Kranfahrwerksdaten: Sensorik bis intelligente Analyse
Die vollständige Datenkette eines Brückenkrans umfasst fünf Ebenen: Sensorerfassung (Vibration/Temperatur/Strom/Encoder, 8–16 Stück pro Kran), Kantenbereinigung (3σ-Ausreißereliminierung + Resampling + FFT-Merkmalsextraktion), Zeitreihenspeicherung (InfluxDB/TimescaleDB, 10–50 GB Tageszuwachs pro Anlage), intelligente Analyse (LSTM-Wartungsprognose/Anomalieerkennung/optimierte Einsatzplanung) sowie Visualisierungs-Dashboard (Grafana + App-Push).Jeder Brückenkran erzeugt jährlich etwa 3–18 TB Rohdaten; durch effektive Auswertung lassen sich ungeplante Stillstandszeiten um 40–60 % reduzieren. Die Big-Data-Plattform von Kelude ist bereits mit über 200 Brückenkranen verbunden und hat mehr als 5 PB Betriebsdaten akkumuliert.
Der Brückenkran (Zweiträger- oder Portalkran) zählt zu den datendichtesten Anlagen in modernen Fabriken – jeder Kran ist mit 8–16 Sensoren ausgestattet, die mit einer Abtastrate von 100 Hz kontinuierlich mehrdimensionale Signale wie Vibration, Temperatur, Strom und Position erfassen. Ein einzelner Kran erzeugt täglich 30–50 GB Rohdaten; ein mittelgroßes Werk mit 20 Kranen akkumuliert so über 200 TB pro Jahr. Doch die meisten Betriebe nutzen weniger als 5 % dieser Daten – die Sensorwerte verbleiben nur kurz in der SPS und im Frequenzumrichter, ohne jemals in eine Analyse-Pipeline zu gelangen. Dieser Beitrag zerlegt die gesamte Datenkette vom Brückenkran – von der Erfassung über die Bereinigung und Speicherung bis hin zur Analyse und Visualisierung – in ihre technischen Einzelschritte.
Sensorik zur Datenerfassung am Kran
Die Datenerfassung bildet den Ausgangspunkt der Analyse-Kette. Unterschiedliche Sensoren messen verschiedene physikalische Größen und decken damit sämtliche Zustandsparameter der Maschinen- und Elektrotechnik des Krans ab. Die Standard-Datenerfassungskonfiguration von Kelude umfasst folgende Sensoren:
| Sensor Typ | MessungParameter | Typ/Spezifikation | Abtastrate | Stückzahl pro Einheit | Einbauort |
|---|---|---|---|---|---|
| Schwingungssensor | PlusGeschwindigkeit(mm/s²) | IEPE Typ, 0.5Hz~10kHz | 25.6kHz | 4~6Stück | Motor/Getriebe/RadachseLast/Trommel |
| Temperatursensor | Temperatur(°C) | PT100, ±0.3°C | 1Hz | 4~8Stück | MotorWicklung/GetriebeÖlsumpf/Bremse/Schiene |
| Stromsensor | Strom(A) | Hall-Effekt, ±1%F.S. | 1kHz | 3Stück | Heben / Anheben/Laufkatze/Frequenzumrichter des BrückenfahrwerksAusgang |
| Encoder / Drehgeber | Einbauort/Geschwindigkeit | inkremental/absolut, 1024Impulse pro Umdrehung (PPR) | 100Hz | 2~4Stück | Hubmotor/Kranbrücke/LaufkatzeAntrieb |
| GewichtSensor | Last(t) | Säulen-/Achszapfen-, 0.5%F.S. | 10Hz | 1Stück | HakenflaschenrolleWicklung |
2. Edge-Datenbereinigung und -Vorverarbeitung – vom Rohsignal zum nutzbaren Feature
Rohsignale von Sensoren können nicht direkt in Analysemodelle eingespeist werden. Edge-Computing-Knoten (NVIDIA Jetson Orin NX/AGX) führen in unmittelbarer Nähe des Brückenkrans eine Echtzeit-Bereinigung, Resampling und Feature-Extraktion durch und komprimieren die rohen 25,6-kHz-Schwingungsdaten zu sekündlichen Feature-Werten. Der Bereinigungsprozess gliedert sich in vier Schritte:
Schritt 1 – Ausreißereliminierung: Anwendung der 3σ-Regel (Pauta-Kriterium). Für jedes gleitende Fenster (Fensterlänge N = 1.000 Punkte) jedes Sensorkanals werden Mittelwert μ und Standardabweichung σ berechnet. Datenpunkte außerhalb von μ ± 3σ werden als Anomalien markiert und entfernt. Gelegentliche Spitzenstörungen der Sensoren in den Schwingungsdaten (elektromagnetisches Rauschen, mechanische Stöße) machen etwa 0,1–0,5 % aus; nach der Entfernung werden die Daten per linearer Interpolation rekonstruiert.
Schritt 2 – Imputation fehlender Werte: Temperatursensoren und Stromsensoren haben eine niedrige Abtastrate (1 Hz–1 kHz) und weisen gelegentlich Lücken durch Kommunikationsverluste auf. Bei einer Ausfalldauer von < 100 ms wird eine lineare Interpolation verwendet, bei ≥ 100 ms eine KNN-Imputation (k = 5, gewichteter Mittelwert der fünf ähnlichsten Nachbarpunkte im Zeitfenster). Die vom Kelude-Edge-Gerät gemessene Imputationsgenauigkeit beträgt ≥ 98 %.
Schritt 3 – Resampling und Synchronisation: Alle Sensoren mit unterschiedlichen Abtastraten werden einheitlich auf eine Basisrate von 1 Hz neu abgetastet. Die Downsampling-Strategie für Schwingung von 25,6 kHz auf 1 Hz: Pro Sekunde werden vier Statistiken extrahiert – RMS, Spitzenwert, Kurtosis-Faktor und Spitzenfrequenz –, wodurch das Datenvolumen um den Faktor 25.600 reduziert wird. Strom von 1 kHz auf 1 Hz: Pro Sekunde werden Effektivwert und Spitzenwert gebildet. Alle Sensoren werden über GPS-Zeit synchronisiert, die Zeitstempel-Ausrichtung erfolgt mit einer Genauigkeit von ± 1 ms.
Schritt 4 – Feature-Engineering: Auf der 1-Hz-Basisdatenbasis werden höherwertige Features berechnet: Schwingungs-Kurtosis (reflektiert Stoßcharakteristik), Crest-Faktor (reflektiert den Dynamikbereich der Signalamplitude) sowie die Seitenband-Energieratio (für die Fehlerdiagnose von Zahnrädern und Lagern). Der Kelude-Standard-Featuresatz umfasst 128 dimensionale Zeit- und Frequenzbereichsmerkmale; jeder Brückenkran erzeugt pro Sekunde einen 128-dimensionalen Feature-Vektor.
3. Auswahl der Datenspeicherlösung – Zeitreihendatenbank und Kalt-Warm-Trennung
Ein Brückenkran erzeugt täglich 30–50 GB Rohdaten (kontinuierliche 25,6-kHz-Schwingungserfassung). Nach der Edge-Bereinigung und -Komprimierung reduziert sich das Volumen auf etwa 1,2 GB Feature-Daten pro Tag. Bei einem Werk mit 20 Brückenkränen ergibt sich ein täglicher Zuwachs von ca. 24 GB, ein monatlicher Zuwachs von ca. 720 GB und ein jährlicher Zuwachs von ca. 8,6 TB. Unterschiedliche Datentypen erfordern unterschiedliche Speicherstrategien:
| Datentyp | Speicherkonzept | Tageszuwachs | Aufbewahrungszeitraum | Kompressionsverhältnis | Abfrageleistung(1hBereich) |
|---|---|---|---|---|---|
| Rohschwingung(25.6kHz) | MinIOObjektspeicher | 30~50GB | 30Tage | 2:1 (gzip) | — (Dateilesen) |
| Merkmalsdaten(1Hz, 128Dimension) | InfluxDB | 1.2GB | permanent | 5:1 (Spaltenspeicherung+delta) | ≤200ms |
| Ereignisprotokoll(Alarm/Betrieb) | PostgreSQL | 50~200MB | permanent | — | ≤50ms |
| ModelltrainingMerkmalsdaten(annotierte Stichproben) | PostgreSQL+MinIO | 100~500MB | permanent | — | — |
Strategie zur Speicherung mit Kalt-/Warm-Trennung: Heiße Daten (letzte 7 Tage) werden im InfluxDB-Arbeitsspeicher und auf der SSD-Ebene gespeichert, mit einer Abfrageantwortzeit von <50 ms. Warme Daten (8–90 Tage) liegen auf der HDD-Ebene von InfluxDB, mit einer Abfrageantwortzeit von <500 ms. Kalte Daten (>90 Tage) werden nach automatischem Downsampling auf 10-Minuten-Intervalle im MinIO-Objektspeicher archiviert, wodurch sich die Speicherkosten um 70 % reduzieren. Die Big-Data-Plattform von Kelude ist standardmäßig mit diesen dreistufigen Speicherstrategien konfiguriert; der Benutzer kann die Aufbewahrungszeiträume individuell anpassen.
4. Intelligente Analysemodelle – von Daten zur Entscheidung
Die bereinigten und gespeicherten Daten bilden die Grundlage für intelligente Analysen. Die Big-Data-Plattform von Kelude umfasst vier zentrale Analysemodelle: Fehlerfrühwarnmodell, Restlebensdauervorhersage, Energieverbrauchsoptimierung und Einsatzoptimierung. Nachfolgend sind die Ergebnisse der Modelle anhand von 6-Monats-Messdaten eines 32-t-Brückenkrans in einem Stahlwerk dargestellt:
| Modell | Algorithmus | Genauigkeit | Vorwarnzeit | Fehlalarmrate | Einsatzort |
|---|---|---|---|---|---|
| LagerschadenFrühwarnung | LSTM-Attention | 96.3% | 7~14Tage | 4.2% | Edge |
| ZahnradVerschleißPrognose | Transformer | 94.1% | 14~30Tage | 5.8% | Cloud |
| EnergieanomalieErkennung | Isolation Forest | 91.7% | Echtzeit | 3.1% | Edge+Cloud |
| DispositionPfadoptimierung | PPOBestärkendes Lernen | 87.6% | Bahnplanung | — | Cloud |
Die Big-Data-Plattform von Kelude integriert eine AutoML-Pipeline, die Modelle automatisch alle zwei Wochen neu trainiert. Die Erkennung von Datenverteilungsdrift (Data Drift) erfolgt über den PSI (Population Stability Index); bei PSI > 0,1 wird das Retraining automatisch ausgelöst. Die Inferenzergebnisse der Modelle werden über das MQTT-Protokoll an Grafana-Dashboards sowie an WeChat- und SMS-Benachrichtigungen übermittelt.
| 8~16 pro Einheit Brückenkran Sensor Stückzahl pro Einheit Rohschwingung/Temperatur/Strom/Encoder / Drehgeber/Gewichtfünf Kategorien | 25,600× Edge-Datenkompressionsverhältnis 25.6kHz1Hz, RMS/Spitzenwert/Kurtosis-Merkmal | 5PB+ kumulierte Betriebsdatenmenge 200+pro Einheit Brückenkran, Dauererfassung über3Jahre |
| 96.3% Lagerschaden Frühwarnungsgenauigkeit LSTM-Attention, vorzeitig7~14Tage | 40~60% ungeplante Stillstandszeit Reduzierung vorausschauende Wartung+Gesamtnutzen der Einsatzoptimierung | 128Dimension Merkmalsvektordimension pro Sekunde Zeitbereich+Frequenzbereich, Gesamtmenge Abdeckung |
5. Visualisierungs-Dashboard und Berichtssystem
Die Datenanalyse mündet in visuellen Dashboards und Berichten. Die Big-Data-Plattform von Kelude setzt auf einen Grafana+Prometheus-Monitoring-Stack mit Echtzeit-Datenaktualisierung (Latenz ≤ 2 s). Auf einer einzigen Anzeige lassen sich die Kranfahr-Übersicht des gesamten Werks, der Gesundheitsstatus einzelner Brückenkrane, historische Trendvergleiche und eine Liste von Störungswarnungen darstellen. Eine mandantenfähige Rechteverwaltung stellt sicher, dass verschiedene Rollen (Werksleiter, Anlagenverantwortlicher, Wartungstechniker, Kranführer) unterschiedliche Instrumententafel-Ansichten sehen.
Dashboard-Ebenen: Betriebsübersicht (Online-Status aller Brückenkrane / OEE / Energieverbrauchstrend / Anzahl der Warnungen), Einzelgeräte-Dashboard (Echtzeit-Vibrationsspektrum, Temperaturtrend, Stromverlauf, kumulierte Betriebsstunden, Restlebensdauer-Schätzung) und historische Analyse (Trendvergleich für beliebige Zeiträume, Ereignis-Wiedergabe, Datenrückblick 15 Minuten vor einer Störung). Die Alarmzustellung erfolgt über drei Kanäle: WeChat Work, SMS und E-Mail. Kritische Alarme (Lagertemperatur > 85 °C, Vibration > 10 mm/s) werden automatisch an den Anlagenverantwortlichen eskalierte. Für ein großes Stahlwerk hat die Big-Data-Plattform von Kelude bereits 6 Kategorien mit 28 Dashboards individuell konfiguriert. Monatlich wird automatisch ein Energieeffizienzbericht (PDF-Format) generiert, der eine Rangliste des Energieverbrauchs pro Kran, Wartungsempfehlungen und eine Kostenprognose enthält.
Weitere Anwendungsszenarien für Krankaten finden Sie hier: Vergleich von drei Lösungen zur Bremsenergie-Rückgewinnung bei Brückenkranen (Energieverbrauchsoptimierung), Systemarchitektur für Cloud-Edge-Kooperation bei Brückenkranen (Edge-Computing-Unterstützung). Kelude bietet die Big-Data-Plattform in einer Standard- und einer Enterprise-Edition an. Die Standard-Edition umfasst Basis-Dashboards und Alarmmeldungen, die Enterprise-Edition bietet AutoML, kundenspezifische Dashboards und die Entwicklung maßgeschneiderter KI-Modelle.
Häufige Fragen (FAQ)
F: Muss für die Datenerfassung der vorhandene Brückenkran umgebaut werden?
A: Kelude bietet zwei Lösungen an: Bei neuen Brückenkranen werden Sensoren und Edge-Computing-Box ab Werk integriert (Plug-and-Play). Für Bestandsanlagen gibt es ein Nachrüstpaket: Die Sensorik wird installiert, ohne das bestehende elektrische System zu verändern. Die Sensoren werden mittels Magnetfuß oder Spannvorrichtung befestigt. Die Edge-Box liest vorhandene Signale wie Strom und Geschwindigkeit über die Frequenzumrichter-Schnittstelle (RS485/Profinet) aus; neu hinzugefügte Vibrations- und Temperatursensoren übertragen drahtlos. Die typische Nachrüstzeit für einen Bestandskran beträgt 3–5 Tage pro Kran, ohne den regulären Produktionsbetrieb zu beeinträchtigen.
F: Reicht die Netzwerkbandbreite für 30–50 GB Daten pro Tag aus?
A: Die Rohdaten werden nicht direkt in die Cloud hochgeladen. Die Edge-Computing-Box komprimiert die Daten und extrahiert Merkmale. Nur diese Merkmalsdaten werden übertragen (ca. 1,2 GB/Tag/Kran). Bei 20 Kränen pro Standort ergibt sich eine tägliche Upload-Menge von ca. 24 GB. Das Werk benötigt eine Internetverbindung mit mindestens 100 Mbit/s. Der benötigte Upstream für die Merkmalsdaten beträgt ca. 2 Mbit/s (24 GB / 86.400 s × 8 = 2,2 Mbit/s), was mit einer Standard-Breitbandverbindung problemlos abgedeckt wird. Die Rohdaten werden lokal im Werk für 30 Tage gespeichert und danach automatisch gelöscht. Für eine längere Aufbewahrung kann optional ein lokales NAS-Speichersystem angebunden werden.
F: Die Modellgenauigkeit liegt bei 96 %, aber was ist, wenn Fehlalarme die Produktion stören?
A: Die Warnstrategie von Kelude ist dreistufig aufgebaut: Stufe 1 (Modellkonfidenz ≥ 95 %) generiert automatisch einen Wartungsauftrag und sendet diesen an das Mobiltelefon des Vorgesetzten. Stufe 2 (80 % ≤ Konfidenz < 95 %) markiert den Status im Dashboard als „prüfen" und empfiehlt eine Inspektion während eines geplanten Stillstands. Stufe 3 (Konfidenz < 80 %) wird nur im historischen Bericht dokumentiert und nicht aktiv kommuniziert. Zudem fließen Fehlalarme zurück in den Trainingsprozess: Vom Nutzer als „Fehlalarm" markierte Stichproben werden in einen Schwerbeispiel-Pool (Hard Negative Mining) aufgenommen. Bei der zweiwöchentlichen Neuschulung des Modells wird die Anomaliebewertung für ähnliche Stichproben automatisch gesenkt. In der Praxis konnte die Fehlalarmrate nach 6 Monaten von 4,2 % auf 2,1 % reduziert werden.
F: Wie gestaltet sich die Preisgestaltung für die Big-Data-Plattform von Kelude?
A: Die Standard-Edition wird pro Brückenkran abgerechnet: eine einmalige Datenerfassungsgebühr pro Kran (ca. 380 € – 1.020 €, abhängig von der Anzahl der Sensoren) plus eine jährliche Plattformgebühr von ca. 260 € – 640 € pro Kran (inklusive Datenspeicherung, Dashboards, Alarmmeldungen und Modellpflege). Die Enterprise-Edition wird projektbasiert angeboten und umfasst AutoML, kundenspezifische Dashboards und eine private Cloud-Implementierung. Kelude bietet eine kostenlose 14-tägige Testversion der Standard-Edition an; während dieser Zeit ist die Anbindung von 2 Brückenkranen kostenlos.
Die ganzheitliche Technische Lösung für den Datenfluss vom Kranfahren bis zur Entscheidungsfindung ist die Grundlage für die intelligente Aufrüstung eines Werks. Die Big-Data-Plattform von Kelude wird bereits von Kunden mit über 200 Brückenkranen in Branchen wie Stahl, Chemie, Baustoffe und Maschinenbau eingesetzt. Für weitere Informationen oder eine kostenlose Demo kontaktieren Sie bitte das technische Team von Kelude, um eine maßgeschneiderte Lösung zu erhalten.
Empfohlene Normen
• FEM 9.221 „Kranfahrwerk-Spezifikation“
• ISO 24445:2020 „Technische Bedingungen für intelligente Sensoren an Kränen“
• DIN 15018 – Kernbestimmungen der Kran-Konstruktionsnorm: Last, Struktur, Mechanik, Elektrik und Sicherheit
Kelude Industriekrane: Der Standard für deutsche Fertigungsqualität
Kelude ist ein führender Hersteller von Industriekranen mit über 20 Jahren Erfahrung in der Entwicklung und Fertigung von Hebezeuglösungen. Unser Unternehmen hat sich auf den Bau von Brückenkranen, Portalkranen, Auslegerkranen und Elektroseilzügen spezialisiert und liefert maßgeschneiderte Systeme für Produktionshallen, Lagerhäuser und Werksanlagen in ganz Europa.
