Mantenimiento Predictivo con IA en Puentes Grúa: del CMS al PHM
Ideas clave
El mantenimiento de grúas está evolucionando del enfoque tradicional de «reparar cuando se avería» hacia el Mantenimiento Predictivo (PHM). El sistema de monitoreo de condición (CMS) resuelve el problema de «ver»: permite la adquisición en tiempo real de datos como la temperatura del motor, la vibración del reductor y el desgaste del freno. La incorporación de la IA resuelve el problema de «interpretar»: mediante modelos entrenados con datos históricos, es capaz de emitir una alerta temprana 30 días antes de que se produzca el fallo. Tras la implantación del sistema de planificación con IA en CITIC Heavy Industries, la tasa de digitalización de los datos de producción principales alcanzó el 100%, y la tasa de alerta temprana de alto riesgo superó el 90%. Para una planta con una producción anual de más de 100 millones de euros, las pérdidas por una avería repentina del reductor (3-5 días de parada) suelen superar la inversión total en el sistema PHM. En 2026, el coste del hardware para el Mantenimiento Predictivo con IA se ha reducido a entre 30.000 y 80.000 € por equipo, lo que lo hace accesible no solo para grandes empresas, sino también para pymes.
En 2026, una de las palabras clave del sector de la grúa es «pasar de vender equipos a vender servicios». Y la capacidad central de este servicio es el Mantenimiento Predictivo: ayudar al cliente a evitar paradas inesperadas. Este artículo desglosa el enfoque técnico que va del CMS al PHM, los costes de implantación y el retorno real de la inversión.
Del CMS 1.0 al PHM 2.0: evolución de la arquitectura técnica
| Dimensión de Comparación | CMS 1.0(Monitoreo de Condición) | PHM 2.0(Mantenimiento Predictivo) |
|---|---|---|
| Funciones principales | adquisición de datos+Alarma de umbral(Alarma roja de vibración excesiva) | AIPredicción de tendencias+vida residual Estimación(30días después Engranajeposible Fallo) |
| Sensorcantidad | 8~12unidades(vibración×4, temperatura×4, Corriente×2) | 12~20unidades(aumento de partículas en el aceite, emisión acústica, desplazamiento) |
| procesamiento de datos | local PLCComputación en el Borde alarma activada por umbral | borde AIinferencia + nubeentrenamiento del modelo Predicción de tendencias |
| alerta tempranaoportunidad | horas antes de la falla(alarma de exceso en tiempo real) | antes de la falla7~30días(desviación de tendenciaalerta temprana) |
| costo de hardware | 1~3diez mil yuanes/unidad | 3~8diez mil yuanes/unidad(incluyepuerta de enlace de IA perimetral) |
| tarifa de servicio anual | 0.3~0.5diez mil yuanes/unidad | 0.8~1.5diez mil yuanes/unidad(incluye actualización de modelos+expertos Diagnóstico) |
Avance tecnológico clave: El coste de los chips de IA perimetral (como Huawei Ascend Atlas 200 y NVIDIA Jetson Orin) ha descendido aproximadamente un 40 %–50 % en los últimos dos años, lo que hace económicamente viable desplegar una unidad de inferencia de IA independiente en cada grúa. Antes era necesario enviar los datos a la nube para su análisis (con alta latencia y elevados costes de transferencia), mientras que ahora el análisis espectral, la predicción de tendencias y la clasificación de fallos pueden realizarse localmente.
¿Qué supervisa el PHM? Lógica de alerta en los cuatro componentes principales
① Reductor — espectro de vibración + granulometría del aceite
El reductor es el componente más caro de la grúa y el que mayores consecuencias conlleva en caso de fallo (paradas de producción de 3 a 5 días). El sistema PHM adquiere el espectro de vibración en los extremos de entrada y salida del reductor mediante sensores de vibración triaxiales. El modelo de IA compara automáticamente la línea base normal para identificar las frecuencias características tempranas de picaduras en engranajes, rotura de dientes y daños en la jaula del rodamiento. Paralelamente, se monitoriza la concentración de partículas ferromagnéticas en el aceite (ppm); la validación cruzada de ambos parámetros permite adelantar la alerta de fallo del engranaje a 30–45 días.
② Freno — distancia de frenado + curva de aumento de temperatura
El desgaste del freno es un proceso progresivo e irreversible. El sistema PHM establece una curva de tendencia de desgaste monitorizando el tiempo y la distancia de frenado en cada operación (calculados mediante la retroalimentación del encoder). Cuando la distancia de frenado se desplaza de los 320 mm normales a 380 mm (lo que corresponde a un desgaste del forro de fricción de aproximadamente 2 mm), el sistema emite una alerta de sustitución con 2 a 4 semanas de antelación. Asimismo, se monitoriza la velocidad de aumento de temperatura de la bobina del freno: una aceleración anómala del calentamiento suele indicar fatiga del resorte o una holgura anormal.
③ Motor — armónicos de corriente + campo térmico
Los fallos eléctricos como cortocircuitos entre espiras en el devanado del estátor o rotura de barras del rotor presentan características armónicas claras en el espectro de corriente (bandas laterales al doble de la frecuencia de deslizamiento). El sistema PHM capta la señal de corriente a la salida del variador de frecuencia y, mediante análisis FFT, identifica automáticamente los precursores de fallos eléctricos. Sensores de temperatura infrarrojos monitorizan el gradiente térmico en la tapa del motor, el soporte del rodamiento y el núcleo del estátor; una diferencia anómala de temperatura (>15 °C) suele indicar fallo de lubricación del rodamiento.
④ Cable de acero — fuga de flujo magnético + recuento de alambres rotos
La inspección de cables tradicionalmente depende de la revisión visual manual combinada con ensayos no destructivos periódicos (generalmente cada 6–12 meses). El sistema PHM instala sensores de flujo magnético en el lateral del tambor para monitorizar en línea las variaciones del flujo magnético cuando el cable pasa a través de ellos: las roturas de alambre y las pérdidas de sección generan picos característicos en la señal de flujo magnético. El modelo de IA cuenta automáticamente el número de alambres rotos y su posición, emitiendo una alerta temprana antes de alcanzar la norma de desecho establecida por la norma ISO 4309.
Retorno de inversión: ¿cuántos sistemas PHM cubre una sola parada imprevista?
Tomemos como ejemplo un puente grúa biviga de 50 t (clase de funcionamiento A5, 4000 horas anuales de operación):
| elemento de comparación | sin PHM | con PHM | ahorro |
|---|---|---|---|
| parada no planificada(veces/año) | 1~2veces | 0~0.5veces | reducción80%+ |
| pérdida por parada individual | pérdida por cese de producción3~5días×producción diaria promedio | reemplazo preventivo solo requiere4~8horas antes de la falla | — |
| reductor Ciclo de Revisión General | 3~5año(norma nacionalflanco de diente blando) | extendido a10año+(detección temprana de picaduras microscópicas) | ahorro1~2veces Revisión general=6~16diez mil |
| inventario de repuestos | stock basado en experiencia(inventario excesivo) | segúnvida residualcompra precisa | reducción de inventario30%~50% |
| costo integral anual | mantenimiento+pérdida por cese de producción≈8~15diez mil | mantenimiento+PHMtarifa de servicio anual≈4~6diez mil | ahorro anual4~9diez mil |
La inversión en hardware PHM oscila entre 30.000 y 80.000 € por unidad, con un ahorro anual de 40.000 a 90.000 €, lo que sitúa el periodo de recuperación en aproximadamente 1 o 2 años. En plantas siderúrgicas o de metales no ferrosos con una producción anual superior a 500 millones de € (que suelen disponer de 20 a 50 puentes grúa), el ahorro anual combinado de la implantación de PHM en toda la planta se sitúa entre 1 y 3 millones de €.
Preguntas frecuentes sobre PHM
P: ¿Qué requisitos de hardware de la grúa son necesarios para implantar PHM?
R: Se requiere al menos un control de velocidad totalmente por variador de frecuencia (la señal de corriente puede obtenerse directamente del variador) y un encoder absoluto para la retroalimentación de posición. Los puentes grúa antiguos con motor de rotor bobinado y control de velocidad por resistencias en serie requieren una reforma eléctrica previa, con un coste de entre 50.000 y 100.000 € por unidad. Esta es la razón por la que el aumento de la penetración del accionamiento totalmente por variador de frecuencia es un requisito previo para la expansión del PHM.
P: ¿Qué precisión tiene la predicción por IA? ¿Se producen falsas alarmas con frecuencia?
R: La precisión en la predicción de fallos del engranaje del reductor se sitúa entre el 85% y el 92% (en función del volumen de datos históricos), mientras que la detección de rotura de alambres del cable alcanza una precisión superior al 95%. Las falsas alarmas se concentran principalmente en las fases iniciales del entrenamiento del modelo (cuando los datos son insuficientes); tras más de 6 meses de funcionamiento, la tasa de falsas alarmas puede reducirse por debajo del 5%. Se recomienda adoptar un flujo transitorio de «alerta temprana por IA + verificación manual» durante los primeros 3 meses tras la puesta en marcha del PHM.
P: ¿Puede un fabricante de grúas de tamaño medio implantar PHM?
R: La integración de hardware es viable; los modelos de IA requieren la colaboración de socios especializados. La ruta recomendada es: realizar internamente la instalación de sensores y la adquisición de datos (parte de hardware), y colaborar con empresas de IA industrial SaaS (como Jiyun, Xuelang o Tianze Zhiyun) para el entrenamiento del modelo y el diagnóstico de fallos. De este modo se conserva el margen de beneficio del hardware y se obtiene la capacidad de IA.
P: ¿Qué relación existe entre PHM y el mantenimiento preventivo? ¿Puede sustituir la inspección manual?
R: No puede sustituirla por completo, pero permite reducir la frecuencia de inspección de una vez por turno a una vez al día. El PHM tiene como objetivo evolucionar del mantenimiento preventivo al mantenimiento basado en condición (CBM): el cambio de aceite ya no se realiza a intervalos fijos de 5000 horas, sino en función de los datos medidos de partículas en el aceite. La inspección manual reglamentaria debe mantenerse.
Lecturas recomendadas
Implantación de puente grúa sin operador — Monitoreo de Condición CMS
Nueva normativa de supervisión de seguridad — TSG 51 exige CMS obligatorio
Fuente de datos: ISO 13374 «Monitoreo de condición y diagnóstico» | Casos de proveedores de IA industrial | Plataforma de datos de digitalización de CITIC Heavy Industries | Recopilación del departamento técnico de Kelude
