Analysis and diagnosis of anomalies in crane systems

Abstract

Accidental lifting of wagons or trucks during container handling is a serious problem in intermodal terminals. Such events can cause damage, delays, and safety risks. This thesis investigates whether historical crane sensor data can be used to automatically detect wagon and truck lifting events and how this information could support future anti-lifting strategies.A machine learning pipeline is developed that starts from raw signals and ends with a classification of each lifting operation. The work focuses on force signals, which are transformed into features that describe the behavior of the crane and the load. Different machine learning models are trained and compared, with tree-based methods showing the best results. The results indicate that wagon lifting can be detected reliably, while detecting truck lifting is more challenging.

Das unbeabsichtigte Anheben von Waggons oder LKWs beim Containerumschlag stellt in intermodalen Terminals ein häufiges Problem dar. Solche Vorfälle können Schäden verursachen, Abläufe verzögern und die Sicherheit beeinträchtigen. Diese Arbeit untersucht, ob sich historische Kransensordaten nutzen lassen, um Waggon- und LKW-Anhebungen automatisch zu erkennen und wie sich solche Informationen zur Weiterentwicklung zukünftiger Anti-Lifting-Konzepte einsetzen lassen. Dazu wird eine Machine-Learning-Pipeline entwickelt, die unbeabsichtigte Anhebungen identifiziert. Dazu werden Kraftsignale analysiert und in aussagekräftige Merkmale (Features) überführt. Im Vergleich verschiedener Klassifizierungmethoden erzielen baumbasierte Modelle die besten Ergebnisse. Die Resultate zeigen, dass Waggon-Anhebungen zuverlässig erkannt werden können, während die automatische Erkennung von LKW-Anhebungen deutlich schwieriger ist.