Модернизация предиктивного обслуживания кранов Kelude
Система предиктивного обслуживания мостовых кранов Келуде
Решение для прогнозируемого техобслуживания на основе многоканальной сенсорной матрицы (вибрация 10 кГц / температура 1 Гц / ток 1 кГц) и гибридной архитектуры «Граничные Вычисления + ИИ на Облачной Платформе». Система использует модель классификации отказов CNN и модель прогнозирования временных рядов LSTM для онлайн-мониторинга вибрации и AI-оценки остаточного ресурса ключевых компонентов крана (Редуктор, подшипник двигателя, Колёсный блок, стальной канат, Тормоз). Фактические данные сопоставляются с трёхуровневым порогом срабатывания сигнализации по стандарту ISO 10816-3. На основе эксплуатационных данных 127 мостовых кранов, уже подключённых к проекту предиктивного обслуживания Келуде (суммарная наработка — более 2,4 млн часов), точность обнаружения аномалий составляет 82%, а внеплановые остановки сокращаются примерно на 65%.
Компания «Келуде Тяжёлая Промышленность» объявляет о модернизации своей системы предиктивного обслуживания мостовых кранов. В дополнение к существующей платформе удаленного мониторинга внедрены два ключевых модуля: онлайн-мониторинг вибрации и AI-оценка остаточного ресурса. Обновлённая система построена по трёхуровневой архитектуре «сенсорный уровень + Граничные Вычисления + ИИ на Облачной Платформе». На критически важных компонентах крана — Редуктор, подшипник двигателя, Колёсный блок, стальной канат и Тормоз — устанавливаются датчики различных типов. В настоящее время система развёрнута на 127 мостовых кранах на 17 предприятиях РФ и СНГ. Суммарная наработка оборудования превышает 2,4 млн часов, точность раннего предупреждения отказов составляет 82%, а фактическое сокращение внеплановых остановок достигает примерно 65%. Приведённые ниже данные основаны на стандарте ISO 10816-3 (механическая вибрация) и эксплуатационной базе данных проекта предиктивного обслуживания мостовых кранов «Келуде» (период сбора: март 2024 г. — июнь 2026 г.).
Архитектура системы: сенсорный уровень и схема монтажа
Сенсорный уровень системы предиктивного обслуживания предусматривает установку датчиков трёх типов в 6–8 ключевых точках каждого мостового крана:
① Датчик Вибрации (акселерометр PCB 352C33, Диапазон Измерений ±50 g, частотный диапазон 0,5 Гц – 10 кГц) — устанавливается на Корпус Подшипника входного/выходного вала Редуктора, на подшипники со стороны привода и со стороны свободного конца вала Двигателя, а также на Корпус Подшипника Оси Колеса. Предназначен для обнаружения характерных частот ранних дефектов Подшипников и Шестерён.
② Датчик Температуры (платиновый термометр сопротивления PT100, класс точности A, ±0,15 °C) — устанавливается на фрикционную накладку Тормоза, в Корпус Подшипника Шкива канатного и внутри Электрошкафа. Контролирует аномальное превышение температуры.
③ Энкодер / датчик тока (инкрементальный энкодер + датчик тока на эффекте Холла LEM) — устанавливаются на валу двигателя и на выходе Преобразователя частоты. Контролируют колебания Частоты вращения и искажения формы Тока.
Общее количество датчиков на один кран составляет от 15 до 22. Период сбора данных — 60 секунд. Частота дискретизации вибрационного сигнала — 10 кГц на канал.
Оценка интенсивности вибрации по ISO 10816-3 (жёсткая опора, класс I)
| Зона оценки | Среднеквадратичное значение виброскорости, мм/с | Рекомендация для нового оборудования |
|---|---|---|
| A (хорошо) | ≤ 1,8 | Приемлемо для эксплуатации |
| B (удовлетворительно) | 1,8 – 4,5 | Допустимо для длительной работы без ограничений |
| C (неудовлетворительно) | 4,5 – 11,2 | Требуется планирование технического обслуживания |
| D (аварийно) | > 11,2 | Немедленная остановка и ремонт |
В таблице приведены граничные значения интенсивности вибрации для класса I (электродвигатели малой и средней мощности до 15 кВт) при жёсткой опоре. Для оценки состояния используются фактические данные, полученные с Датчиков Вибрации, установленных на корпусах Подшипников.
Порог срабатывания сигнализации и уровнираннее предупреждение
На основе требований ISO 10816-3 и накопленной базы фактические данные по каждому контролируемому Компоненту сравниваются с тремя уровнями порога срабатывания сигнализации:
• Внимание — значение интенсивности вибрации входит в зону B (1,8–4,5 мм/с). Рекомендуется усилить контроль и сократить интервал технического обслуживания.
• Предупреждение — значение входит в зону C (4,5–11,2 мм/с). Требуется планирование ремонтных работ и заказ запасных частей.
• Авария — значение превышает 11,2 мм/с (зона D). Система выдаёт сигнал на внеплановую остановку крана для предотвращения отказа.
Модель прогнозирования остаточного ресурса
Для оценки остаточного ресурса каждого Компонента используется гибридная модель, объединяющая:
• CNN (свёрточная нейронная сеть) — для автоматического извлечения признаков дефектов из спектров вибрации и классификации типа повреждения (трещина Шестерни, износ Подшипника, ослабление крепления и т.д.).
• LSTM (долгая краткосрочная память) — для анализа временных рядов и прогнозирования момента достижения критического значения вибрации, что позволяет рассчитать остаточный ресурс в часах работы.
Выходные данные модели — прогноз остаточного ресурса для каждого контролируемого узла (например, «подшипник двигателя: 1200 часов»). Эта информация отображается в интерфейсе платформы удаленного мониторинга и используется для планирования пунктов технического обслуживания.
Практические результаты внедрения
По итогам эксплуатации системы на 127 мостовых кранах (17 предприятий) за период с марта 2024 г. по июнь 2026 г. зафиксированы следующие показатели:
• Точность обнаружения аномалий — 82%.
• Сокращение внеплановых остановок — примерно 65%.
• Суммарная наработка оборудования — более 2,4 млн часов.
Эти данные подтверждают эффективность предложенной архитектуры и алгоритмов для промышленного применения в условиях реальной эксплуатации.
Заключение
Модернизированная система предиктивного обслуживания мостовых кранов «Келуде» обеспечивает комплексный контроль технического состояния ключевых Механизмов, позволяя перейти от планово-предупредительных ремонтов к обслуживанию по фактическому состоянию. Это снижает затраты на техническое обслуживание, повышает безопасность эксплуатации и минимизирует риск внеплановых простоев производства.
| вибрацияскоростьдействующее значение(mm/s) | оцениваемая зона | состояние оборудования | системная сигнализацияКласс |
|---|---|---|---|
| ≤1.8 mm/s | Aзона(хорошо) | нормальная работа | без сигнализации |
| 1.8~4.5 mm/s | Bзона(допустимо) | приемлемо,требует внимания | раннее предупреждение(жёлтый) |
| 4.5~11.2 mm/s | Cзона(системная сигнализация) | аномалия,требует планированияРемонт | системная сигнализация(оранжевый) |
| ≥11.2 mm/s | Dзона(останов) | критично,немедленный останов | останов(красный) |
Источник данных: ISO 10816-3:2009 «Механическая вибрация — Оценка состояния машин по результатам измерений вибрации на невращающихся частях — Часть 3: Промышленные машины номинальной мощностью более 15 кВт и рабочей частотой вращения от 120 до 15000 об/мин». Редуктор и двигатель системы классифицируются по стандарту класса I.
Архитектура системы: граничные вычисления и ИИ-движок
Шлюз граничных вычислений (собственная разработка Келуде Тяжёлая Промышленность, модель KL-EDGE-200, на базе процессора NXP i.MX 8M Plus, 4 ядра Cortex-A53 1.6 ГГц + NPU 2.3 TOPS) развертывается непосредственно на кране и выполняет три задачи:
① Сбор и предварительная обработка данных — шумоподавление (вейвлет-пороговая фильтрация), интерполяция и синхронизация сырых сигналов со всех датчиков;
② Извлечение признаков — спектральный анализ FFT вибрационных сигналов (окно Ханнинга, 50% перекрытие, 4096 точек БПФ), выделение характерных частот подшипника (BPFI/BPFO/BSF/FTF), а также частоты зацепления шестерен и их боковых полос;
③ Прогнозирование аномалий — на основе пороговых значений ISO 10816-3 и облегченной модели обнаружения аномалий (One-Class SVM) формируется локальная сигнализация при явных отклонениях (время отклика ≤ 3 с, среднеефактическое значение значение 1,8 с).
ИИ-движок облачной платформы запускает две ключевые модели: модель классификации повреждений на основе свёрточной нейронной сети (архитектура ResNet-18), обученную на собственном наборе данных вибрации мостовых кранов Келуде (12 840 размеченных образцов, покрывающих 5 типов повреждений × 3 частоты вращения × 3 уровня нагрузки), с точностью Top-1 92,7%; модель прогнозирования остаточного ресурса на базе LSTM (двухслойная LSTM + механизм внимания, скрытый слой 128 измерений), обученную на последовательностях тенденции деградации из того же набора данных, со средней абсолютной процентной ошибкой (MAPE) 14,3% в горизонте прогноза 30 дней.
Формулы расчёта характерных частот повреждений подшипника качения (на примере шарикового радиального подшипника SKF 6308)
| место неисправности | формула расчёта | 6308Подшипник@1500rpm |
|---|---|---|
| Наружное Кольцонеисправность(BPFO) | f_BPFO = n/2·f_r·(1-d/D·cosα) | ~89.5 Hz |
| Внутреннее Кольцонеисправность(BPFI) | f_BPFI = n/2·f_r·(1+d/D·cosα) | ~135.5 Hz |
| Тело Качениянеисправность(BS (британский стандарт)F) | f_BS (британский стандарт)F = D/d·f_r·(1-(d/D·cosα)²) | ~57.8 Hz |
| Сепараторнеисправность(FTF) | f_FTF = f_r/2·(1-d/D·cosα) | ~11.2 Hz |
Примечание: n — число тел качения (для подшипника 6308 n=8), f_r — частота вращения, d — диаметр тела качения, D — делительный диаметр, α — угол контакта. Параметры SKF 6308: d=15.081 мм, D=65 мм, α=0°.
Результаты модели CNN на наборе валидации (2 568 записей)
| вид неисправности | объём выборки | точность | полнота | F1оценка |
|---|---|---|---|---|
| износ подшипников | 728 | 93.2% | 91.5% | 92.3% |
| питтинг зубьев | 542 | 90.8% | 93.4% | 92.1% |
| дисбаланс ротора | 468 | 95.1% | 92.8% | 93.9% |
| нетцентровка валов | 396 | 91.7% | 94.5% | 93.1% |
| конструкцияослабление | 434 | 92.6% | 91.3% | 91.9% |
| средневзвешенное | 2,568 | 92.7% | 92.7% | 92.7% |
Источник данных: набор данных вибрации мостовых кранов Kelude V2.0, сбор с марта 2024 г. по июнь 2026 г. Тестовая платформа: Intel Xeon Gold 6348 + NVIDIA A10, время инференса <15 мс/образец.
Онлайн-мониторинг вибрации мостового крана
Система онлайн-мониторинга вибрации охватывает три группы основных компонентов: редуктор (подшипники и шестерни входного/выходного валов), двигатель (передний и задний подшипники) и колёсный блок (подшипники колёсных осей). Для редуктора контролируются среднеквадратичное значение виброскорости (Vrms, мм/с) и огибающее значение ускорения (gE); трёхуровневые пороги срабатывания сигнализации установлены в соответствии со стандартом ISO 10816-3. Для контроля подшипников двигателя применяется метод огибающего анализа ускорения (технология высокочастотной демодуляции, полоса пропускания фильтра 2 кГц–10 кГц), позволяющий обнаружить недостаточную смазку или лёгкий износ подшипника за 2–4 недели до отказа. Встроенная функция спектрального анализа автоматически идентифицирует характерные частоты подшипников, их гармоники и боковые полосы — это ключевой критерий для отличия повреждения подшипника от повреждения шестерни. Система непрерывно записывает тренды вибрации и поддерживает сравнение за периоды 30/90/180 дней.
AI-оценка остаточного ресурса и расчёт экономической эффективности
Функция AI-оценки остаточного ресурса основана на двухслойной модели прогнозирования временных рядов LSTM (Long Short-Term Memory). Входные данные системы: характеристики вибрации за последние 90 дней (Vrms, пиковые значения, огибающие значения, амплитуда BPFI); дополнительные входные параметры: суммарная наработка, текущий коэффициент нагрузки, температура окружающей среды. Выходные данные: RUL (Remaining Useful Life — остаточный ресурс в днях) для ключевых компонентов и 80% доверительный интервал. На тестовом наборе из 2 568 записей модель показала MAPE=14,3% (горизонт прогноза 30 дней), что соответствует точности прогноза 85,7%. На примере входного подшипника редуктора мостового крана: при прогнозе RUL≤30 дней система выдаёт оранжевый сигнал тревоги и автоматически формирует рекомендации по ремонту.
Пример расчёта экономической эффективности: проект предиктивного обслуживания для 32-тонного мостового крана на металлургическом предприятии
Рассмотрим пример шести двухбалочных мостовых кранов типа QD грузоподъёмностью 32 т в цехе горячей прокатки металлургического предприятия (развёрнута система предиктивного обслуживания Kelude, срок эксплуатации — 14 месяцев). Ключевые показатели экономической эффективности проекта:
| Показатель | до внедрения(2024год1~3месяц) | после внедрения(2025год1~3месяц) | изменение |
|---|---|---|---|
| внеплановая остановкаколичество раз | 17раз | 6раз | 64.7% |
| внеплановая остановкаобщая длительность | 68час | 24час | 64.7% |
| требует планированияРемонтколичество раз | 5раз(предупредительное) | 3раз(прогностическое) | 40% |
| среднее на одноРемонтзатраты | ¥38,000 | ¥28,000 | 26.3% |
| квартальный итогРемонтрасходы | ¥80.6десять тысяч | ¥46.8десять тысяч | 41.9% |
Источник данных: база данных проекта системы предиктивного обслуживания мостовых кранов Келуде, номер проекта KL-PM-2024-017 (цех горячей прокатки металлургического предприятия). Данные опубликованы после деидентификации и подтверждения заказчиком.
Интеллектуальное планирование техобслуживания
Модуль интеллектуальной эксплуатации и технического обслуживания преобразует прогнозы в конкретные действия по ремонту:
①Автоматическое создание заказа на техобслуживание — при прогнозируемом RUL ≤ 30 дней для компонента система автоматически формирует заказ на техническое обслуживание и назначает его ремонтной бригаде. Заказ содержит информацию о месте неисправности, классе серьезности, рекомендуемом способе ремонта и перечне запчастей.
②Прогнозирование потребности в запчастях — на основе прогноза RUL и цикла закупки запчастей (например, для подшипника SKF 6308: 3–7 дней при импортозамещении, 15–30 дней для оригинальной импортной позиции) система заблаговременно инициирует процесс закупки.
③Оптимизация графика ремонтов — с учетом окон остановок (например, плановые простои при замене валков или регламентных работах) и прогноза RUL система автоматически рекомендует оптимальное время для проведения ремонта.
По данным вышеупомянутого металлургического предприятия, после внедрения системы количество внеплановых остановок сократилось на 64,7%, а квартальные затраты на ремонт снизились с ¥806 000 до ¥468 000, т.е. на 41,9%.
Технические параметры
| Технические Параметры | Показатель |
|---|---|
| Датчик ВибрацииМодель | PCB 352C33(IEPE Тип) |
| вибрациячастота дискретизации | 10kHz/система доступа |
| вибрацияДиапазон Измерений/Частотаотклик | ±50g / 0.5Hz~10kHz |
| Датчик Температуры/Точность | PT100 Aуровень / ±0.15℃ |
| Граничные Вычисленияшлюз | KL-EDGE-200(NPU 2.3TOPS) |
| локальная сигнализацияВремя отклика | ≤3секунда(среднее фактическое значение1.8секунда) |
| CNNклассификация неисправностейTop-1точность | 92.7%(набор валидации2,568запись) |
| LSTMпрогнозирование остаточного ресурсаMAPE | 14.3%(30окно в днях) |
| вибрациянормативная основа | ISO 10816-3:2009 |
| реализованные проектыобъём выборки/мостовой кранобъём выборки | 17предприятий / 127единиц |
| протокол связи | 4G/5G + MQTT |
Больше связанного контента: Проектирование IoT-платформы для удаленного мониторинга транспортных средств: архитектура 4G/5G+MQTT+облачная платформа, Практика применения цифрового двойника мостового крана: 3D-моделирование и предиктивное обслуживание
Часто задаваемые вопросы о системе предиктивного обслуживания
В: Требуется ли остановка производства для монтажа системы предиктивного обслуживания?
О: Монтаж датчиков выполняется в два этапа. На первом этапе, без остановки крана, устанавливаются датчик вибрации и датчик температуры (PCB 352C33 на магнитном основании) с прокладкой кабеля до шлюза граничных вычислений. На втором этапе, в рамках планового окна остановки, выполняется монтаж энкодера и датчика тока, а также комплексная наладка системы. Общая продолжительность монтажа составляет около 1–2 дней, при этом требуется окно остановки примерно 4–6 часов. Система развернута на 127 мостовых кранах в 17 компаниях, среднее время монтажа — 1,3 дня.
В: Требуется ли обучать модель ИИ самостоятельно?
О: Нет. Модель классификации неисправностей на основе CNN предварительно обучена на собственном наборе данных вибрации мостовых кранов компании Келуде Тяжёлая Промышленность (12 840 размеченных образцов, 5 режимов неисправностей). Первые 30 дней после ввода системы в эксплуатацию — адаптационный базовый период, в течение которого модель ИИ автоматически корректирует порог срабатывания сигнализации с учетом фоновой вибрации конкретного оборудования. Компания Келуде Тяжёлая Промышленность ежеквартально выпускает обновление версии модели. При наличии у заказчика данных о неисправностях по конкретной производственной линии (например, данные высокотемпературных подшипников металлургического крана) возможна тонкая настройка методом трансферного обучения.
В: Совместима ли система с кранами не производства Келуде?
О: Да, совместима. Из 127 развернутых мостовых кранов: 62 — Келуде, 28 — Weihua, 19 — Синьсян горное оборудование, 11 — DEMAG и 7 — других производителей. Система подключается к существующему ПЛК через датчики и шлюз граничных вычислений, устанавливаемые на ключевые компоненты, с использованием жесткого монтажа (DI/DO) или интерфейса связи (PROFINET/Modbus TCP) для получения данных о состоянии и наработке оборудования.
В: Каков срок окупаемости системы предиктивного обслуживания?
О: На примере проекта для сталелитейного предприятия с 6 мостовыми кранами грузоподъемностью 32 т (номер проекта KL-PM-2024-017): общие инвестиции в систему составили около 5 180 000 ₽ (включая 96 датчиков, 6 шлюзов граничных вычислений, лицензию на платформу на 3 года). После внедрения квартальные расходы на ремонт снизились с 9 940 000 ₽ до 5 770 000 ₽, экономия за один квартал — 4 170 000 ₽. Срок окупаемости — около 4–5 месяцев. Конкретный срок зависит от количества мостовых кранов, исходной стоимости обслуживания и цен на запчасти.
