Detección de defectos en cables y carriles con IA para puentes grúa
El sistema de inspección por visión con IA para puentes grúa se basa en el framework de deep learning YOLOv8. La precisión de detección de rotura de alambres del cable alcanza un mAP ≥ 95,3 %, la tasa de detección de grietas en el carril es ≥ 92 % y la inferencia por fotograma se completa en ≤ 12 ms (Jetson Orin NX), lo que multiplica por 8 a 10 la eficiencia frente a la inspección manual tradicional.
La rotura del cable de acero, las grietas en el carril y la deformación del gancho constituyen los tres riesgos de seguridad más críticos en un puente grúa. La inspección visual tradicional depende de la experiencia del personal, presenta una baja cobertura y una escasa consistencia en los criterios, y la inspección de una sola grúa puede requerir entre 2 y 4 horas. Teniendo en cuenta los requisitos cuantitativos de inspección visual del cable de acero establecidos en la norma GB/T 5972-2016 y en la ISO 4309:2017, así como los intervalos de inspección de componentes críticos definidos en la norma ISO 4301, la adopción de tecnología de inspección por visión con IA para lograr una identificación totalmente automática y continua de defectos superficiales se ha convertido en una tendencia ineludible en la gestión inteligente de aparatos de elevación.
El sistema de inspección por visión con IA para puentes grúa se compone de tres módulos: un conjunto de cámaras industriales, un terminal de inferencia de IA en el borde y una plataforma de gestión en la nube. El sistema instala cámaras industriales de alta resolución en puntos clave como el paso del cable de acero en el mecanismo de elevación, el recorrido del carril de rodadura del puente y el cuello del gancho, capturando datos de imagen en tiempo real. Los modelos de deep learning desplegados en dispositivos de Computación en el Borde realizan la inferencia en milisegundos, y los resultados de detección junto con las anotaciones de defectos se sincronizan con la plataforma de gestión, logrando la transición de un mantenimiento reactivo a una alerta temprana proactiva.
Arquitectura del modelo de deep learning y algoritmos principales
El sistema emplea una arquitectura en cascada de doble modelo YOLOv8+SegFormer. YOLOv8 se encarga de la localización rápida y clasificación de defectos a nivel de objeto, incluyendo la detección de rotura de alambres del cable, la marcación de áreas con indentaciones en el carril y la detección de anomalías en la abertura del gancho, con una precisión de detección mAP@0.5 del 95,3 %.
El modelo de segmentación semántica SegFormer está especializado en tareas que requieren precisión a nivel de píxel, como microgrietas superficiales, proporción de área con corrosión y grado de desgaste, alcanzando un mIoU del 82,7 %. Los resultados de inferencia de ambos modelos se combinan mediante un módulo de fusión por votación de diseño ligero, reduciendo la tasa de falsos positivos del 6,8 % al 1,9 %.
Para cumplir con los requisitos de tiempo real en entornos industriales, el modelo se cuantifica con TensorRT FP16 y se despliega en el módulo de Computación en el Borde NVIDIA Jetson Orin NX. El tiempo de inferencia por fotograma se mantiene por debajo de 12 ms, y la velocidad de procesamiento del flujo de video alcanza los 83 FPS, cubriendo completamente las necesidades de detección en tiempo real durante el funcionamiento de todos los mecanismos del puente grúa.
El entrenamiento del modelo utiliza un conjunto de datos propio de defectos en puentes grúa, que incluye cuatro tipos de defectos típicos —rotura de alambres del cable de acero, grietas en el carril, deformación del gancho y arcos eléctricos en la Línea de Alimentación— con un total de 82 000 imágenes anotadas, divididas en conjuntos de entrenamiento, validación y prueba en una proporción de 7:2:1.
Comparativa de rendimiento: inspección manual tradicional frente a inspección por visión con IA
| Elemento de comparación | Método tradicional manual Inspección | AIsistema de inspección por visión |
|---|---|---|
| Método de detección | Inspección visual+Calibre+Lupa Manual Inspección | 4Kcámara industrial Captura automática+AIInferencia en tiempo real |
| Por unidad Inspección Tiempo requerido | 2~4horas(Requiere parada de máquina) | En línea en tiempo real, Sin parada de máquina |
| Cable de Acero Tasa de detección de rotura de cable | aproximadamente40%~60%(Afectado por iluminación y experiencia) | ≥95.3%(YOLOv8+Seg Former Fusión) |
| Grietamínimo Tamaño mínimo detectable | ≥0.3mm(Asistido por lupa) | ≥0.1mm(4KImagen+Superior aresolución Mejora) |
| Detección Frecuencia | Mensual/Trimestral Inspección Periódica | Generación automática diaria Detección Informe |
| Referencia Norma | GB/T 5972-2016 Requisitos de inspección visual | GB/T 28264 — Sistema de Monitoreo y Gestión de Seguridad-2017 Monitoreo Arquitectura del sistema |
Parámetros clave de rendimiento y especificaciones técnicas
Los indicadores principales del sistema de inspección por visión con IA abarcan tres dimensiones: precisión de detección, velocidad de inferencia y adaptabilidad ambiental. En cuanto a la precisión de detección, el sistema alcanza un mAP de 95,3 % para roturas de Cable de Acero, 92,1 % para Grietas en Carriles, 97,6 % para Deformación del Gancho y 94,8 % para arcos eléctricos en la Línea de Alimentación.
En cuanto a la velocidad de inferencia, el tiempo de procesamiento por fotograma en el dispositivo periférico es de 12 ms, con soporte para procesamiento paralelo de hasta 6 flujos de video. En cuanto a la adaptabilidad ambiental, el sistema utiliza iluminación infrarroja cercana de 850 nm para garantizar la detección normal en entornos de baja luminosidad de 0 a 20 lux. Las cámaras cuentan con un Grado de Protección (IP) IP67 y soportan un rango de temperatura de funcionamiento de -20 °C a 60 °C.
Tareas de detección de múltiples Defectos y construcción del conjunto de datos
El sistema cubre los Defectos superficiales típicos de los cuatro componentes principales del puente grúa. La detección de Defectos en el Cable de Acero se centra en tres categorías: roturas de alambre, reducción del diámetro por Desgaste y área de Corrosión. Según las reglas de criterio de desecho de la Norma GB/T 5972-2016, el modelo de IA emite directamente el Grado de Defecto.
La detección de Defectos en los Carriles abarca tres dimensiones: Grietas en la superficie del Carril, profundidad de las marcas de presión y Desgaste lateral de la cabeza del Carril, evaluadas según la Norma de Aceptación de la Norma GB/T 10183-2018 sobre tolerancias de instalación de ruedas y carriles. La detección de Defectos del Gancho se centra en dos indicadores principales: la tasa de cambio de la abertura y la longitud de las Grietas superficiales. La detección de Defectos en la Línea de Alimentación se centra en el monitoreo en línea del Desgaste de la Escobilla de carbón y las marcas de quemaduras por arco eléctrico.
La construcción del conjunto de datos combina la recopilación en fábricas reales con el aumento de datos sintéticos. Se desplegaron dispositivos de recopilación temporales en tres tipos de entornos de usuario típicos: siderurgia, Puerto y energía, obteniendo 42 000 imágenes originales. Se generaron 40 000 muestras aumentadas con múltiples condiciones de iluminación y Ángulos mediante redes generativas antagónicas (GAN), lo que resuelve eficazmente el problema de la distribución de cola larga de Defectos naturalmente escasos en entornos industriales. La anotación de datos utiliza un formato de segmentación poligonal, con un tiempo promedio de anotación de 15 minutos por imagen, y la calidad se garantiza mediante una doble revisión realizada por ingenieros de Inspección de aparatos de elevación y anotadores de IA.
Implementación periférica y optimización del rendimiento
Configuración de cómputo — La plataforma de inferencia periférica utiliza el módulo NVIDIA Jetson Orin NX de 16 GB, que ofrece hasta 100 TOPS de potencia de cómputo con precisión FP16, satisfaciendo los requisitos de procesamiento en tiempo real de múltiples flujos de video.
Optimización de la inferencia — El modelo utiliza el motor de optimización TensorRT para fusionar operadores y optimizar la memoria de YOLOv8 y SegFormer, reduciendo la latencia de inferencia de 267 ms originales a 12 ms, una compresión de 22,3 veces.
Mecanismo de tolerancia a fallos — El sistema admite el modo de respaldo ONNX Runtime, cambiando automáticamente al motor ONNX en escenarios extremos donde TensorRT no está disponible, garantizando la continuidad de la función de detección.
Durante la implementación en campo, las cámaras se sincronizan con el movimiento de la Maquinaria del puente grúa mediante disparo por Encoder. El conjunto de cámaras del Cable de Acero se instala en la Viga Transversal superior del mecanismo de elevación, el conjunto de cámaras de los Carriles se instala a ambos lados de la plataforma del Carro, y el conjunto de cámaras del Gancho se instala en una posición de vista superior debajo de la Cabina del Operador. Todas las cámaras se conectan mediante cables de red industrial Ethernet a la caja de Computación en el Borde de protección más cercana, y los datos agregados se cargan a la plataforma de gestión en la nube a través de 4G/5G o redes cableadas. De acuerdo con los requisitos de interfaz de datos de la Norma GB/T 28264-2017 sobre el sistema de monitoreo y gestión de seguridad para aparatos de elevación, la plataforma proporciona una API REST estándar para la integración con sistemas MES y EAM.
Ubicación de instalación del sistema de inspección por visión con IA y parámetros de detección
| Ubicación de instalación | Tipo de cámara | Detección Objetivo | mínimo Defecto Tamaño mínimo detectable |
|---|---|---|---|
| mecanismo de elevación Viga Transversal | 4KCámara de línea | Cable de Acero Rotura de cable/Desgaste/Corrosión | 0.1mm Rotura de cable |
| Carro Ambos lados de la plataforma | 4KCámara de área | Carril Grieta/Marca de presión/Desgaste excéntrico | 0.2mm Grieta |
| Cabina del Operador Parte inferior | Cámara estéreo binocular | abertura del gancho Mensual/Deformación/Grieta | 0.05mm Apertura |
| Línea de Alimentación A lo largo de la línea | Cámara termográfica infrarroja | Escobilla de carbón Arco eléctrico/Mal contacto | 10°CUmbral de elevación de temperatura |
Ventajas del sistema y retorno económico
El valor fundamental del sistema de inspección por visión con IA reside en transformar las fracturas imprevisibles en alertas tempranas gestionables. El sistema puede emitir una alerta de sustitución del cable cuando el número de alambres rotos alcanza el 80% del criterio de desecho establecido en la norma GB/T 5972-2016, detectando defectos incipientes entre 7 y 30 días antes que la inspección mensual tradicional.
Tomando como ejemplo una acería con producción anual de 1 millón de toneladas, las pérdidas por parada debidas a una única fractura de cable oscilan entre 300.000 y 800.000 CNY (aproximadamente 38.400 a 102.500 EUR). El sistema de inspección con IA puede reducir la tasa de incidentes por rotura de cable en más de un 85%, evitando una media de 2 a 3 averías graves al año.
En cuanto a los costes de mantenimiento, el sistema puede asumir entre el 50% y el 70% de las tareas de inspección manual, reasignando al personal cualificado desde la inspección rutinaria hacia labores de revisión, análisis y evaluación profunda, optimizando así la eficiencia del uso de los recursos humanos.
El coste total del ciclo de vida del sistema (incluyendo mantenimiento de cámaras, iteración de modelos y alquiler de capacidad de cómputo) es de aproximadamente 60.000 a 100.000 CNY (unos 7.700 a 12.800 EUR) por puente grúa y año, mientras que las pérdidas de un solo incidente grave pueden cubrir la inversión del sistema durante 3 a 5 años. Además, los datos operativos del sistema retroalimentan la optimización iterativa de los modelos, creando un ciclo de mejora continua impulsado por los datos.
Preguntas frecuentes sobre el sistema de visión
P: ¿Puede la inspección por visión con IA sustituir por completo la inspección manual de cables de acero?
R: No puede sustituirla por completo. La visión con IA puede reemplazar la inspección visual rutinaria y parte de las revisiones mensuales, pero según lo dispuesto en la norma GB/T 5972-2016, la inspección anual exhaustiva y la determinación del desecho del cable de acero deben ser realizadas por inspectores cualificados. El sistema de IA puede ampliar significativamente los intervalos de inspección manual, automatizando la inspección mensual, de modo que los inspectores solo necesiten revisar las imágenes anómalas que el sistema les remite.
P: ¿Cómo mantiene el sistema su precisión de detección en entornos adversos como polvo o grasa?
R: El sistema emplea tres medidas de protección contra interferencias: las lentes de las cámaras incorporan un dispositivo de soplado con cortina de aire a alta presión para evitar la acumulación de polvo; los datos de entrenamiento incluyen muestras simuladas de obstrucción por grasa y ensuciamiento de lentes (que representan el 12% del conjunto de entrenamiento); y el modelo posee capacidad de eliminación adaptativa de ruido. En pruebas de campo realizadas en talleres de fundición metalúrgica con una concentración de polvo de 5 mg/m³, la precisión de detección no disminuyó más de 3 puntos porcentuales.
P: ¿Cómo se adapta el modelo a los requisitos de detección específicos de puentes grúa de diferentes fabricantes y modelos?
R: El sistema utiliza una estrategia de aprendizaje por transferencia. El modelo base preentrenado solo necesita la recopilación de 500 a 1000 imágenes in situ en las instalaciones del nuevo cliente para completar el ajuste fino, con un periodo de adaptación de 5 a 7 días laborables. Con más de 120 sistemas de inspección por visión con IA desplegados en todo el país, se ha acumulado una amplia biblioteca de modelos de adaptación a diversos escenarios.
P: ¿Cómo se integran los datos del sistema con el sistema de monitoreo y gestión de seguridad existente en el puente grúa?
R: El sistema admite API REST estándar y protocolo MQTT. Los resultados de detección y las imágenes de defectos se envían en tiempo real a plataformas de terceros en formato JSON. De acuerdo con la especificación de interfaz de datos de monitoreo de la norma GB/T 28264 — Sistema de Monitoreo y Gestión de Seguridad, el sistema proporciona datos en cuádruple formato: nivel de defecto, coordenadas de ubicación, marca de tiempo y URL de la imagen original, lo que permite una integración perfecta con el sistema de monitoreo y gestión de seguridad del puente grúa y con la plataforma EAM de la empresa.
— Kelude está especializada en el campo de la inspección inteligente de puentes grúa, con más de 120 sistemas de inspección por visión con IA entregados, que cubren los cuatro objetos de inspección principales: cable de acero, carril, gancho y línea de alimentación. Para obtener más información sobre la aplicación de la norma GB/T 5972-2016 sobre mantenimiento, inspección y desecho de cables de acero para grúas, y sobre la norma ISO 4301 / FEM 1.001 (equivalente a la ISO 4301 / FEM 1.001) en soluciones de inspección con IA, no dude en ponerse en contacto con el equipo técnico de Kelude.
