Diagnóstico de vibración, ruido y aceite en reductores
Cuestión clave: ¿Cómo logra la alerta temprana de fallos en el sistema de transmisión de puentes grúa la fusión de las tres técnicas de detección —emisión acústica, vibración y análisis de aceite— mediante IA?
La emisión acústica capta microfisuras del material (50~400 kHz), el análisis de vibraciones caracteriza la frecuencia de los componentes rotativos (0,5 Hz~10 kHz) y el aceite cuantifica directamente la concentración de partículas de desgaste. Los datos de los tres modos se procesan mediante extracción de características con 1D-CNN y fusión por atención cruzada multi-cabeza, alcanzando una precisión del 97,2 % en el diagnóstico de desgaste de engranajes —10,7 puntos porcentuales más que con vibración como único modo—, con una antelación media de 24,8 días y una tasa de falsas alarmas de solo el 2,1 %.
De acuerdo con los requisitos de la norma ISO 4301 / FEM 1.001 sobre monitorización de la salud de mecanismos de transmisión, la evolución de los fallos en componentes críticos del sistema de transmisión de un puente grúa —como el reductor, los rodamientos y el freno— suele recorrer un largo proceso que va desde el daño microscópico hasta el fallo macroscópico. Un único método de detección con sensores a menudo solo permite identificar el fallo cuando ya se encuentra en una fase media o avanzada.
Las tres técnicas —emisión acústica (y sonido audible), vibración y análisis de aceite— presentan sensibilidades distintas frente a los diferentes tipos de fallo incipiente: la emisión acústica es extremadamente sensible a la primera ruptura de microfisuras en el material; la señal de vibración ofrece patrones frecuenciales claros para el desequilibrio y la desalineación de ejes en componentes rotativos; y el análisis de aceite revela directamente la composición, morfología y concentración de las partículas de desgaste.
La fusión de los datos de las tres técnicas de detección mediante análisis multimodal con IA permite capturar las señales tempranas de fallo desde múltiples dimensiones físicas, logrando un diagnóstico más precoz y preciso. Este artículo expone de forma sistemática la configuración de sensores, la extracción de características, los algoritmos de fusión y el plan de despliegue en campo para el diagnóstico integrado de emisión acústica, vibración y aceite en el sistema de transmisión de puentes grúa.
Fundamentos físicos y configuración de sensores para la detección multimodal en el sistema de transmisión del puente grúa
El proceso de evolución de fallos en el sistema de transmisión del puente grúa presenta diferentes señales tempranas en cada dominio físico. En el dominio de la emisión acústica, la propagación de microfisuras y el movimiento de dislocaciones generan señales de tipo transitorio en el rango de 100 kHz~1 MHz, que pueden ser captadas por el sensor de emisión acústica entre 2 y 4 semanas antes de que la grieta alcance dimensiones macroscópicas.
En el dominio de la vibración, el desprendimiento por fatiga incipiente en un rodamiento genera respuestas de impacto periódicas en sus frecuencias de paso (BPFO/BPFI/BSF/FTF). El sensor de aceleración dinámica puede detectar señales de impacto débiles de 10~50 mg en la fase inicial del fallo, generalmente 1~2 semanas antes de que se manifieste un aumento de temperatura.
En el dominio del aceite, las partículas de desgaste procedentes de engranajes y rodamientos quedan suspendidas en el aceite lubricante. Cuando el desgaste se aproxima a su fase de aceleración, la concentración de partículas ferromagnéticas en el aceite aumenta desde valores normales <10 ppm hasta 50~200 ppm. El análisis ferrográfico puede detectar la tendencia anómala de desgaste con 2~6 semanas de antelación.
Las tres técnicas se complementan en cuanto a la ventana temporal de detección de fallos: la emisión acústica es la más temprana (2~4 semanas de antelación), seguida del análisis de aceite (2~6 semanas) y la vibración (1~2 semanas). Su integración permite una cobertura completa del ciclo de fallo del sistema de transmisión, desde la fase inicial hasta la avanzada.
El sistema de sensores debe cubrir las dos unidades de transmisión principales: el reductor del mecanismo de elevación y el reductor del mecanismo de traslación del puente grúa. Cada reductor incorpora la siguiente configuración de sensores: un sensor de aceleración dinámica (tipo IEPE, sensibilidad 100 mV/g, rango de frecuencia 0,5 Hz~10 kHz, rango de medición ±50 g) instalado en el soporte de rodamiento del eje de alta velocidad, en el soporte del eje intermedio y en el soporte del eje de baja velocidad;
un sensor de emisión acústica (frecuencia de resonancia 150 kHz, preamplificador integrado de 40 dB, rango de frecuencia 50 kHz~400 kHz) montado en la pared exterior de la carcasa del reductor, cerca de la zona de engrane de los engranajes, fijado mediante base magnética y con acoplante ultrasónico para garantizar el acoplamiento acústico;
y un sensor de aceite en línea (parámetros de medición: viscosidad ±5 %, contenido de humedad ±50 ppm, concentración de partículas ferromagnéticas ±10 ppm, constante dieléctrica ±0,5) instalado en serie en el circuito de circulación de aceite del reductor o mediante montaje en derivación.
Tomando como ejemplo el reductor de elevación de un puente grúa de 40 t, la configuración completa de sensores incluye 3 puntos de medición de vibración, 2 puntos de medición de emisión acústica y 1 sensor de aceite en línea, con una frecuencia de adquisición de datos de 25,6 kHz para vibración, 1 MHz para emisión acústica y una lectura del sensor de aceite cada 10 minutos.
| Detección Modo | Tipo de sensor | Detección Banda de frecuencia | Frecuencia de muestreo | Antelación de alerta temprana | Tipo de fallo más sensible |
|---|---|---|---|---|---|
| emisión acústica | Resonante AESensor | 50~400kHz | 1MHz | 2~4Ciclo | Engranaje Microscópico Grieta, Rodamiento Desprendimiento incipiente |
| Vibración | IEPESensor de aceleración | 0.5Hz~10kHz | 25.6kHz | 1~2Ciclo | Rodamiento Picadura, Engranaje Rotura de diente, Noalineación de ejes, Desequilibrio |
| Aceite | Estado del aceite en línea Sensor | Tamaño de partícula1~1000μm | Por10min Una vez | 2~6Ciclo | Engranaje/Rodamiento Desgaste Fallo, Deterioro del aceite |
Extracción de características multimodales y preprocesamiento con Computación en el Borde
Las señales brutas de las tres modalidades presentan diferencias significativas en sus características de datos, por lo que es necesario diseñar pipelines de extracción de características específicos para cada una. La extracción de características de la señal de vibración emplea estadísticos en los dominios temporal, frecuencial y tiempo-frecuencia. Las características temporales incluyen pico, valor eficaz (RMS), curtosis, factor de forma, factor de cresta y factor de impulso. El indicador de curtosis es el más sensible a fallos de impacto tempranos en rodamientos: el valor de curtosis de un rodamiento sano es de aproximadamente 3, y cuando aparece un desconchado incipiente, puede elevarse hasta 5~8.
Las características frecuenciales se extraen mediante la transformada rápida de Fourier (FFT), obteniendo la amplitud de las frecuencias de engrane y sus bandas laterales. En un reductor de doble etapa, la variación de amplitud de las bandas laterales de la frecuencia de engrane del engranaje de alta velocidad (normalmente 300~800 Hz) y del engranaje de baja velocidad (normalmente 80~200 Hz) constituye un indicador clave de fallo en los engranajes.
Para el dominio tiempo-frecuencia, se emplea la transformada de Fourier de tiempo corto (STFT) o la transformada wavelet continua (CWT) para extraer patrones de fallo del espectrograma tiempo-frecuencia. La transformada wavelet ofrece una alta resolución en frecuencias bajas, lo que la hace adecuada para extraer características de vibración no estacionarias del reductor de puente grúa durante arranques, paradas y cambios de carga.
El procesamiento de la señal de emisión acústica se centra en extraer dos tipos de parámetros: señales de tipo transitorio y señales de tipo continuo.
Los parámetros de emisión acústica transitoria incluyen recuento de anillos, recuento de eventos, amplitud, tiempo de subida, duración y energía. Cada parámetro permite distinguir diferentes tipos de fuente de fallo: las señales de emisión acústica generadas por grietas por fatiga en la superficie del diente suelen presentar un tiempo de subida más largo (50~200 μs) y una energía más alta (>1000 aJ), mientras que las señales producidas por el paso de un elemento rodante sobre una grieta tienen un tiempo de subida más corto (10~50 μs).
Los parámetros de emisión acústica continua incluyen el valor RMS (que refleja la intensidad global de la actividad de emisión acústica) y el nivel de señal promedio (ASL). Un valor de ASL superior a 10 dB por encima de la línea base indica un desgaste anormal acelerado.
El análisis de la señal de emisión acústica también emplea técnicas de localización espacial. Se dispone un conjunto de sensores de emisión acústica sobre la carcasa del reductor y se utiliza el método de diferencia de tiempos de llegada para calcular las coordenadas espaciales de la fuente de emisión acústica en el interior del reductor. Esto permite localizar el fallo en un nivel de engranaje o una posición de rodamiento específicos, con una Precisión de Posicionamiento de ±50 mm.
Los datos de análisis de aceite comprenden dos categorías: parámetros en tiempo real de sensores en línea y datos de análisis de laboratorio fuera de línea. Los sensores en línea monitorizan continuamente la concentración de partículas ferromagnéticas, el índice de partículas de desgaste, la viscosidad cinemática y la constante dieléctrica del aceite. La concentración de partículas ferromagnéticas (código norma ISO 4406) y el índice de partículas de desgaste (WPC) son los indicadores centrales para evaluar el grado de desgaste.
El análisis de laboratorio fuera de línea incluye análisis ferrográfico (para determinar si la morfología de las partículas corresponde a desgaste por corte, desprendimiento por fatiga o desgaste por deslizamiento), análisis espectroscópico de elementos (las concentraciones de Fe, Cu, Al, Si, Cr y otros elementos reflejan la ubicación específica del desgaste: una concentración alta de Fe indica desgaste de engranajes o rodamientos, una concentración alta de Cu indica desgaste de la jaula de cobre), y análisis de indicadores fisicoquímicos del aceite (índice de acidez, humedad, punto de inflamación, resistencia a la emulsión, etc.).a se realiza trimestralmente e incluye: análisis ferrográfico (para determinar si la morfología de las partículas corresponde a desgaste por corte, desconchado por fatiga o desgaste por deslizamiento), análisis espectroscópico de elementos (las concentraciones de Fe, Cu, Al, Si, Cr, etc. indican la ubicación específica del desgaste: una concentración alta de Fe sugiere desgaste en engranajes o rodamientos, mientras que una concentración alta de Cu indica desgaste en la jaula de rodamiento de cobre), y análisis de propiedades fisicoquímicas del aceite (índice de acidez, contenido de agua, punto de inflamación, resistencia a la emulsión, etc.).
La estrategia de análisis coordinado de datos en línea y fuera de línea es la siguiente: los sensores en línea monitorizan continuamente las tendencias; cuando se detecta un aumento anómalo, se activa un muestreo fuera de línea para realizar análisis ferrográfico y espectroscópico detallados que confirmen el tipo de fallo y la ubicación del desgaste.
Modelo de diagnóstico de fusión multimodal por IA basado en mecanismos de atención
El principal desafío técnico de la fusión de las tres modalidades (vibración, emisión acústica y aceite) radica en la gran disparidad de escalas temporales, frecuencias de muestreo y dimensiones de características: la emisión acústica adquiere 1 millón de puntos de datos por segundo, la vibración 25 600 puntos por segundo, y el aceite solo proporciona una lectura cada 10 minutos. Los métodos tradicionales de fusión a nivel de datos no pueden manejar eficazmente esta heterogeneidad, por lo que se adopta una arquitectura jerárquica de fusión a nivel de características y fusión a nivel de decisión.
A nivel de características, los datos de cada modalidad pasan por una red de extracción de características especializada para generar vectores de características embebidos de baja dimensión: la señal de vibración se procesa mediante una red 1D-CNN con bloques residuales para extraer un vector de 192 dimensiones; la señal de emisión acústica se procesa mediante descomposición en paquetes wavelet multiescala combinada con 1D-CNN para extraer un vector de 256 dimensiones; y los datos de series temporales del aceite se procesan mediante LSTM o TimesNet para extraer un vector de 128 dimensiones.
Los tres vectores de características se fusionan mediante un mecanismo de atención cruzada multi-cabeza: el vector de características de cada modalidad actúa como query, key y value, y durante el entrenamiento el modelo aprende automáticamente los pesos de correlación entre las diferentes modalidades.
A nivel de decisión, el vector de características multimodales fusionado (dimensión 576) pasa por una capa totalmente conectada y una función Softmax para generar la probabilidad de cada categoría de fallo. La capa de salida del modelo incluye 8 categorías de fallo: desgaste de la superficie del diente del engranaje, rotura de diente, fallo del Aro Exterior del rodamiento, fallo del Aro Interior, fallo del Elemento Rodante, fallo de la Jaula, desalineación de ejes/desbalanceo y lubricación deficiente/contaminación del aceite.
Además, el modelo genera un valor de Índice de Salud (HI) de 0 a 100 que evalúa de forma integral el estado general del reductor. El conjunto de datos de entrenamiento debe cubrir datos multimodales del reductor de puente grúa en diversas condiciones de operación (diferentes tasas de carga, diferentes Velocidades de rotación y diferentes temperaturas). Se requieren aproximadamente 2000 muestras positivas (estado normal) y al menos 200 muestras por categoría para los estados de fallo (muestras negativas).
Dado que la obtención de datos de fallos reales es difícil, se puede recurrir a un Banco de pruebas de ensayo de vida acelerada del reductor de puente grúa para la adquisición de datos de fallo, o bien generar datos simulados de diversas condiciones de fallo mediante una plataforma de simulación con Gemelo Digital.
En las pruebas conjuntas realizadas por Kelude y universidades colaboradoras, el modelo de diagnóstico de tres modalidades basado en fusión por atención cruzada alcanzó una precisión del 97,2 % en la identificación de desgaste temprano de engranajes, lo que supone una mejora de 10,7 puntos porcentuales en comparación con la modalidad de vibración únicamente (86,5 %) y de 9,1 puntos porcentuales frente a la modalidad de emisión acústica únicamente (88,1 %). El tiempo medio de alerta temprana se adelantó 13,6 días en comparación con la modalidad de vibración sola.
| Diagnóstico Modo | Engranaje Desgaste Precisión | Rodamiento Precisión de detección de fallos | Antelación media de alerta | Tasa de falsas alarmas |
|---|---|---|---|---|
| Modo único de vibración | 86.5% | 89.2% | 11.2Día | 5.8% |
| emisión acústica Modo único de vibración | 88.1% | 87.6% | 18.5Día | 6.2% |
| Vibración+Doble modo de aceite | 93.4% | 94.1% | 19.8Día | 3.5% |
| Fusión de tres modos | 97.2% | 96.8% | 24.8Día | 2.1% |
Arquitectura del sistema y despliegue coordinado borde-nube
El sistema de diagnóstico integrado de vibración, emisión acústica y aceite adopta una arquitectura distribuida de tres niveles.
En el nivel de campo, se despliega una unidad inteligente de adquisición de datos (DAU) en cada reductor, que integra canales de adquisición IEPE de vibración (4 canales, muestreo sincronizado), canales de adquisición de emisión acústica de alta velocidad (2 canales, frecuencia de muestreo de 1 MHz, memoria intermedia de datos de 256 MB), interfaz RS485/Modbus para el sensor de aceite y un módulo de computación en el borde (procesador ARM Cortex-A72 + NPU con 4 TOPS de potencia de cálculo).
La DAU se encarga de la adquisición de señales, la extracción de características en el borde y el diagnóstico preliminar. Cuando el índice de salud (HI) calculado localmente es inferior a 60, los datos de características comprimidos y los fragmentos de forma de onda original se cargan a la plataforma de análisis de datos a nivel de taller. En el nivel de taller, se despliega un servidor de procesamiento de datos (se recomienda NVIDIA RTX 4090 o potencia de cálculo equivalente) que ejecuta la versión completa de parámetros del modelo de diagnóstico de fusión, responsable de la gestión unificada de datos de múltiples puentes grúa, la inferencia del modelo y la generación de informes.
En la nube empresarial, se despliega una plataforma de datos central que permite el análisis agregado de datos de múltiples plantas, la optimización continua del entrenamiento de modelos y la gestión de la base de conocimiento del sistema experto de diagnóstico remoto.
La comunicación del sistema emplea un mecanismo de garantía de tres niveles para la transmisión de datos ante interrupciones de red. En el primer nivel, la DAU almacena localmente al menos 30 días de datos originales completos (vibración + emisión acústica) y 3 años de datos de características de tendencia, lo que garantiza que no se pierdan datos críticos incluso si se interrumpe la red del taller. En el segundo nivel, la comunicación entre la DAU y el servidor del taller se realiza mediante Ethernet por cable de 1 Gbps. Cuando se interrumpe la conexión entre el servidor del taller y la nube, el servidor del taller actúa como nodo de almacenamiento en caché y reenvía automáticamente los datos una vez restablecida la conexión.
En el tercer nivel, para las alertas críticas, el sistema envía notificaciones simultáneamente a través de tres canales: la alarma acústica y visual en el taller, las ventanas emergentes en la interfaz SCADA de la sala de control y mensajes SMS/teléfono móvil corporativo, garantizando que ninguna alerta pase desapercibida.
En la práctica de ingeniería de Kelude, un sistema completo de diagnóstico integrado de vibración, emisión acústica y aceite puede cubrir la monitorización del sistema de transmisión de 10 a 20 puentes grúa en un solo taller. El esquema de adquisición y almacenamiento de datos está diseñado para aproximadamente 2 GB de datos originales por puente grúa y por día (vibración 25,6 kHz × 4 canales × 24 h + emisión acústica 1 MHz × 2 canales × 24 h). Tras la extracción de características en el borde, el volumen de datos cargados se reduce a aproximadamente 50 MB por día, lo que reduce significativamente la presión sobre el ancho de banda de comunicación y el almacenamiento en la nube.
Casos prácticos y experiencia en la implementación de proyectos
En un proyecto de monitorización inteligente del sistema de transmisión de puentes grúa para una gran empresa siderúrgica, Kelude desplegó el sistema de diagnóstico integrado de vibración, emisión acústica y aceite en 12 puentes grúa de fundición metalúrgica (cada uno con mecanismo de elevación de gancho doble de 40 t/80 t).
En el día 47 de funcionamiento del proyecto, el sistema detectó que el índice de salud (HI) del rodamiento del eje de alta velocidad del reductor del mecanismo de elevación principal del puente grúa n.º 4 descendió continuamente de 87 a 52. El valor de curtosis de vibración aumentó de 3,1 a 7,8, el recuento de eventos de emisión acústica pasó de una media diaria de 200 a 3800, y la concentración de partículas ferromagnéticas en el aceite aumentó de 12 ppm a 186 ppm. El modelo de fusión de tres modalidades determinó: "Desprendimiento por fatiga temprana del aro exterior del rodamiento, con un nivel de confianza del 96,5%".
El equipo de gestión de mantenimiento programó un mantenimiento planificado según las recomendaciones del sistema. La inspección con apertura de la carcasa reveló 3 grietas por desprendimiento por fatiga de 5 a 8 mm de longitud en la pista de rodadura del aro exterior del rodamiento del eje de alta velocidad. Con el ciclo tradicional de detección de vibraciones trimestral, esta falla habría tardado al menos 3 semanas más en ser detectada mediante análisis de vibraciones. Para entonces, el área de desprendimiento se habría expandido, provocando la fractura de la jaula del rodamiento e incluso el bloqueo de la caja de engranajes, lo que habría ocasionado pérdidas por parada no programada y daños colaterales por rotura de dientes.
Esta alerta anticipada evitó pérdidas de aproximadamente 280.000 CNY (≈ 35.900 EUR) en paradas de producción y mantenimiento de equipos. La inversión total del sistema de monitorización para los 12 puentes grúa de la planta fue de aproximadamente 360.000 CNY (≈ 46.100 EUR), lo que significa que un solo evento de alerta anticipada ya superó el 77% del retorno de la inversión.
Durante la implementación del proyecto se acumularon varias lecciones importantes de ingeniería. Primero, la calidad del acoplamiento entre el sensor de emisión acústica y la carcasa del reductor afecta directamente la calidad de la señal. La base magnética con acoplante ultrasónico sobre una superficie metálica limpia proporciona un acoplamiento estable, pero en superficies pintadas o irregulares se recomienda la fijación permanente con adhesivo epoxi.
Segundo, la ubicación de instalación del sensor de aceite en línea es fundamental. Debe instalarse en el tubo de retorno principal o en la zona de sedimentación de partículas del fondo del cárter de aceite del reductor. En instalaciones en derivación, es necesario garantizar que la velocidad del flujo de aceite esté en el rango de 0,3 a 1,0 m/s para asegurar la representatividad del recuento de partículas.
Tercero, las características de la señal del reductor de puente grúa difieren significativamente entre las fases de arranque/parada y el funcionamiento en estado estacionario. Durante el entrenamiento del modelo de IA, es necesario dividir los intervalos según la tasa de carga y la velocidad de rotación (cuatro intervalos: sin carga, carga ligera, carga nominal y sobrecarga), utilizando diferentes umbrales de diagnóstico y modelos de referencia para cada intervalo, evitando así falsas alarmas debidas a cambios en las condiciones de funcionamiento.
Kelude ha acumulado una amplia experiencia en la selección de sensores, integración de sistemas y análisis de datos en el campo de la monitorización inteligente de sistemas de transmisión de puentes grúa, y puede ofrecer a los usuarios de puentes grúa en los sectores de fundición, puertos y energía soluciones completas de sistemas de diagnóstico integrado de vibración, emisión acústica y aceite, desde proyectos piloto con una sola unidad hasta la cobertura de toda la planta.
Preguntas frecuentes sobre el sistema de diagnóstico
P: ¿Qué reformas requiere el sistema de diagnóstico integrado en los puentes grúa existentes?
R: Las reformas incluyen principalmente la instalación del sensor de emisión acústica en la carcasa del reductor (montaje con base magnética, sin alterar la estructura de la carcasa), la instalación del sensor de aceleración en el soporte de rodamiento (fijación con perno M6, que requiere taladrado y roscado en el soporte de rodamiento), y la instalación del sensor de aceite en serie o en derivación en el circuito de aceite (requiere modificación de la tubería de aceite). Para puentes grúa antiguos, se recomienda realizar la instalación de los sensores durante una revisión general planificada para minimizar el impacto en la producción. El cableado eléctrico se realiza a lo largo de las bandejas portacables existentes del puente grúa, sin afectar al sistema eléctrico original. El tiempo de instalación y reforma de los sensores para un solo puente grúa es de aproximadamente 1 a 2 días.
P: ¿Puede el sistema distinguir entre fallas de engranajes y fallas de rodamientos? ¿Cómo se gestionan las falsas alarmas?
R: Sí, puede. Las fallas de engranajes y de rodamientos presentan diferencias claras en las características de frecuencia: las fallas de engranajes se manifiestan por cambios en la amplitud de la frecuencia de engrane y sus bandas laterales, mientras que las fallas de rodamientos se manifiestan por respuestas de impacto en las frecuencias características del rodamiento (BPFO/BPFI/BSF/FTF). El modelo de fusión de tres modalidades valida aún más el diagnóstico mediante la localización por diferencia de tiempo de llegada de la emisión acústica (que puede localizar la fuente de la falla dentro de ±50 mm) y el análisis morfológico de partículas de aceite (el desprendimiento por fatiga de engranajes genera partículas laminares, mientras que la fatiga de rodamientos genera partículas esféricas). Para las falsas alarmas, el sistema incorpora un mecanismo de confirmación de dos niveles: tras un diagnóstico anómalo inicial, se aumenta automáticamente la frecuencia de adquisición de datos para una segunda verificación, y solo se envía la alerta cuando se alcanza el umbral de confianza, lo que reduce eficazmente la tasa de falsas alarmas.
P: ¿Cuál es la inversión para desplegar el sistema de diagnóstico integrado en un solo puente grúa?
R: El coste del hardware de sensores para un solo puente grúa (3 sensores de vibración IEPE + 2 sensores de emisión acústica + 1 sensor de aceite en línea + 1 unidad de adquisición de datos DAU) es de aproximadamente 18 000 a 25 000 CNY. El coste de instalación y puesta en marcha es de unos 5 000 CNY, y la cuota del servicio de plataforma de datos (incluidos el modelo de IA y la plataforma en la nube) es de unos 3 000 a 5 000 CNY por unidad y año. Para una flota de 10 puentes grúa, la inversión total es de aproximadamente 250 000 a 350 000 CNY, lo que supone una media de 25 000 a 35 000 CNY por grúa. Teniendo en cuenta que las pérdidas por parada no programada de un puente grúa metalúrgico en el sector del acero (incluidos los costes de producción detenida, reparación y riesgo de seguridad) rondan los 100 000 a 300 000 CNY por incidente, la prevención eficaz de una avería grave del reductor permite recuperar toda la inversión del sistema.
P: ¿Qué interferencias afectan a los sensores de emisión acústica en entornos industriales? ¿Cómo se eliminan?
R: Las tres principales fuentes de interferencia en la señal de emisión acústica son: la interferencia electromagnética (ruido de conmutación PWM del variador de frecuencia, chispas de las escobillas del motor), el ruido de fluidos (impacto del flujo de aceite lubricante, flujo de aire del ventilador de enfriamiento) y el ruido estructural (transmisión de vibraciones de equipos adyacentes). Las medidas de eliminación incluyen: a nivel de procesamiento de señal, el uso de filtros de paso de banda para eliminar el ruido eléctrico (por debajo de 10 kHz) y el filtrado por parámetros de forma de onda para descartar el ruido de flujo con una duración superior a 1000 μs; a nivel de instalación del sensor, la interposición de una calza de politetrafluoroetileno entre el sensor y la carcasa para el aislamiento eléctrico; a nivel algorítmico, la discriminación eficaz mediante la comparación de formas de onda de eventos de emisión acústica (la señal real de fractura presenta un ascenso rápido y una caída exponencial, claramente distinta de la forma de onda irregular del ruido) y el filtrado por localización espacial (los eventos detectados simultáneamente por todos los sensores se clasifican como ruido y se descartan).
La tecnología de diagnóstico integrado de tres modalidades —emisión acústica, vibración y aceite— representa la vanguardia en el monitoreo de condición de los sistemas de transmisión de puentes grúa. La alta sensibilidad de la emisión acústica a las microgrietas, la caracterización precisa de la frecuencia de fallos de maquinaria rotativa mediante vibración y la medición cuantitativa directa de los productos de desgaste a través del análisis de aceite se complementan entre sí en un marco de fusión multimodal basado en IA. Esta sinergia amplía el plazo de alerta temprana de fallos en reductores y rodamientos de puentes grúa de 1 a 2 semanas (con el análisis de vibración tradicional) a 3 a 6 semanas, reduciendo significativamente el riesgo de paradas no programadas. Para obtener más información sobre las soluciones de monitoreo inteligente para sistemas de transmisión de puentes grúa, no dude en ponerse en contacto con el equipo técnico de Kelude para recibir la solución técnica detallada y documentación de casos. Kelude Industrias Pesadas ofrece un servicio integral de mantenimiento inteligente para equipos de elevación industriales, que abarca desde sensores hasta diagnóstico con IA y soporte a la decisión de mantenimiento.
