Gemelo Digital en Puentes Grúa: Sensores Virtuales
La tecnología de sensores virtuales con Gemelo Digital utiliza el modelo de dinámica multicuerpo y el modelo de simulación por elementos finitos de la estructura del puente grúa para calcular parámetros clave mediante algoritmos de sensores virtuales en ubicaciones donde no es posible instalar sensores físicos. Combinada con la simulación de inyección de fallos, permite una cobertura integral del Mantenimiento Predictivo.
Según el método de evaluación de la capacidad de carga de estructuras metálicas de la norma ISO 4301 / FEM 1.001, el puente grúa presenta numerosas zonas donde resulta difícil instalar sensores físicos durante su operación real: la placa de ala superior en el centro de la Viga Principal (oculta por el Carro y el Carril), la longitud total del Cable de Acero (imposible de adherir galgas extensiométricas a largo plazo) y las superficies de engrane de los engranajes internos del reductor, entre otras. La tecnología de sensores virtuales con Gemelo Digital crea un modelo de dinámica multicuerpo de alta fidelidad del puente grúa, utilizando los datos reales de los puntos de medición físicos limitados para impulsar el modelo de simulación y calcular los parámetros clave en las ubicaciones no instrumentadas. La plataforma KL-DT-VS de Kelude Industrias Pesadas, integrada con su motor de simulación de inyección de fallos, ofrece Mantenimiento Predictivo durante todo el ciclo de vida del puente grúa, desde la fase de diseño hasta la fase de operación y mantenimiento.
Método de construcción del Gemelo Digital
El Gemelo Digital del puente grúa se construye mediante una estrategia de modelado multinivel:
Primer nivel — modelo de dinámica multicuerpo rígido (basado en Simpack o ADAMS), que incluye las características dinámicas de los cuerpos rígidos del Mecanismo de Traslación de Carro, el Mecanismo de Traslación de Puente, el mecanismo de elevación y el sistema de carga suspendida.
Segundo nivel — modelo de elementos finitos de cuerpo flexible (basado en Ansys o Abaqus), que aplica reducción modal (método CMS, con los primeros 30 modos) a la estructura de acero, incluyendo la Viga Principal, el Viga de extremo y la bastidor del carro, e integra el modelo en la simulación de dinámica multicuerpo para un análisis de acoplamiento rígido-flexible.
Tercer nivel — modelo de lógica de control (basado en Simulink), que simula la respuesta del Variador de Frecuencia, el Freno y la lógica de Control por PLC.
La sincronización en tiempo real entre el espacio físico y el espacio digital se logra mediante el Encoder ubicado en el extremo de entrada del reductor, la tarjeta de adquisición de datos del PLC en la Cabina del Operador (que captura las señales de Capacidad de Elevación, altura, posición del Carro y posición del Carro Puente) y los sensores de vibración y deformación en 8 puntos de medición clave. El Gemelo Digital avanza en pasos de 100 ms, manteniendo la sincronización en tiempo real con el puente grúa físico. Tras la calibración inicial del modelo mediante identificación de parámetros, el error de predicción de fuerza/Par en condiciones de operación típicas es inferior al 5%.
Principio del algoritmo de sensor virtual
El núcleo del sensor virtual reside en la tecnología de observador de estado basada en el filtro de Kalman. El sistema introduce las mediciones del sensor físico yk (con ruido) en las ecuaciones de espacio de estado del modelo Gemelo Digital. Mediante el filtro de Kalman extendido (EKF), se estima el vector de estado completo del sistema x̂k|k, y a través de la ecuación de salida se calcula la magnitud física en la ubicación del sensor virtual ŷkvir.
Para la estimación de la deformación virtual en la placa de ala superior en el centro de la Viga Principal, el algoritmo utiliza los valores medidos por los sensores de deformación en los Testeros de ambos extremos (puntos de medición físicos), integra los parámetros de Carga en cuatro dimensiones (Capacidad de Elevación, posición del Carro, posición del Carro Puente) y aplica el método de superficie de influencia para calcular la tensión máxima en el centro de la Luz. En la validación experimental con un puente grúa de 50t/25m de Luz, la desviación entre la tensión máxima calculada por el sensor virtual y la medición directa con galgas extensiométricas fue de +4,7% a −6,2%, cumpliendo con los requisitos de precisión de la ingeniería. Este algoritmo está implementado en el borde de la plataforma KL-DT-VS y puede completar un cálculo de sensor virtual en 1 ms.
La precisión del algoritmo de sensor virtual depende del grado de calibración del modelo Gemelo Digital y de la disposición racional de los sensores físicos. Si la posición de instalación de los sensores de deformación se desvía de las coordenadas de diseño o si la sensibilidad se ve alterada por el efecto térmico de la soldadura, los resultados del sensor virtual presentarán una desviación sistemática. La plataforma KL-DT-VS incorpora una función de autocomprobación de salud de los sensores: durante las horas de baja carga de la madrugada, se inyecta activamente una señal de excitación pseudoaleatoria de amplitud conocida. Comparando el residual entre el valor calculado virtualmente y el valor teórico esperado, se evalúa el estado de salud de cada sensor físico. Cuando el residual de un sensor supera 2 veces el RMSE de referencia durante 3 ciclos consecutivos, el sistema lo marca automáticamente como «Requiere calibración» y envía una notificación al personal de operación y mantenimiento. Este mecanismo de autocomprobación de sensores garantiza el funcionamiento fiable del sensor virtual durante toda la vida útil del equipo.
Método de simulación con inyección de fallos
La inyección de fallos es una funcionalidad diferencial de la plataforma KL-DT-VS, que permite al personal de operación y mantenimiento inyectar de forma activa diversos fallos de degradación en el espacio digital, observando y aprendiendo cómo se manifiestan los síntomas de fallo en las respuestas de los sensores virtuales. La plataforma admite la inyección de 12 tipos de fallos comunes en puentes grúa: grietas por fatiga en la viga principal (reducción de rigidez del 5% al 30%, con posición seleccionable), picaduras en el engranaje del reductor (disminución de la rigidez de engrane, con superposición de funciones de impulso sobre la función de rigidez de engrane variable en el tiempo), descamación en los rodamientos (superposición de secuencias de impacto en la ruta de transmisión, con período igual al inverso de la frecuencia de rotación de la jaula), rotura de alambres en el cable de acero (reducción del área de sección transversal equivalente con disminución lineal de la rigidez), y rotura de barras en el rotor del motor (inyección de pulsaciones de par a una frecuencia armónica de 2sf), entre otros.
El operador solo necesita seleccionar el tipo de fallo, el nivel de severidad (leve/moderado/severo) y el tiempo de inyección en la interfaz. El sistema modifica automáticamente los parámetros físicos correspondientes del modelo de gemelo digital, generando señales de sensores virtuales realistas que contienen las características del fallo. Estas señales se utilizan para entrenar modelos de diagnóstico por IA, optimizar el ajuste de umbrales y elaborar planes de inspección y mantenimiento. En una aplicación en 3 grúas de muelle (STS) en un puerto, el modelo de diagnóstico CNN entrenado con simulaciones de inyección de fallos alcanzó una precisión de clasificación del 93,8% en escenarios de fallos reales, lo que representa una mejora de 21 puntos porcentuales en comparación con el entrenamiento basado únicamente en una pequeña cantidad de datos de medición reales.
Plan de mantenimiento predictivo y ruta de implementación
El plan de mantenimiento predictivo basado en sensores virtuales del gemelo digital se implementa en tres fases:
Fase 1 (período de referencia, 1 a 3 meses) — Instalación de sensores físicos y calibración del modelo de gemelo digital, estableciendo el perfil de referencia de vibración, deformación y distribución de temperatura de cada puente grúa.
Fase 2 (período operativo, 4 a 12 meses) — El modelo de gemelo digital opera de forma continua; la detección virtual calcula la acumulación de daños en puntos no instrumentados, y el sistema genera automáticamente un índice de salud del equipo (Health Index, HI) en un rango de 0 a 100 (equipo nuevo = 100, umbral de mantenimiento recomendado HI ≤ 60).
Fase 3 (período de optimización, desde el mes 13) — Utilización de datos históricos para entrenar modelos de predicción de tendencias de degradación (basados en redes neuronales LSTM, con ventana de entrada de 30 días y predicción de la tendencia del índice de salud para los próximos 14 días).
En una empresa de aluminio con 28 puentes grúa, tras la implementación de la plataforma KL-DT-VS, las paradas no programadas se redujeron de 17 a 3 veces al año (82,4%), el costo anual de mantenimiento disminuyó de ¥2,86 millones a ¥1,12 millones (60,8%), y el intervalo de reemplazo del cable de acero se extendió de un promedio de 9 a 15 meses (66,7%). La empresa adoptó un plan de implementación por etapas: el primer año se centró en la construcción del gemelo digital y la calibración de referencia; el segundo año se amplió a los 28 puentes grúa y se integró con el sistema ERP; el tercer año se estableció un tablero de gestión de salud de equipos a nivel de toda la planta.
| Dimensión de Comparación | Mantenimiento preventivo programado | Gemelo Digital Mantenimiento Predictivo |
|---|---|---|
| Estrategia de mantenimiento | Fijación Reemplazo periódico/Inspección | Basado en índice de salud HIPlanificación dinámica |
| parada no programada | Promedio anual15~20veces/por cada 100 unidades | Promedio anual2~4veces/por cada 100 unidades(80%) |
| Repuesto Inventario | Existencia de Seguridad30%redundancia | Bajo demanda Repuesto, Reducir a8%redundancia |
| Diagnóstico Tasa de cobertura | Físico Sensor Cobertura<30%Componente | Cobertura por sensores virtuales>85%Componente |
| Base de conocimiento de fallas | Dependencia de la experiencia del ingeniero | Acumulación automática mediante inyección de fallas>12Espectro de fallas típicas |
| ROICiclo | — | 12~18meses para recuperar la inversión |
Preguntas frecuentes sobre el gemelo digital en puentes grúa
P: ¿Cómo se garantiza la precisión del gemelo digital del puente grúa y con qué frecuencia debe calibrarse?
R: La precisión inicial del modelo se garantiza mediante una calibración por identificación de parámetros. Se utiliza un algoritmo de optimización bayesiana para ajustar los parámetros físicos clave (relación de amortiguamiento, coeficiente de fricción, coeficiente de rigidez, etc.) con el fin de minimizar el error cuadrático medio (RMSE) entre la respuesta del modelo y las mediciones reales de los sensores físicos. La calibración de referencia solo requiere 5 pruebas de carga completa durante las primeras 2 semanas tras la implementación. Posteriormente, se ejecuta automáticamente una verificación del modelo cada trimestre: se comparan las mediciones de los sensores físicos con las predicciones del modelo para el mismo período. Si el RMSE supera el umbral de 1,5 veces la línea base inicial, se activa automáticamente la reidentificación de los parámetros del modelo. Los datos de operación real muestran que, tras un año de acumulación de datos en todas las condiciones de trabajo, la deriva del modelo se estabiliza dentro de ±12% del RMSE inicial.
P: ¿Puede la tecnología de detección virtual reemplazar completamente a los sensores físicos?
R: No puede reemplazarlos por completo, pero permite reducir significativamente el número de sensores físicos. El modelo de gemelo digital requiere una cierta cantidad de puntos de medición físicos como entrada de datos y anclaje para la verificación. Una configuración típica incluye de 8 a 16 puntos de medición clave (varios para deformación, vibración y temperatura), distribuidos en las ubicaciones críticas del puente grúa. Sobre esta base, la detección virtual puede expandir los puntos de monitoreo equivalentes a más de 200. Sin sensores físicos, el modelo de gemelo digital se desviaría por falta de entrada de datos reales; un gemelo digital de bucle abierto acumularía errores de predicción inaceptables en 24 horas. Por lo tanto, la estrategia más razonable es una arquitectura híbrida de sensores físicos y detección virtual, logrando un equilibrio óptimo entre costo y cobertura.
P: ¿Cuál es la diferencia entre los datos de fallo generados por simulación de inyección de fallos y los fallos reales?
R: La diferencia proviene principalmente de tres aspectos: el nivel de simplificación del modelo de fallo (por ejemplo, una grieta por fatiga se simplifica como un factor de reducción de rigidez, sin simular completamente la morfología 2D de la propagación de la grieta), las partes no modeladas de la no linealidad del sistema (como el juego lateral en el engranaje del reductor o las características no lineales de la fricción) y la dispersión debida a la fabricación y el ensamblaje (diferencias en la dinámica de puentes grúa del mismo modelo pero de diferentes lotes debido a tolerancias de fabricación). En la validación de laboratorio, la precisión de un modelo de diagnóstico entrenado con datos de inyección de fallos, al evaluarse con datos de fallos reales, es aproximadamente del 80~90% en comparación con un modelo entrenado con datos reales. Se recomienda una estrategia de aprendizaje incremental: primero entrenar el modelo base con datos de inyección de fallos y luego ajustarlo continuamente con datos de operación y mantenimiento reales. Después de 3 a 6 meses de iteración, la precisión puede alcanzar un nivel comparable al del entrenamiento con datos reales desde el principio.
P: ¿Cuál es el plazo de implementación y el retorno de la inversión para la plataforma KL-DT-VS de Kelude?
R: El plazo de implementación para un solo puente grúa es de aproximadamente 5 a 7 días laborables: los días 1 y 2 se instalan los sensores físicos y la pasarela de computación en el borde (aprovechando la ventana de mantenimiento programado); los días 3 y 4 se realizan las pruebas dinámicas y la calibración del modelo (incluyendo pruebas de carga completa en 3 condiciones de trabajo típicas); el día 5 se implementa el módulo de simulación de inyección de fallos y el modelo de diagnóstico por IA; los días 6 y 7 se completa la integración del sistema y la formación del personal de operación y mantenimiento. Para implementaciones por lotes (más de 10 unidades), el plazo se puede reducir a un promedio de 3 a 4 días laborables por unidad. En cuanto al retorno de la inversión: para puentes grúa de clase de funcionamiento A7/A8 en aplicaciones de metalurgia o puerto, el costo de implementación de un sistema KL-DT-VS por unidad es de aproximadamente 10.000 € a 15.000 €, con un ahorro anual esperado en costos de mantenimiento de 19.000 € a 32.000 € (gracias a la reducción de paradas no programadas, la extensión del intervalo de reemplazo de componentes y la disminución del inventario de repuestos). Por lo tanto, el período de retorno de la inversión (ROI) es de aproximadamente 12 a 18 meses. El sistema incluye una garantía de 3 años y un servicio remoto de mantenimiento del modelo.
