Cámara termográfica IA para puente grúa, diagnóstico en 32 puntos
Problema clave: ¿Cómo lograr la interpretación automática de imágenes mediante IA en la inspección termográfica de puentes grúa?
Mediante la estandarización del procedimiento de captura de 32 puntos de inspección se crea una biblioteca de características termográficas, se implementa una arquitectura de IA multimodal con YOLOv8+EfficientNet+ConvLSTM y se realiza inferencia en tiempo real en el borde, logrando reducir el tiempo de interpretación de 45 minutos manuales a 8 minutos automáticos. El sistema puede alertar con 7 a 14 días de antelación sobre sobrecalentamiento en conexiones eléctricas y desgaste incipiente de rodamientos.
Conforme a los requisitos de la norma ISO 4301 / FEM 1.001 sobre especificaciones de diseño de grúas relativos al monitoreo de temperatura de equipos eléctricos y a la detección de aislamiento, el puente grúa, sometido a condiciones de servicio continuo y cargas elevadas, presenta como principales causas de fallo el calentamiento del sistema eléctrico, la elevación de temperatura por fricción en componentes mecánicos y el envejecimiento del aislamiento. La termografía infrarroja permite detectar sin contacto la distribución de temperatura superficial de los equipos e identificar precozmente riesgos de sobrecalentamiento, mientras que el sistema de interpretación automática por IA resuelve los problemas de dependencia de la experiencia, baja eficiencia y falta de criterios unificados que presenta la interpretación manual tradicional.
Este artículo aborda de forma integral la solución técnica completa de la inspección termográfica inteligente de puentes grúa, desde el procedimiento de captura en campo, la construcción de la biblioteca de características termográficas y el despliegue de modelos de aprendizaje profundo, hasta la generación automática de informes de inspección.
Ámbito de aplicación y objetivos de detección de la inspección termográfica de puentes grúa
El ámbito de aplicación de la inspección termográfica de puentes grúa abarca tres categorías principales: el sistema eléctrico, el sistema de transmisión mecánica y los elementos de conexión estructural. En el sistema eléctrico, los objetivos de detección incluyen el calentamiento de los módulos IGBT del variador de frecuencia, la elevación de temperatura del devanado del estator del motor, el sobrecalentamiento localizado por resistencia de contacto excesiva en bloques de terminales y conexiones de cable, así como las elevaciones anómalas de temperatura en componentes del armario de control como disyuntores, contactores y relés.
En el sistema de transmisión mecánica, se presta especial atención a la uniformidad de la distribución de temperatura en los rodamientos del reductor, la elevación de temperatura por fricción en la superficie de contacto entre el forro de fricción y la rueda de freno del freno, el sobrecalentamiento localizado por desviaciones en la alineación de ejes del acoplamiento, así como la temperatura de funcionamiento de los soportes de rodamiento del tambor y de los rodamientos de las ruedas. En cuanto a los elementos de conexión estructural, se centra la atención en las elevaciones anómalas de temperatura en zonas portantes como los pernos de conexión entre la viga principal y el testero, los sujetadores de carril y los soportes de la línea conductora deslizante, ya que estas anomalías térmicas suelen reflejar aflojamiento estructural o mal contacto.
En cuanto a la frecuencia de inspección, la inspección termográfica de puentes grúa debe realizarse de forma escalonada según el estado operativo del equipo y su grado de importancia. Los equipos de clase A (puentes grúa de fundición metalúrgica y puentes grúa críticos en líneas de producción principales) deben someterse a un escaneo termográfico integral mensual; los equipos de clase B (puentes grúa en áreas de trabajo estándar), trimestral; y los equipos de clase C (puentes grúa de reserva o de uso poco frecuente), semestral. Además, debe programarse una reinspección termográfica específica tras períodos de operación con cargas elevadas, antes de la temporada de altas temperaturas estivales y dentro de las 24 horas posteriores a la reanudación del servicio tras trabajos de mantenimiento.
La inspección debe realizarse con el puente grúa operando bajo carga nominal, seleccionando preferentemente condiciones de trabajo con un factor de carga no inferior al 70%, para garantizar que las características de calentamiento se manifiesten adecuadamente.
| Detecciónobjeto | rango normal de elevación de temperatura | umbral de alerta temprana | umbral de alarma | Deteccióncondición |
|---|---|---|---|---|
| Variador de Frecuencia IGBTMódulo | Temperatura Ambiente+25~45℃ | Temperatura Ambiente+55℃ | Temperatura Ambiente+70℃ | funcionamiento a plena carga30minutos después |
| Motorextremos del devanado del estator | Temperatura Ambiente+30~50℃ | Temperatura Ambiente+65℃ | temperatura del devanado>155℃(Fclase) | funcionamiento continuo durante más de 2 horas |
| Bloque de Terminales/Cable Conexión | Temperatura Ambiente+10~20℃ | Temperatura Ambiente+35℃ | Temperatura Ambiente+55℃ | plena carga Corrientemedición bajo |
| rodamiento del reductorposición | Temperatura Ambiente+15~30℃ | Temperatura Ambiente+40℃ | Rodamientotemperatura del devanado>90℃ | funcionamiento continuo a carga nominal2más de horas |
| Frenosuperficie de fricción | Temperatura Ambiente+20~40℃ | Temperatura Ambiente+60℃ | temperatura de la superficie de fricción>120℃ | Frenocondición de servicio con ciclos frecuentes |
Parámetros de selección de cámaras termográficas y procedimiento de captura en campo
La inspección infrarroja de puentes grúa exige requisitos claros sobre los parámetros clave de la cámara termográfica. La resolución del detector no debe ser inferior a 320×240 píxeles; se recomienda optar por modelos de 640×480 píxeles o superiores para garantizar la precisión de detección de objetivos pequeños a larga distancia. La sensibilidad térmica (NETD) debe ser inferior a 0,05 °C, con una precisión de medición de ±2 °C o ±2 % de la lectura. El rango de medición de temperatura debe cubrir de -20 °C a +350 °C, adaptándose a un amplio rango dinámico que va desde entornos de baja temperatura hasta puntos de fallo a alta temperatura.
La elección de la distancia focal del objetivo depende de la distancia de detección: para la inspección de motores y frenos de puente grúa a distancias de 3 a 5 metros, un objetivo estándar de 24° es suficiente; para la detección de líneas de alimentación elevadas y conexiones de carril a más de 10 metros, se recomienda un objetivo de 12° o la función de enfoque automático con medición láser de distancia. La cámara termográfica debe admitir enfoque manual, emisividad ajustable (0,1~1,0 con incrementos de 0,01), compensación de temperatura ambiente reflejada y corrección de transmitancia atmosférica; estos parámetros son fundamentales para la precisión de la detección en campo.
La captura en campo debe seguir un procedimiento estandarizado. Antes de la captura, el técnico debe registrar los parámetros ambientales: temperatura ambiente, humedad, velocidad del viento, temperatura reflejada (generalmente medida con el método de papel de aluminio) y la emisividad de la superficie inspeccionada (superficies metálicas pintadas: aproximadamente 0,85~0,92; superficies metálicas desnudas: aproximadamente 0,25~0,45). La distancia de captura debe mantenerse dentro del rango óptimo de enfoque de la cámara, sin superar generalmente los 15 metros.
Cada punto de inspección debe registrar al menos dos imágenes termográficas: una imagen panorámica de localización (que incluya referencias del entorno para facilitar la posterior ubicación del fallo) y una imagen de detalle enfocada (donde el objetivo ocupe más de un tercio del encuadre). Las imágenes deben guardarse en formato de datos radiométricos originales (como Radiometric JPEG de FLIR o formato TMG de GuidIR) para permitir el análisis posterior con IA y la comparación de tendencias de temperatura.
Kelude ha desarrollado una tabla estandarizada de puntos de captura para la inspección infrarroja de puentes grúa, que cubre 32 puntos críticos por grúa, incluyendo armarios eléctricos, motores, frenos, reductores, soportes de rodamiento de tambor, bloques de ruedas, conexiones de líneas de alimentación y pernos de unión de la viga principal.
Construcción de la biblioteca de características termográficas y entrenamiento de modelos de IA
El núcleo del diagnóstico automático por IA reside en la construcción de una biblioteca de características termográficas infrarrojas que abarque tanto los estados operativos normales como los estados típicos de fallo de los distintos componentes del puente grúa. La construcción de esta biblioteca se divide en tres fases. La primera fase es la adquisición de la biblioteca de referencia: se recopilan datos termográficos infrarrojos de forma continua durante más de 30 días con el puente grúa en condiciones de funcionamiento saludable, cubriendo diferentes tasas de carga, temperaturas ambiente y períodos de operación, estableciendo así la curva de referencia de distribución de temperatura para cada punto de inspección.
La biblioteca de referencia requiere al menos 100 imágenes termográficas válidas por punto de inspección, con cobertura de cinco categorías principales de equipos: variadores de frecuencia, motores, frenos, reductores y conexiones eléctricas, incluyendo al menos 3 muestras de diferentes marcas o modelos por categoría. La segunda fase es la ampliación de muestras de fallo: mediante la simulación artificial de fallos o la recopilación de datos termográficos de fallos históricos, se acumulan al menos 50 muestras positivas por tipo de fallo.
Para los datos de fallos reales difíciles de obtener, se pueden generar imágenes termográficas de fallos sintéticas mediante redes generativas adversarias (GAN) o utilizar CycleGAN para la transferencia de estilo de imágenes normales a imágenes de fallos, ampliando así el conjunto de muestras.
En cuanto a la selección del modelo, el sistema de diagnóstico por IA para termografía infrarroja de puentes grúa suele adoptar una arquitectura de detección en dos etapas.
La primera etapa utiliza una red de detección de objetivos (como YOLOv8 o RT-DETR) para identificar y recortar automáticamente las regiones de cada objetivo en la imagen termográfica panorámica; la segunda etapa emplea una red de clasificación (como ResNet-50, EfficientNet-B4 o Vision Transformer) para analizar el patrón de temperatura de cada región y determinar su estado: normal, precaución o alarma.
Para el análisis de tendencias temporales, se incorpora la dimensión temporal mediante modelos ConvLSTM o TimesNet, que predicen la curva de evolución de temperatura de un mismo punto de inspección a lo largo de inspecciones consecutivas, detectando si la tasa de aumento de temperatura es anómala. Durante el entrenamiento, los datos de temperatura radiométrica originales se normalizan y se utilizan como entrada; cada valor de píxel corresponde a un valor de temperatura real (resolución de 0,1 °C), y la ventana de contexto se establece en los datos de las últimas 3 inspecciones de ese punto.
En la implementación real de Kelude, el modelo de detección YOLOv8m alcanza una velocidad de inferencia de 35 fps en el dispositivo periférico NVIDIA Jetson Orin NX, con un mAP@0.5 del 94,7 %; el modelo de clasificación EfficientNet-B4 logra una precisión del 96,3 %, y el tiempo total desde la captura de la imagen termográfica hasta la emisión del resultado de diagnóstico se controla en menos de 2 segundos.
| modelo/Módulo | arquitectura de red | entrada Especificación | plataforma de inferencia | Precisión/velocidad |
|---|---|---|---|---|
| objetivo Detección | YOLOv8m | 640×640×1 | Jetson Orin NX | m AP@0.5=94.7% / 35fps |
| clasificación de estado | Efficient Net-B4 | 224×224×3 | Jetson Orin NX | Accuracy=96.3% / 8ms |
| predicción de tendencia | Conv LSTM | T×224×224×3 | nube GPU | MAPE=8.2% / 25ms |
| anomalía Detección | Patch Core | 224×224×3 | Jetson Orin NX | AUROC=0.982 / 15ms |
Arquitectura del sistema de visión por IA y diagnóstico automático en puentes grúa
El sistema de inspección por IA con termografía infrarroja para puentes grúa emplea una arquitectura híbrida de inferencia en el borde y gestión en la nube.
En el extremo del borde, los datos brutos de radiación térmica capturados por la cámara termográfica se transmiten mediante interfaz USB 3.0 o GigE Vision a un dispositivo de Computación en el Borde desplegado localmente en el Taller (NVIDIA Jetson Orin NX/AGX o un PC industrial tipo AI Box). El dispositivo ejecuta modelos de detección YOLOv8 y clasificación EfficientNet para realizar inferencia en tiempo real y generar alertas inmediatas.
Para los puntos de Detección que requieren análisis de tendencias temporales, el dispositivo de borde envía los datos termográficos recortados de la región de interés y los valores característicos de temperatura al centro de datos en la nube mediante el protocolo MQTT. En la nube se despliegan modelos de predicción de tendencias ConvLSTM y una biblioteca de características termográficas a gran escala. La nube también gestiona la actualización de modelos, la generación de informes de Inspección y el análisis agregado de datos de múltiples plantas.
Las comunicaciones del sistema se cifran con TLS, y los datos termográficos se transmiten y almacenan conforme al nivel 2 de la protección clasificada de seguridad cibernética según GB/T 22239.
La salida del diagnóstico automático por IA sigue una estrategia de tres niveles. El nivel verde indica estado normal: el sistema archiva automáticamente los datos termográficos y actualiza la curva de referencia de temperatura para ese punto de Detección. El nivel amarillo indica estado de atención: la diferencia de temperatura supera el umbral de alerta pero permanece por debajo del umbral de alarma; el sistema marca el punto en el informe de Inspección y recomienda una nueva medición prioritaria en la siguiente ronda.
El nivel rojo indica estado de alarma: la diferencia de temperatura supera el umbral de alarma o la tasa de variación térmica es anómala; el sistema envía notificaciones inmediatas por SMS, WeChat y Enterprise WeChat, y genera un informe detallado de análisis de fallos en el informe de Inspección, que incluye termografías, imágenes comparativas en luz visible, curvas de datos de temperatura, datos históricos de componentes similares y recomendaciones de Mantenimiento.
En la práctica de despliegue en varias plantas de Kelude, el sistema de visión por IA ha reducido el tiempo de inspección manual de 45 minutos a 8 minutos por puente grúa, con una tasa de omisión inferior al 0,5% y una tasa de falsas alarmas inferior al 3%. En los dos escenarios típicos de sobrecalentamiento en Conexiones eléctricas y Desgaste prematuro de Rodamientos, el sistema ha logrado una capacidad de alerta anticipada de 7 a 14 días.
Automatización de informes de inspección y plataforma de gestión de datos
La generación automática de informes de Inspección es un paso clave para materializar el valor del sistema de visión por IA.
Tras cada ronda de Inspección, el sistema genera automáticamente un informe estructurado en formato PDF/HTML dual, que incluye: información básica de la Inspección (identificación del equipo, fecha de Inspección, Parámetros ambientales, personal inspector), una tabla resumen de datos de temperatura de los puntos de Detección clave (con el estado de cada punto marcado en rojo, amarillo o verde), un análisis termográfico detallado de los puntos anómalos (con termografía, histograma de distribución de temperatura, curva de tendencia histórica del mismo punto, conclusión del diagnóstico por IA y recomendaciones de Mantenimiento), y una visión general de la puntuación de salud del equipo.
La puntuación de salud del equipo se calcula mediante un modelo ponderado que integra el estado térmico de los 32 puntos de Detección. El sistema eléctrico tiene un peso del 40% (IGBT del Variador de Frecuencia 15%, bobinado del Motor 10%, Bloque de Terminales 8%, aparamenta de control 7%); el sistema de transmisión mecánica un 35% (rodamiento del reductor 12%, superficie de fricción del Freno 10%, Cojinete de tambor 7%, Bloque de Ruedas 6%); y los elementos estructurales de unión un 25% (Perno de unión de la Viga Principal 10%, Sujetador de Carril 8%, Conexión de la Línea de Alimentación 7%).
La puntuación se presenta en una escala de 0 a 100: 90 o más se considera excelente; 75 a 89, bueno; 60 a 74, requiere atención; y menos de 60, requiere Mantenimiento.
La plataforma de gestión de datos ofrece capacidades de análisis multidimensional: análisis de tendencia histórica de temperatura para un puente grúa individual (con trazabilidad de todos los datos de Inspección de los últimos 12 meses), análisis comparativo entre equipos del mismo tipo (para evaluar la consistencia y las diferencias entre equipos del mismo Modelo), análisis de patrones de temperatura estacionales (para optimizar los ciclos de Inspección y los umbrales de alerta), y predicción de la degradación del equipo (basada en modelos de series temporales para estimar la vida residual de los Componentes críticos).
La plataforma también ofrece una API estándar para integrarse con sistemas EAM (Enterprise Asset Management) o CMMS (Computerized Maintenance Management System), lo que permite la transferencia automatizada de los datos de Inspección a órdenes de trabajo. Kelude ha integrado este sistema de Inspección inteligente por termografía infrarroja en la gestión del ciclo de vida completo del puente grúa, cerrando el ciclo completo de Detección, Diagnóstico, Mantenimiento y revisión.
Claves para la implementación de la inspección termográfica inteligente en puentes grúa
En la implementación práctica, el despliegue del sistema de Inspección inteligente por termografía infrarroja para puentes grúa debe prestar especial atención a los siguientes aspectos.
Primero, la selección y compatibilidad de la cámara termográfica y el dispositivo de Computación en el Borde deben determinarse en función de la distancia de Detección, el tamaño del objetivo, la Temperatura Ambiente y el Grado de vibración del sitio. Esto evita problemas como la imposibilidad de resolver objetivos pequeños por una distancia focal insuficiente o la incapacidad de detectar microdiferencias térmicas debido a un NETD excesivo.
Segundo, el entrenamiento específico del modelo de IA para puentes grúa es fundamental. Los modelos preentrenados genéricos suelen ofrecer resultados deficientes en Componentes específicos del puente grúa (como el encapsulado de seis transistores IGBT del Variador de Frecuencia o la superficie de contacto curva del forro de fricción del Freno). Es imprescindible realizar un ajuste fino con datos termográficos reales capturados en campo para alcanzar una precisión de detección utilizable.
Tercero, la planificación de la ruta de Inspección y la estandarización de los puntos de captura son la base para garantizar la consistencia de los datos. Se recomienda marcar físicamente en el suelo del Taller cada posición de captura y utilizar dianas de alta reflectividad en el propio puente grúa para fijar el Ángulo de captura, asegurando que el Ángulo y la distancia de imagen sean consistentes en cada Inspección, lo que garantiza la fiabilidad de las comparaciones de tendencias de temperatura.
Kelude ofrece un servicio integral de ingeniería que abarca desde el estudio en campo, la selección de equipos, el entrenamiento de modelos hasta el despliegue del sistema, ayudando a las empresas a establecer un sistema estandarizado de Inspección inteligente por termografía infrarroja para puentes grúa.
| fase de implementación | contenido del trabajo | entregable | ciclo |
|---|---|---|---|
| Levantamiento en Sitio | Tallermedición ambiental, Detecciónplanificación de puntos de medición, cámara termográficaselección de equipos | informe de inspección y diseño de solución | 3~5días |
| adquisición de referencia | 30adquisición continua de datos termográficos durante días, entorno Parámetroregistro | biblioteca de características termográficas de referencia | 30días |
| entrenamiento del modelo | etiquetado de datos, entrenamiento y validación del modelo, despliegue en el borde | AIpaquete de modelo+motor de inferencia | 10~15días |
| despliegue del sistema | instalación de dispositivos de borde, integración con plataforma, formación del personal | sistema entregado+Manual de Operación | 5~7días |
Preguntas Frecuentes
P: ¿Qué condiciones ambientales se requieren para la inspección termográfica del puente grúa?
R: Los requisitos ambientales incluyen una temperatura ambiente de -10 a 45 °C, humedad relativa ≤85 %, y ausencia de lluvia, nieve o niebla densa. La luz solar directa puede afectar la precisión de la medición, por lo que se recomienda realizar la inspección en días nublados o dentro de la nave industrial. Con vientos fuertes (superiores al nivel 5), debe prestarse atención a la seguridad durante la captura en altura. Para puentes grúa interiores, las condiciones normales de iluminación de producción son suficientes para la captura de imágenes, sin necesidad de iluminación adicional.
P: ¿Puede el sistema de análisis de imágenes por IA distinguir entre fluctuaciones normales de carga y aumentos de temperatura por fallos reales?
R: Sí. El sistema utiliza una fusión de múltiples dimensiones para distinguirlos: primero, el valor absoluto de la temperatura; segundo, la tasa de variación térmica (mediante el análisis de pendiente de los datos de inspección continua en el mismo punto); tercero, el análisis correlacionado con la carga (normalizando parámetros como el factor de carga y el tiempo de funcionamiento a partir de los datos operativos del puente grúa); y cuarto, la comparación entre fases (comparación de temperaturas en los terminales trifásicos del sistema eléctrico, donde el desequilibrio es una característica típica de fallo). Mediante el análisis integral de estas dimensiones, el sistema identifica eficazmente si el aumento de temperatura se debe a fluctuaciones de carga o a un sobrecalentamiento por fallo.
P: ¿Puede la inspección termográfica por infrarrojos sustituir a la detección tradicional por contacto?
R: La termografía infrarroja y la medición por contacto (termopar/PT100) tienen cada una sus ventajas y no pueden sustituirse por completo. La termografía infrarroja destaca por su carácter no intrusivo, su visualización y su capacidad de barrido rápido de grandes superficies, siendo idónea para inspecciones periódicas y cribado inicial. La medición por contacto ofrece mayor precisión (hasta ±0,1 °C) y no se ve afectada por la emisividad, por lo que resulta adecuada para la verificación precisa de los puntos anómalos detectados por infrarrojos. La solución técnica recomendada consiste en utilizar la termografía infrarroja para inspecciones integrales periódicas y la medición por contacto para el seguimiento puntual de alta precisión y la confirmación de anomalías.
P: ¿Qué inversión se necesita para implantar un sistema de análisis de imágenes por IA para la inspección termográfica de puentes grúa?
R: La inversión depende del número de puentes grúa en la planta y del grado de automatización requerido en los puntos de detección. La configuración básica (1 cámara termográfica de 640×480 + 1 equipo de computación en el borde Jetson Orin NX + servicios de plataforma en la nube) supone una inversión total aproximada de 7.700 a 12.800 EUR, que cubre la inspección trimestral de 10 a 20 puentes grúa. La configuración totalmente automática (cámara termográfica de crucero automático sobre carril + múltiples equipos de borde + plataforma de datos integral) está pensada para talleres grandes con más de 50 puentes grúa, con una inversión total aproximada de 38.400 a 64.100 EUR. Kelude Industrias Pesadas puede ofrecer soluciones personalizadas y recomendaciones de implantación por fases según el tamaño y las necesidades reales de la planta.
El sistema de inspección inteligente por termografía infrarroja con IA para puentes grúa constituye una aplicación típica de la evolución de las técnicas tradicionales de detección de equipos hacia la digitalización y la actualización inteligente. Mediante procedimientos de captura estandarizados, una biblioteca profesional de características termográficas, modelos de aprendizaje profundo de alta precisión y una plataforma automatizada de generación de informes, la detección de equipos de puentes grúa pasa de una valoración cualitativa basada en la experiencia a una evaluación cuantitativa impulsada por los datos. Para más información sobre soluciones técnicas de detección inteligente y mantenimiento predictivo de puentes grúa, no dude en ponerse en contacto con el equipo técnico de Kelude Industrias Pesadas para obtener documentación técnica detallada y servicios de inspección in situ. Kelude Industrias Pesadas acumula una amplia experiencia práctica en ingeniería de mantenimiento inteligente de puentes grúa, ofreciendo a las empresas soporte técnico integral que abarca desde el diseño de soluciones de detección y la integración de sistemas hasta los servicios de operación y mantenimiento.
