunde abgetastet, der Upload erfolgt alle 10 Sekunden (Mittelwert). Die Stromsensoren werden alle 100 ms abgetastet (synchron zum SPS-Scanzyklus), der Upload erfolgt jede Sekunde. Die gesamte Upload-Bandbreite der Datenerfassung beträgt ca. 2,5 KB pro Kran und Sekunde (inkl. Schwingungsmerkmale + Temperatur + Strom + Status). Bei 20 Kränen sind das ca. 50 KB/s, was ein 4G-Netz problemlos bewältigt.
Edge-Computing: Merkmalsextraktion und FFT-Spektrumanalyse
Der Edge-Computing-Box (Jetson Orin NX oder IoT2040 Gateway) führt ein Echtzeit-FFT-Analyseprogramm aus. Für jeden Kanal werden die 25,6-kHz-Abtastdaten einer 1024-Punkte-FFT unterzogen (Frequenzauflösung 25 Hz, Spektrumbereich 0–12,8 kHz). Die extrahierten Frequenzmerkmale werden in vier Kategorien eingeteilt:
Spitzenfrequenz
Analyse der Drehfrequenz-AmplitudenErkennung: Unwucht / Wellenausrichtung / Lose Teile
Seitenband
Analyse der charakteristischen LagerfrequenzenErkennung: Fehler an Außenring / Innenring / Wälzkörper
Hochfrequenzenergie
Analyse der Gesamtenergie im HochfrequenzbandErkennung: Anomalien im Zahneingriff
Gesamt-RMS-Wert
Analyse der Schwingungsenergie über das gesamte BandErkennung: Bewertung des allgemeinen Gesundheitstrends
Etablierung der Trend-Baseline: Die ersten 30 Tage nach der Inbetriebnahme neuer Anlagen dienen als Basisphase. Am Edge werden die Tagesmittelwerte ±3σ der einzelnen Merkmale als Normalbereich berechnet. Die Baseline wird lokal in einer SQLite-Datenbank am Edge und in der Cloud-Zeitreihendatenbank gespeichert. Überschreitet ein Merkmalswert den Basisbereich (z. B. Schwingungs-RMS über das 2-fache der Baseline), sendet der Edge sofort eine Warnmeldung an das Gateway (MQTT QoS 1). Das Gateway lädt die Meldung in die Cloud hoch und pusht sie innerhalb von 30 Sekunden an die APP des Wartungspersonals. Parallel speichert der Edge die Rohdaten der anomalen Wellenform (10 Sekunden vor dem Fehler) als zusätzliche Eingabe für die Cloud-Modellanalyse.
Cloud-Modell: 1D-CNN und LSTM zur Restlebensdauer-Prognose
Das Cloud-KI-Modell arbeitet zweistufig: Gesundheitszustandsklassifikation (1D-CNN) und Restlebensdauer-Regression (LSTM). Das 1D-CNN-Klassifikationsmodell verwendet als Eingabe den vom Edge hochgeladenen 32-dimensionalen Merkmalsvektor (4 Schwingungskanäle × 8 Frequenzmerkmale) und klassifiziert in 5 Gesundheitszustände: Normal (Label 0), Leichte Degradation (Label 1), Mittlere Degradation (Label 2), Schwere Degradation (Label 3), Vorfall (Label 4). Modellstruktur: Conv1D(64, 128, 256) + MaxPool + GlobalAvgPool + Dense(128, 5), ca. 86K Parameter, Klassifikationsgenauigkeit 94,7 % (validiert mit annotierten After-Sales-Wartungsdaten).
Das LSTM-Modell zur Restlebensdauer-Prognose verwendet als Eingabe die Zeitreihe der 32-dimensionalen Merkmalsvektoren der letzten 7 Tage (Zeitschritt = 7×24×6 = 1008, ein Merkmalsvektor alle 10 Minuten). Über zwei LSTM-Schichten (128, 64) + Dense(32, 1) wird der Restlebensdauer-Prognosewert (in Stunden) ausgegeben. Die Trainingsdaten stammen aus der After-Sales-Wartungsdatenbank von Kelude Schwerindustrie (1.200 Brückenkrane × durchschnittlich 3 Jahre Betriebsdaten), insgesamt ca. 36.000 Kran-Jahre an Beschleunigungsdaten. Bei der 5-fachen Kreuzvalidierung beträgt die RUL-Prognoseabweichung (MAPE) ≤ 15 %. Das Modell wird alle 24 Stunden automatisch mit neuen Betriebsdaten inkrementell nachtrainiert (Trainingszeit ca. 8 Minuten pro Runde).
Automatisierte Wartungsaufträge und APP-Push-Benachrichtigungen
Der eigentliche Nutzen der vorausschauenden Wartung liegt darin, die richtigen Wartungsmaßnahmen auszulösen. Die Workflow-Regeln der Kelude-Cloud-Plattform basieren auf einer vierstufigen Gesundheitsklassifizierung:
Normal (Label 0–1)– Nur Datenaufzeichnung, keine Benachrichtigungen. Das System überwacht Trendveränderungen im Hintergrund kontinuierlich.
Mittlere Degradation (Label 2)– Das System markiert den Zustand in der Wartungs-App als „beobachten“ und sendet wöchentlich eine Zusammenfassung an den Anlagenverantwortlichen mit der Empfehlung, den Punkt in den nächsten Wartungsplan aufzunehmen.
Schwere Degradation (Label 3)– Sofortige Push-Benachrichtigung in der App sowie SMS-Alarm. Empfehlung: geplante Stillstands-Wartung innerhalb von 7 Tagen. Das System erstellt automatisch einen Vorab-Wartungsauftrag.
Vor dem Ausfall (Label 4)– Sofortige dreistufige Alarmierung per App-Push, Telefon und E-Mail. Empfehlung: sofortige Stillstands-Wartung. Das System generiert automatisch einen Wartungsauftrag (inkl. Fehlerstelle, Wartungsempfehlung, erforderliche Ersatzteilliste) und zeigt an, ob passende Ersatzteile in der Nähe verfügbar sind.
Funktionen des Wartungs-Dashboards in der App: Anlagenübersicht (Echtzeit-Gesundheitsstatus aller Brückenkrane in Ampelfarben), Schwingungstrend-Kurven (RMS-Trend und FFT-Spektrum für beliebige Zeiträume), Historische Alarmaufzeichnungen (inkl. Rohwellenform-Diagramm zum Alarmzeitpunkt), Wartungsauftragsliste (Auftragsstatus, Bearbeiter, voraussichtliche Fertigstellung), Ersatzteil-Lagerabfrage (Anbindung an das ERP-Ersatzteilmodul des Unternehmens). Die Kelude-App ist für Android und iOS verfügbar; die Datenübertragung erfolgt über HTTPS mit JWT-Token-Zertifizierung.
Fernwartung und OTA-Firmware-Aufrüstung
Die Fernwartungsfunktion ermöglicht es dem Kelude-Serviceteam, die meisten Wartungsarbeiten ohne Vor-Ort-Einsatz durchzuführen. Die Kernfunktionen gliedern sich in vier Bereiche:
① Fernüberwachung Service-Techniker-Login Cloud-Plattformermöglicht die Ansicht Beliebig BrückenkranderEchtzeitbetrieb Parameter(Strom, Temperatur, Vibration, Betriebsstunden usw.)und historische Trends.unterstützt anpassbare Dashboards, nach Gerätegruppen/regionale Zusammenfassung und Vergleich. Web/APP |
② Fernzugriff Fehlerdiagnose Techniker können APPoder Web Endgerät fernauslesen PLCFehlerpuffer(Diagnose FehlerpufferOB82/OB86/OB121)und Edge-Box-Logs, Fehlerursachen analysieren und Wartung Empfehlungen.unterstützt Fehlercodeautomatische Analyse und Wartung Lösungsvorschläge. Fernauslesen Diagnose |
③ Video Inspektion Brückenkran AIKamera unterstützt Fern-Echtzeitbild(H.264Stream, Latenz≤1Sekunden), Techniker können ferne Sichtprüfung durchführen Haken/Drahtseil/Schleppleitung Status.unterstützt Screenshot-Markierung und Video-Wiedergabe. H.264Echtzeit |
④ OTAFirmware Aufrüstung Edge-Computing Box und Gateway unterstützen Fern-Firmware OTAAufrüstung.Aufrüstung Paket über MQTT(Qo S 2)segmentierten Download(jedes Segment64KB), Download mit paralleler Prüfung(SHA-256, automatischer Rollback auf Vorgängerversion bei Fehler).Brückenkran PLCFirmware über die Edge-Box-Profinet Schnittstelle geschrieben.abgeschlossen87Fernzugriffe Aufrüstung, durchschnittliche Reisekostenersparnis¥2,000/Einsätze. SHA-256Download mit paralleler Prüfung |
Reaktive Instandhaltung vs. vorausschauende Wartung im Vergleich
| Vergleichskriterium | traditionelle planmäßige Wartung | traditionelle StörungWartung | Cloud-Edge-koordinierte vorausschauende Wartung |
|---|---|---|---|
| Wartungsauslösung | BefestigungZeitintervall(z. B. alle3Monate) | Notfall nach StörungWartung | Echtzeitauslösung nach Gerätezustand |
| Teiletauschstrategie | kompletter Tausch bei Fälligkeit(durchschnittliche Lebensdauerverschwendung40%) | Tausch erst bei Defekt(erzwungener Tausch) | basierend aufRULvorausschauender Tausch vor Störung |
| ungeplante StillstandszeitAnzahl | 5~8Einsätze/Jahr | 8~15Einsätze/Jahr | 1~3Einsätze/Jahr |
| ErsatzteilLagerbestand | hoch(basierend aufBefestigungListenbevorratung) | unvorhersehbar | präzise Bevorratung nach PrognoseLagerbestandsreduzierung45% |
| Datengrundlage | keine(nach Erfahrung) | Analyse nach Störung | 7×24hkontinuierliche Vibration/Temperatur/StromDaten |
| Personalbesetzung | 2~3VollzeitkräfteWartungTechniker | erforderlich24hBereitschaft | 1TeilzeitkräfteÜberwachung+APPPush-Benachrichtigung |
| jährliche Gesamtwartungskosten | Basiswert(100%) | 120~180% | 60~75% |
Sensor-Konfiguration und Technische Parameter
| Sensor Typ | Typ/Spezifikation | Anzahl | ErfassungBauteil | Genauigkeit | Einzelpreis(CNY) |
|---|---|---|---|---|---|
| Schwingungssensor | IEPE 100mV/g | 4 | Motorvor/nachLager+Getriebehochlangsame Welle | Frequenz0.5Hz~10kHz | ¥650 |
| Temperatursensor | PT100 Dreileiter | 6 | MotorWicklung×2+Bremse×2+GetriebeÖltank×2 | ±0.3°C | ¥120 |
| Stromsensor | Hall-geschlossener Regelkreis 0~100A | 3 | HubmotorDrehstrom | ±1%F.S. | ¥280 |
| BremseVerschleiß | magnetostriktivTeleskopierenWeg | 1 | BremsbackeVerschleißAnzahl | ±0.1mm | ¥450 |
Häufig gestellte Fragen (FAQ)
F: Wie lange dauert es, bis das Predictive-Maintenance-Modell eine ausreichende Prognosegenauigkeit erreicht?
A: Kelude Schwerindustrie nutzt die Wartungsdaten von 1.200 Brückenkranen als Basistrainingsdatensatz. Neue Kunden erhalten nach der Inbetriebnahme sofort ein Basismodell. Bei der kundeneigenen Datenerfassung: In der ersten Woche wird eine Vibrationsbasislinie etabliert, nach dem ersten Monat sind erste Trendaussagen möglich, im dritten Monat stabilisiert sich die RUL-Prognoseabweichung auf ≤20 %, und im sechsten Monat wird die endgültige Genauigkeit von ≤15 % erreicht. Wir empfehlen, das System nach der Inbetriebnahme mindestens 6 Monate lang zur Modellevaluierung zu betreiben. Kelude Schwerindustrie stellt bei der Abnahme einen Vergleichsbericht der Prognosegenauigkeit zwischen Basis- und Stabilisierungsphase zur Verfügung.
F: Erzeugt das Predictive-Maintenance-System viele Fehlalarme, die das Wartungspersonal abstumpfen lassen?
A: Die Fehlalarmrate wird durch eine dreistufige Filterung auf ein sehr niedriges Niveau begrenzt: Stufe 1 – Edge-Computing-Basisschwellwertfilterung (nur wenn der Kennwert ±3σ überschreitet, wird ein vorläufiger Alarm generiert); Stufe 2 – Cloud-seitige Zeitkontinuitätsprüfung (ein Alarm muss in 3 aufeinanderfolgenden Zyklen den Schwellwert überschreiten, um als echter Alarm bestätigt zu werden; einzelne Schwankungen werden herausgefiltert); Stufe 3 – 1D-CNN-Modell-Konfidenzfilterung (nur Ergebnisse der Label 3/4 mit einer Konfidenz ≥0,85 lösen eine Push-Benachrichtigung aus). Die gemessene Fehlalarmrate beträgt ca. 1,2 pro Monat und Brückenkran, wobei ca. 83 % davon tatsächlich wartungsrelevant sind. Das Wartungspersonal kann in der APP eine Rückmeldung „Fehlalarm“ markieren, die zur Modelloptimierung verwendet wird.
F: Was tun, wenn alte Brückenkrane keine Einbauposition für Schwingungssensoren haben?
A: Die Schwingungssensoren werden auf der bearbeiteten Fläche der Endkappen des Getriebelagergehäuses und des Motorlagergehäuses montiert (M6- oder M8-Gewindebohrung). Ältere Getriebe und Motoren von Brückenkranen verfügen in der Regel über Prozessgewindebohrungen (für Heben und Montage), die direkt genutzt werden können. Falls wirklich keine Einbauposition vorhanden ist, kann eine magnetische Sensorhalterung verwendet werden (Magnetkraft ≥50N, Frequenzbereich 0,5Hz~5kHz, geringfügig niedriger als die 0,5Hz~10kHz bei Gewindemontage; der Hauptfrequenzbereich des Krans liegt jedoch bei 500Hz~5kHz, sodass der Einfluss vernachlässigbar ist). Kelude Schwerindustrie bietet Sensorkits für beide Montagevarianten – magnetisch und mit Gewinde – zum gleichen Preis an.
F: Was kostet das Predictive-Maintenance-System und wie lange ist die Amortisationszeit?
A: Die Umbaukosten für Predictive Maintenance pro Brückenkran betragen ca. 3.200 € bis 4.500 € (inkl. 10 Sensor-Kits für 1.025 €, Edge-Computing-Box für 835 €, Daten-Cloud-Gateway für 320 €, Montage & Inbetriebnahme für 640 € und Cloud-Plattform-Servicegebühr für das erste Jahr für 385 €). Bei einem geschätzten Verlust von ca. 1.300 € bis 2.600 € pro ungeplanter Stillstandszeit (inkl. Produktionsausfall und Wartungskosten) reduziert Predictive Maintenance die jährlichen ungeplanten Stillstandszeiten von 7 auf 2, was einer jährlichen Ersparnis von ca. 6.400 € bis 12.800 € pro Kran entspricht. Das bedeutet, dass sich die Investition pro Kran in ca. 4 bis 6 Monaten amortisiert. Zusätzlich reduziert sich der Ersatzteilbestand um 45 % (ca. 3.800 € bis 6.400 € pro Kran und Jahr) und die Lebensdauer von kritischen Bauteilen wie Lagern und Zahnrädern verlängert sich um 30–50 %. Die ROI ist damit eindeutig positiv. Kelude Schwerindustrie bietet eine kostenlose 3-monatige Testphase an (nur Hardwarekosten), eine jährliche Servicevereinbarung wird erst nach Zufriedenheit abgeschlossen.
