Automatisierte Drahtseilprüfung - Sensorintegration in die Überprüfung von Drahtseilen und Entwicklung einer intelligenten Auswerteeinheit

Markus Trapp, Benjamin Staar, Marius Veigt, Stephan Oelker und Michael Freitag

In vielen Einsatzbereichen müssen Menschen auf die Sicherheit von Drahtseilen vertrauen, weshalb mögliche Schäden zuverlässig und rechtzeitig erkannt werden müssen. Die hierfür notwendigen Überprüfungen werden von Sachverständigen durchgeführt, was das Risiko nicht erkannter Schäden beinhaltet. Damit diese keine Unfälle verschulden, werden Drahtseile oft verfrüht getauscht, was vermeidbare Kosten erzeugt. Das in diesem Beitrag vorgestellte Projekt MOBISTAR soll Fehler im Prozess der Instandhaltung und Überprüfung weiter reduzieren. Das System nutzt zwei unterschiedliche Messarten, die mit einer selbstlernenden Convolutional Neural Networks (CNN) Auswertungssoftware gekoppelt sind, um so zuverlässiger und genauer die Ablegereife von Seilen beurteilen zu können.

Die oberste Priorität beim Einsatz von Drahtseilen hat die Sicherheit für Mensch und Maschine. Aus diesem Grund dürfen Drahtseile niemals während der bestimmungsgemäßen Benutzung versagen. Dieser Grundsatz erfordert geeignete und einsatzfähige Seile und deren sachgemäße und fachmännische Überprüfung während ihrer gesamten Lebensdauer. Einsatzgebiete für Seilanlagen finden sich unter anderem in den Bereichen Windenergie, Hafenwirtschaft, Bergbau, Logistik (z. B. Hochregalläger), Bergbahnen und Personenaufzüge. Während des Betriebs der Seilanlagen werden diese regelmäßig durch speziell ausgebildete Sachverständige geprüft. Trotz hoher Erfahrungswerte der Sachverständigen und obwohl diese im Zweifelsfall das Seil sicherheitshalber eher zu früh austauschen lassen, ist eine Prognose des Seilverhaltens immer mit Unsicherheit verbunden, sodass nach wie vor Unfälle vorkommen. Eine Ursache hierfür ist, dass die Seile nur von außen überprüft werden können und ein Blick in das Innenleben des Seils derzeit nur mit sehr hohem technischen Aufwand und komplexen manuellen Auswertungen möglich ist. Ein Beispiel für einen Unfall mit Drahtseil ist der Seilbruch an einem Ski-Lift 2012 in Bad Wildbad [1]. Ein anderes Beispiel aus dem Bereich Windenergie war ein tödlicher Unfall bei dem Absturz einer Befahranlage am 28. Sept. 2015 in Templin (Uckermark) [2]. Die Ursache lag zwar in einer defekten Fangvorrichtung, jedoch hat der Unfall die Branche schockiert und für ein erhöhtes Sicherheitsdenken gesorgt. Viele Vorfälle werden zudem nicht pressewirksam, da diese Unfälle von der Industrie zumeist nicht veröffentlicht werden. Neben der Vermeidung von Personen- und Sachschäden ist die wirtschaftliche Komponente ein nicht zu vernachlässigender Faktor im Zusammenhang mit den Überprüfungen von Drahtseilen. So bedeuten längere Stillstandzeiten bspw. bei Windenergieanlagen (WEA), dass diese keinen Strom produzieren können, was wiederum zu erheblichen finanziellen Verlusten führt. Durch ein verbessertes und zuverlässigeres Instrument zur Drahtseilüberwachung kann der Prüfprozess und die Analyse über den Zustand des Seils optimiert werden. Infolge können die kostenintensiven Einsätze zur Überprüfung besser geplant, verfrühte Seilaustausche reduziert und Stillstandzeiten vermieden werden.
 

Aktuelles Vorgehen der Drahtseilprüfung

Das Endergebnis einer Drahtseilüberprüfung ist die Aussage, ob das Prüfobjekt die Ablegereife erreicht hat oder nicht. Diese ist dann erreicht, wenn die Anzahl der gefundenen Schadstellen die zulässigen Grenzwerte überschritten hat. Die unterschiedlichen Arten von möglichen Schadstellen sowie deren Grenzwerte sind in der DIN ISO 4309:2013 [3] beschrieben und die Beurteilung dieser Ablegereife basiert auf der Kontrolle hinsichtlich folgender vier Hauptfehlerkategorien:
•    Drahtbrüche
•    Durchmesserverringerungen
•    Korrosion
•    Verformungen
Die Beurteilung möglicher Schäden erfolgt als eine Kombination aus absoluten und relativen Werten. So wird bspw. im Fall von äußeren Drahtbrüchen zwar die absolute Anzahl erfasst, die Ablegereife hingegen wird durch die relative Häufigkeit bezogen auf definierte Längen (6- und 30-mal den Durchmesser) bestimmt. Somit müssen zu jeder Prüfung sämtliche Angaben zum Seiltyp (Kern-/Schlagart, Bezugsdurchmesser etc.) vorhanden sein.
Aktuell wird der Großteil der Prüfungen durch Sachverständige als – mehr oder weniger – reine Sichtprüfungen, zum Teil unter Verwendung von einfachen Hilfsmitteln, wie Stofflappen oder Spiegeln, durchgeführt. Doch gerade in einer Windenergieanlage ist diese Art der Kontrolle mit vielen Unsicherheiten behaftet, da die Prüfer in der Befahranlage stehend am Seil hoch in Richtung Anlagenkopf fahren und dabei mögliche Schäden entdecken müssen. Bereits existierende sensorbasierte Prüfsysteme nutzen magnetinduktive und vereinzelt optische Messverfahren, welche durchaus gute Messergebnisse liefern und den Prüfer in seiner Beurteilung des Seilzustands unterstützen. Allerdings müssen diese Messwerte manuell ausgewertet werden [4]. Somit ist die Beurteilung über die Ablegereife des Prüfobjekts weiterhin maßgeblich durch Kenntnisse, Fähigkeiten und Tagesform der Prüfer bestimmt. Zudem sind die auf dem Markt erhältlichen Systeme aufgrund baulichen Eigenschaften nur bedingt für den Einsatz in Windkraftanlagen geeignet.
 


Bild 1: schematischer Aufbau einer magnetinduktiven Messung eines Drahtseils.

Entwicklungsansatz

Ziel des MOBISTAR-Projekts ist es, die Schwächen vorhandener Prüfsysteme zu beheben. Um dieses erreichen zu können, wird für die Aufzeichnung der Messwerte ein magnetinduktives Messverfahren, welches sich durch seinen relativ simplen Aufbau, eine hohe Prüfgeschwindigkeit und eine einfache Automatisierbarkeit als Prüfmethode für metallische Objekte eignet [5], um eine optische Komponente erweitert. Weiterhin wird mittels künstlicher Intelligenz versucht, die automatische Identifikation möglicher Fehler und die Beurteilung einer Ablegereife automatisiert durchzuführen.
In Bild 1 sind Aufbau und Funktionsweise des Systems zu erkennen. Das zu prüfende Drahtseil (1) wird von mehreren ferromagnetischen Schenkeln (4) umschlossen, wobei jeweils an einem Ende die Nord- (2) und am anderen die Südpole (3) der Neodym-Permanentmagneten sind. Diese Magnete bestehen aus den zwei seltenen Erden Neodym und Dysprosium, zählen zu den stärksten Dauermagneten, sind dabei kompakt, vergleichsweise günstig und magnetisieren nun das Drahtseil [6, 7]. Das Magnetfeld und entsprechende Veränderungen werden mittig zwischen den Polen durch Sensoren (5) aufgezeichnet, deren Funktionsweise darauf basiert, dass Magnetfeldlinien, die die Sensoren durchströmen, Spannungen erzeugen, die ausgelesen werden können [8]. Zwar könnten mit Elektromagneten noch stärkere Magnetfelder erzeugt werden, doch würde der dadurch notwendige Mehraufwand für die elektrische Versorgung in keinem angemessenen Verhältnis zum erzielten Ertrag stehen. Durch das entstandene Magnetfeld erfährt die Sensoreinheit eine Spannungsänderung, welche aufgezeichnet und als Indikator für auftretende Schadstellen genutzt werden kann. Hat das Drahtseil keine Beschädigungen, ist das entstandene Magnetfeld homogen, sprich die Feldlinien verlaufen geordnet. Kommt das Messsystem hingegen an eine Stelle, die eine Beschädigung, wie bspw. einen Drahtbruch aufweist, entstehen in dem Magnetfeld Inhomogenitäten, die abweichende Spannungswerte in der Sensoreinheit bewirken und als Fehlstelle identifiziert werden können. Um die zuverlässige Funktionsweise der magnetinduktiven Messung ohne verfälschende Wirbelströme sicherzustellen, muss darauf geachtet werden, dass möglichst wenig Komponenten aus leitenden Materialien wie Aluminium, Titan oder Kupfer bestehen. Daher ist das Trägersystem ein sehr dünnwandiges Polypropylen-Rohr, auf dem die Magneten und Sensoren störungsfrei und nah am Drahtseil platziert werden.
Als zweite Datenquelle des MOBISTAR-Systems dient eine Kameraeinheit, welche aus drei Kameras besteht, die jeweils in einem Winkel von 120° zueinander montiert werden und somit eine Betrachtung des kompletten Seils ermöglichen. Durch das Zusammenspiel der beiden Messsysteme sollen Schadstellen und Fehlerarten noch besser und detaillierter detektiert werden. Dabei ist es die Aufgabe der Kameraeinheit, außenliegende Schäden zu erkennen, dazu gehören Drahtbrüche oder Abweichungen des Durchmessers vom Nenndurchmesser.
 


Bild 2: Ablaufdiagramm der selbstlernenden Netze.

Convolutional Neural Networks zur Schadensbeurteilung

Die Auswertung beider Messsysteme geschieht durch eine intelligente Software, welche sich durch mehrere Aspekte von bestehenden Systemen unterscheidet. Bis dato wird zumeist eine zweidimensionale Darstellung der Messwerte angeboten, in weiterentwickelten Ausführungen auch dreidimensional. Jedoch handelt es sich dabei lediglich um eine graphische Aufarbeitung ohne eine automatische Auswertung der Messergebnisse, womit die Beurteilung der detektierten Schadstellen weiterhin von Menschen abhängt. Um diese Schwachstelle im System zu beheben, sollen im Rahmen von MOBISTAR zwei selbstlernende neuronale Netze (deep learning) eingesetzt werden. Gerade im Bereich der Bildverarbeitung zeigen Studien, dass der Einsatz von deep Convolutional Neural Networks (CNN) einen deutlichen Mehrwert gegenüber manuellen Methoden hinsichtlich Genauigkeit bieten kann [9]. Da CNNs bereits genutzt werden, um Schadstellen in metallischen Oberflächen zu detektieren [10] und aufgetretene Fehler in Nanofasermaterialien mittels Bildanalyse zu klassifizieren [11], bietet sich dieser Ansatz auch für das vorliegende Projekt als vielversprechend an.
In Bild 2 sind die Grundidee und die Verbindungen der beiden Netze in einem Ablaufdiagramm dargestellt.
Wird eine Messung durchgeführt, ist der erste Schritt ein Abgleich mit Modellen von fehlerfreien Seilen und die Einteilung in die Kategorien fehlerfrei oder schadhaft. Um diesen Abgleich durchführen zu können, wurde dem ersten neuronalen Netz die Erkennung von neuwertigen Seilen durch entsprechende Musterstücke antrainiert. Im Falle von Seilen, die der Kategorie fehlerfrei zugeordnet werden, muss das zweite neuronale Netz nicht weiter tätig werden. Anders verhält es sich mit denen der Kategorie schadhaft, für jene das zweite neuronale Netz einen Abgleich mit Modellen von Schadstellen durchführt, um die Schadstellen in eine der beiden Kategorien „Schadstelle ist bekannt“ oder „Schadstelle ist unbekannt“ einzuordnen. Für Seile der ersten Kategorie findet eine automatische Beurteilung der Schadstellen statt, wobei das System entscheiden muss, ob das Seil trotz vorhandener Schadstellen „noch ok“ ist oder ob die Fehler eine Ablegereife bedingen. Sollten Schadstellen nicht bekannten Vorlagen zugeordnet werden können, bedingt dies eine manuelle Beurteilung durch das geschulte Personal, welches dem System Entscheidung abnimmt. Durch diesen Eingriff wird das Netz jedoch auch erweitert bzw. verbessert und kann bei zukünftigen Prüfungen noch besser beurteilen. Zudem wird bei jeder Messung die Wahrscheinlichkeit der Fehlerdetektion angegeben.
Da sich die zulässige Anzahl an Schadstellen von Seiltyp und -größe unterscheiden kann, wird dem System eine Datenbank zugrunde gelegt, in welcher die unterschiedlichen Seiltypen mit dazugehörigen Grenzwerten u. Ä. abgespeichert sind. So muss zu Beginn einer Messung nur die Art bzw. der Typ des zu prüfenden Seils im System ausgewählt werden, sodass anschließend sämtliche Grenzwerte oder Testspezifikationen vorliegen und das System auch entsprechende Beurteilungen durchführen kann. Diese Eingabe des Seiltyps könnte dabei manuell erfolgen oder über das Erfassen von Identifikationsmarken, wie beispielsweise Typenschildern.
Abgeschlossen wird die Prüfung durch die Erstellung eines Prüfberichts, der sowohl sämtliche Daten bezüglich der Messung (Monteur, Datum, Prüfobjekt etc.) als auch der Ergebnisse enthält und mit der Prüfung verbundener Stellen übermittelt werden kann. Dies könnten neben dem eigentlichen Prüfunternehmen auch Betreiber von Windenergieanlagen oder Seilhersteller sein, die für ihre eigene Produktverbesserung auch nach Einbau mit den Abnehmern eng zusammenarbeiten.
 


Bild 3: Oberflächeninspektion mittels CNN.

Durchgeführte Oberflächeninspektion

Als eine Möglichkeit zur Bildanalyse kann eine Vorhersagetechnik angewendet werden. Dabei analysiert das neuronale Netz die aufgezeichneten Bilder und versucht auf kleinen Abschnitten basierend die weitere Struktur vorherzusagen, wie das Bild aussehen müsste, und vergleicht die Vorhersage mit der Realität. Sollten im Seil Schäden auftauchen, weichen Realität und Vorhersage voneinander ab, was durch den Euklidischen Abstand dargestellt werden kann, zu sehen in Bild 3.
Im oberen Drittel ist die Originalaufnahme eines Drahtseils zu sehen, bei dem eine Beschädigung außenliegender Drähte zu sehen ist und auf deren Grundlage das System eine Vorhersage erstellt (Mitte). Die Ergebnisse des Vergleichs beider Aufnahmen werden mittels der rechts abgebildeten Farbskala dargestellt und es ist zu erkennen, dass die linke Hälfte von Eingangsbild und Vorhersage kaum Abweichungen aufweisen. Im Bereich der Schadstelle hingegen werden die Unterschiede deutlich. Das System kann so Schadstellen detektieren und Ergebnisse aus der magnetinduktiven Messung ergänzen.
 

Ausblick

Die ersten Prototypen werden für den mobilen Einsatz im Bereich der Windenergieanlage entwickelt und dementsprechend an die dortigen Rahmenbedingungen angepasst. Dies bezieht sich neben konstruktiven Einschränkungen auch auf die zu messenden Seildurchmesser und vorgegebene Messgeschwindigkeiten, sodass im weiteren Projektverlauf das Gesamtsystem sukzessive auf die Anforderungen weiterer Einsatzgebiete angepasst wird. Denkbar sind dabei Branchen wie die Logistik mit ihren Hochregallagern, Kranwagen und dem Bereich der Containerverladung oder auch Transportsysteme wie Seilbahnen. Konsequenzen aus der Anpassung an andere Einsatzgebiete können unter anderem Veränderungen in Größe und Form der Sensoreinheit sein, wenn es die jeweiligen Gegebenheiten erzwingen, beispielsweise ein besonders dünnes Messgerät einzusetzen. Denkbar sind auch zusätzliche Elemente, wenn in bestimmten Anwendungsfällen Verschmutzungen oder Schmierfette die Messung zu stark behindern. So könnte vor dem Sensorkopf eine Reinigung bzw. Entfettung stattfinden und im Nachgang an die Messung neues Schmierfett aufgetragen werden.

 

Schlüsselwörter:

Drahtseilprüfung, neuronale Netze, magnetinduktiv, Instandhaltung, Windenergie

Literatur:

[1] Schwarzwälder Bote: Seilriss am Lift beschäftigt Staatsanwaltschaft. URL:
https://www.schwarzwaelder-bote.de/inhalt.bad-wildbad-seilrissam-lift-be.... html, Abrufdatum 26.02.2018.
[2] Nordkurier: Tödlicher Unfall im Windrad. URL: https://www.nordkurier.de/templin/toedlicher-unfall-im-windrad-281773390..., Abrufdatum 28.02.2018.
[3] DIN ISO 4309:2013-06, Krane – Drahtseile – Wartung und Instandhaltung, Inspektion und Ablage (ISO 4309:2010). 2013.
[4] Winspect GmbH: Warum visuelle Prüfung. URL: http://www.winspect.info/de/produkt/index.html, Abrufdatum: 30.05.2018
[5] Macherauch, E.; Zoch, H.W.: V74 Magnetische und magnetinduktive Werkstoffprüfung. In: Macherauch, E.; Zoch, H.-W. (Hrsg): Praktikum Werkstoffkunde. Karlsruhe 2014.
[6] Glöser-Chahoud, S.; Tercero Espinoza, L.: Dynamische Materialfluss-Analyse von Neodym und Dysprosium als Magnetwerkstoffe. URL:
http://www.isi.fraunhofer.de/isi-wAssets/docs/n/de/publikationen/Leitpro..., Abrufdatum 06.03.2018.
[7] Kuther, T.: Neuer Fertigungsprozess für noch stärkere Neodym-Magnete. In: Elektronik Praxis. 2011. URL:
https://www.elektronikpraxis.vogel.de/neuer-fertigungsprozess-fuer-noch-..., Abrufdatum 06.03.2018.
[8] Schaumburg, H.: Sensoren. Werkstoffe und Bauelemente der Elektrotechnik. Stuttgart 1992.
[9] Weimer, D.; Benggolo, A.; Freitag, M.: Context-aware Deep Convolutional Neural Networks for Industrial Inspection. In: Leitner, J.; Cherian, A.; Shirazi, S. (Hrsg): Australasian Joint Conference on Artificial Intelligence. Deep Learning and its Applications in Vision and Robotics (Workshop), Queensland University of Technology, Australien 2015.
[10] Napoletano, P.; Piccoli, F.; Schettini, R.: Anomaly Detection in Nanofibrous Materials by CNN-Based Self-Semilarity. In: Sensors 18 (2018) 1.
[11] Natarajan, V.; Hung, T.-Y.; Caikundam, S.; Chia, L.-T.: Convolutional Neural Networks for Voting-based Anomaly Classification in Metal Surface Inspection. URL:
http://ieeexplore.ieee.org/document/7915495/, Abrufdatum 12.03.2018.