Análisis ferrográfico de aceite en engranajes de puente grúa
El sistema de análisis ferrográfico en línea del aceite de la caja de engranajes del reductor del puente grúa monitoriza la concentración de partículas metálicas en 4 canales de tamaño (≥4/6/14/21 μm) y el grado de limpieza según la norma AS 1638. Combina la distinción ferromagnética/no ferromagnética con la clasificación morfológica de partículas mediante IA MobileNetV3 (precisión del 91,5 %). El modelo de predicción temporal LSTM permite anticipar la tendencia de desgaste del engranaje con 7 a 14 días de antelación, con una precisión de predicción del WI del 89 %.
El reductor es el componente de transmisión principal de los mecanismos de elevación y traslación de la grúa. La estrategia de gestión de salud del equipo se basa en las disposiciones sobre intervalos de mantenimiento del reductor de la norma ISO 4301 (referencia ISO 4301 / FEM 1.001, especificación de diseño de grúas) y en los requisitos de inspección periódica del reglamento TSG Q0002 de supervisión técnica de seguridad de aparatos de elevación. El estado de desgaste de los engranajes y rodamientos determina directamente la vida residual del reductor. El método tradicional de extracción periódica de muestras de aceite para análisis en laboratorio presenta limitaciones como ciclos de detección largos, costes elevados y la imposibilidad de capturar desgastes acelerados repentinos. El sistema de análisis ferrográfico de aceite KL-OIL-FERR emplea un contador de partículas en línea para monitorizar en tiempo real la concentración y distribución de tamaño de las partículas metálicas en el aceite. Mediante la distinción ferromagnética/no ferromagnética y la clasificación morfológica por IA, identifica el picado incipiente de engranajes y la exfoliación por fatiga de rodamientos, emitiendo alertas de 7 a 14 días antes de que se produzca la falla.
Sensor de detección de aceite en línea y parámetros
El sensor principal del sistema es el contador de partículas en línea KL-OPC-100, que utiliza el principio de extinción láser (diodo láser de 850 nm, tamaño de punto de 0,1 × 0,5 mm) para detectar partículas sólidas en el aceite. Cuando una partícula atraviesa el punto láser, genera una señal de extinción cuya amplitud es proporcional al tamaño de la partícula. El tiempo de paso de cada partícula es de aproximadamente 10 a 50 μs (según el caudal de aceite de 0,5 a 2 mL/min). El sensor detecta simultáneamente 4 canales de tamaño de partícula (≥4 μm, ≥6 μm, ≥14 μm, ≥21 μm) y emite grados de limpieza conforme a las normas ISO 4406 y AS 1638. Además, incorpora un sensor de viscosidad de microbalanza de cuarzo (precisión ±2 % FS) y un sensor de humedad capacitivo (precisión ±3 % HR), logrando la detección integrada de los tres parámetros: partículas + viscosidad + humedad.
El sensor se conecta al circuito de aceite del reductor mediante un circuito de derivación de acero inoxidable (Φ6 mm, caudal 0,5 a 2 L/min), impulsado por la diferencia de presión entre la salida de la bomba de engranajes y el puerto de retorno. Cada reductor dispone de un sensor que ejecuta automáticamente un ciclo de autolimpieza cada 12 horas (retrolavado de 3 segundos para eliminar lodos y burbujas de la ventana óptica) y recopila automáticamente un conjunto completo de datos cada 72 horas (promedio de 10 mediciones consecutivas). Los datos se transmiten mediante protocolo RS485 Modbus RTU a la pasarela de adquisición perimetral, con un intervalo de muestreo configurable (por defecto, 1 vez/hora). El índice de desgaste WI = Σdᵢ²×nᵢ (dᵢ es el diámetro de la partícula, nᵢ es el número de partículas de ese diámetro). Cuando el promedio móvil de 24 horas del WI supera el 150 % del valor de referencia, se activa una alerta preliminar.
Análisis ferrográfico y reconocimiento de modos de desgaste
El sistema incorpora una bobina de separación ferromagnética/no ferromagnética: cuando el aceite atraviesa una zona de campo magnético de alta intensidad y gradiente (intensidad de campo 0,3 T, gradiente 5 T/m), las partículas ferromagnéticas (partículas de desgaste de acero/fundición procedentes de engranajes y rodamientos) son adsorbidas por los polos magnéticos, mientras que las partículas no ferromagnéticas (procedentes de la jaula de cobre, la carcasa de aluminio y los sellos) se cuentan por separado en otro canal. La relación entre la concentración de partículas ferromagnéticas (FPC) y la de partículas no ferromagnéticas (NFPC), FPC/NFPC, es un indicador de diagnóstico clave: en la fase de desgaste normal, esta relación se mantiene estable entre 3:1 y 5:1; cuando aparece picado en los engranajes, la FPC aumenta bruscamente (relación >8:1); cuando hay desgaste en la jaula del rodamiento, la NFPC aumenta (relación <2:1).
La clasificación morfológica de partículas por IA se basa en el modelo CNN ligero MobileNetV3. La entrada son imágenes microscópicas de placas ferrográficas (aumento 200×, resolución 1024×768) y la salida es la probabilidad de cinco clases de partículas de desgaste: partículas laminares de desgaste normal (espesor 0,1 a 1 μm), partículas helicoidales de desgaste por corte (longitud 25 a 100 μm, generadas por herramientas nuevas o partículas duras incrustadas), partículas laminares de exfoliación por fatiga (espesor 1 a 10 μm, ancho 20 a 200 μm, típicas del picado de engranajes y la exfoliación de rodamientos), partículas de desgaste severo por deslizamiento (forma alargada, con rayaduras superficiales, ancho 10 a 200 μm, relación largo/ancho 5:1 a 30:1) y partículas de desgaste por oxidación (Fe₂O₃ rojo o Fe₃O₄ negro). El conjunto de entrenamiento del modelo incluye 3.200 imágenes de placas ferrográficas etiquetadas, con una precisión de clasificación del 91,5 %. Cuando la IA detecta una proporción de partículas de exfoliación por fatiga superior al 20 % o la presencia de partículas de deslizamiento severo de tamaño ≥50 μm, se activa inmediatamente una alerta naranja y se recomienda una inspección endoscópica de la caja de engranajes.
Modelo de predicción de tendencias de desgaste y validación en condiciones de trabajo
| Diagnóstico Indicador | Análisis de muestreo periódico | Ferrografía en línea |
|---|---|---|
| Detección Periodicidad | 1~3Muestreo mensual | Monitoreo continuo en línea Detección |
| Detección Parámetro | Conteo de partículas+Viscosidad+Contenido de humedad | Conteo de partículas+Viscosidad+Contenido de humedad+Índice ferromagnético+Morfología AI |
| Desgaste Tendencia | Puntos discretos, Sin capacidad predictiva | LSTMPredicción por modelo7~14Tendencia diaria |
| Aceleración súbita Desgaste Detección | Posible omisión(Ocurrencia dentro del intervalo de muestreo) | WITiempo real Detección, Alarma inmediata por gradiente sobre umbral |
| Costo anual por unidad | Aproximadamente¥3,000~5,000(Toma de muestra+Envío a laboratorio) | Aproximadamente¥2,000~3,000(Sensor Consumibles+Mantenimiento) |
| Tiempo de anticipación de alerta | Ninguno(Detección en estado crítico Desgaste) | 7~14días(Tier2Alarma inmediata por gradiente sobre umbral) |
Aplicaciones y rentabilidad del análisis ferrográfico en línea
El sistema KL-OIL-FERR está actualmente desplegado en 120 reductores de puentes grúa en los sectores de metalurgia, puertos, cemento y papel, acumulando más de 800.000 horas de operación. Según los datos recuperados, el sistema ha anticipado con éxito 41 eventos de desgaste de engranajes y 23 fallos de rodamientos, con una antelación media de aproximadamente 11 días. Tomando como ejemplo una acería de un grupo siderúrgico, los 25 reductores de puentes grúa de su planta de laminación en caliente registraban una media de 4 a 5 averías anuales por daños en el engranaje del reductor antes de la instalación del sistema, con un coste de reparación de entre ¥30.000 y ¥80.000 por incidente (incluyendo repuestos, mano de obra y pérdidas por parada de producción). En los 18 meses posteriores al despliegue, solo se produjo un daño de engranaje (se programó un reemplazo planificado tras la alerta, evitando una parada imprevista), lo que supuso un ahorro directo de aproximadamente ¥450.000 en costes de mantenimiento.
En cuanto a los costes operativos del sistema, el mantenimiento anual del sensor de aceite KL-OIL-FERR por reductor es de aproximadamente ¥500 a ¥800, frente a los ¥3.000 a ¥5.000 anuales del muestreo periódico tradicional (incluyendo mano de obra de muestreo, logística y análisis). La monitorización en línea no solo reduce los costes de detección en un 60-80%, sino que, más importante aún, ofrece capacidades de trazabilidad continua de datos y predicción de tendencias que el enfoque tradicional no puede proporcionar. El equipo de desarrollo del sistema optimiza continuamente el modelo de IA basándose en estos datos de despliegue, publicando una actualización trimestral del modelo para mejorar progresivamente la precisión predictiva.
Preguntas frecuentes sobre el sistema de monitorización
P: ¿Es necesario reformar el circuito de aceite del reductor para instalar el sensor de aceite en línea?
R: El sensor KL-OPC-100 se instala en serie en el tubo de retorno del circuito de aceite del reductor mediante una conexión en T (especificación G1/2″). Para reductores con lubricación forzada mediante bomba de engranajes, basta con cortar el tubo de retorno en el punto adecuado e instalar la conexión en T mediante soldadura o anillo de apriete, sin alterar el trazado original del circuito. Para reductores con lubricación por salpicadura sin lubricación forzada, se puede añadir un circuito de derivación en el orificio de drenaje inferior (con una microbomba de engranajes DC12V/5W, caudal 0,5 L/min), conduciendo el aceite a través de un tubo de acero inoxidable de Φ6 mm hasta el sensor y devolviéndolo después por el orificio de la varilla de aceite. El volumen del circuito de derivación es de aproximadamente 150 mL, con un impacto despreciable en el nivel de aceite normal del reductor. La instalación debe realizarse con el equipo parado; la reforma de cada unidad requiere aproximadamente 2 a 3 horas.
P: ¿Cómo se elimina la interferencia de burbujas de aire y gotas de agua en la precisión del recuento de partículas por láser?
R: Las burbujas de aire y las gotas de agua en suspensión generan señales de dispersión equivalentes en el punto del láser, lo que produce un recuento de partículas por exceso. El KL-OPC-100 adopta tres medidas para eliminar esta interferencia: en primer lugar, se dispone una cámara de separación de burbujas antes de la entrada del sensor (volumen 5 mL, velocidad de flujo <0,5 m/s, tiempo de retención >0,6 s); las burbujas ascienden por flotación y se eliminan por la parte superior. En segundo lugar, el sensor emplea una técnica de discriminación por anchura de pulso: el tiempo de paso de una partícula individual por el punto del láser es de aproximadamente 10 a 50 μs, mientras que la anchura del pulso de dispersión de gotas de agua y burbujas, debido a su diferente índice de refracción, suele ser superior a 100 μs, lo que permite distinguirlas mediante filtrado por anchura de pulso. En tercer lugar, el sistema ejecuta una calibración automática del ruido de fondo antes de cada medición (circulación de aceite limpio durante 5 segundos, registrando el nivel de ruido de referencia). Con un contenido de agua inferior al 2%, el error de recuento de partículas causado por burbujas y gotas de agua es inferior al 5%.
P: ¿Cuál es el origen de los datos de entrenamiento del modelo de predicción de tendencias de desgaste? ¿Qué grado de generalización tiene el modelo?
R: El modelo predictivo LSTM se ha entrenado con datos de monitorización en línea de 80 reductores de puentes grúa de Kelude durante 3 años (aproximadamente 700.000 puntos de datos, incluyendo 67 eventos de desgaste de engranajes y 41 fallos de rodamientos). La dimensión de las características de entrada es 12 (recuento de partículas por canal de tamaño, FPC/NFPC, WI, viscosidad y contenido de agua, entre otros), con una ventana temporal de 30 días y una salida de predicción de la serie de valores de WI para los próximos 14 días. La precisión predictiva del modelo sobre el conjunto de datos de entrenamiento (tasa de acierto en la dirección de la tendencia del WI) es del 93%, y la precisión de transferencia entre dominios para nuevas instalaciones es del 89% (para modelos de reductores no incluidos en el entrenamiento). Se recomienda acumular 3 meses de datos de referencia en nuevas instalaciones para completar el ajuste fino del modelo (empleando una estrategia de aprendizaje por transferencia: congelar las capas LSTM y ajustar únicamente las capas totalmente conectadas), con el fin de adaptarlo a las características específicas del aceite y las condiciones de funcionamiento de cada reductor. El modelo se reentrena automáticamente cada mes, incorporando los datos más recientes.
P: ¿El sistema ferrografía de aceite de Kelude requiere reemplazo periódico de consumibles? ¿Cuál es el coste anual de mantenimiento?
R: El sensor KL-OPC-100 tiene un diseño sin consumibles, sin necesidad de reemplazar filtros o reactivos periódicamente. El único consumible es la junta de sellado de grafito (instalada en la conexión del circuito de aceite del sensor), que se recomienda sustituir cada 2 años (72CNY/juego × 2 = 144CNY). La microbomba de engranajes del circuito de derivación tiene un MTBF ≥ 10.000 horas, con un reemplazo recomendado cada 2,5 años (480CNY/unidad). El coste total anual de mantenimiento es de aproximadamente ¥500 a ¥800 por sensor, muy inferior a los ¥3.000 a ¥5.000 anuales del muestreo periódico tradicional. El sensor tiene una garantía de 3 años; transcurrido el período de garantía, el reemplazo tiene un coste de ¥2.800 por unidad. También se ofrece un servicio trimestral de calibración remota del modelo (¥1.200/año por sensor), que incluye evaluación de precisión del modelo, optimización de umbrales e interpretación de informes de tendencias.
