Mantenimiento Predictivo en Puentes Grúa: Vida Residual de Rodamientos
El sistema PHM (Prognostics and Health Management, Gestión de Pronósticos y Salud) para grúas es una solución inteligente de mantenimiento que monitoriza en tiempo real el estado operativo de los componentes críticos del puente grúa mediante sensores de vibración, temperatura y corriente. Utiliza modelos de aprendizaje profundo CNN/RNN y métodos de ajuste de curvas de degradación para predecir la vida útil restante (RUL, Remaining Useful Life). El sistema PHM puede alertar con 7 a 90 días de antelación sobre fallos progresivos como desgaste de engranajes del reductor, fatiga de rodamientos y deterioro del aislamiento del motor, reduciendo las paradas no planificadas en más de un 70%.
Distribución de sensores en el sistema PHM
El sistema de monitoreo PHM para grúas cubre seis subsistemas principales: reductor, motor, rodamientos de rueda, freno, cable de acero y viga principal. Los sensores de vibración (acelerómetros) se instalan en dirección horizontal y vertical en cada punto de medición, mientras que los sensores de temperatura (termopares Pt100) se integran en el depósito de aceite del reductor y en los devanados del motor. Los datos de capacidad de elevación, recorrido y velocidad del viento ya integrados en el sistema de monitoreo y gestión de seguridad de la grúa (consulte la solución de monitoreo y gestión de seguridad) pueden conectarse directamente al canal de datos del PHM.
| DetecciónObjeto | Tipo de sensor | Ubicación de instalación | MuestreoFrecuencia | Banda de frecuencia característica | Alerta tempranaParámetro |
|---|---|---|---|---|---|
| ElevaciónReductor | ICPAdiciónvelocidad±50g | Eje de Entrada+Eje de SalidaSoporte de Rodamiento | 12.8kHz | 500~4000Hz | Amplitud del espectro de envolvente>2g |
| OperaciónReductor | ICPAdiciónvelocidad±20g | Eje de SalidaSoporte de Rodamiento | 6.4kHz | 200~2000Hz | RMSIncremento de velocidad>50%/Mes |
| rodamiento del motor | velocidadSensor±100mm/s | Lado de accionamiento+Lado no accionamiento | 12.8kHz | 1k~10kHz | Factor de cresta>7 |
| Eje de RuedaRodamiento | Adiciónvelocidad±50g | Tipo angularcaja de rodamiento | 6.4kHz | 500~5000Hz | Curtosis>4 |
| Viga PrincipalEsfuerzo | ResistenciaGalgas extensiométricas | Centro del vano+1/4Vano | 100Hz | DC~20Hz | Sobrepaso de esfuerzo>30% |
| FrenoHolgura | Sensor de Desplazamiento±5mm | Zona del actuador | 1Hz | DC~5Hz | Holgura>3mm |
Análisis de señales de vibración y extracción de características
2.1 Análisis en dominio temporal y frecuencial
La señal de vibración original se somete a filtrado antisolapamiento y ventaneo antes de extraer tres tipos de características: características temporales (RMS, factor de cresta, curtosis, factor de forma), características frecuenciales (amplitudes de la envolvente espectral en las frecuencias características del rodamiento BPFI/BPFO/BSF) y características tiempo-frecuencia (espectro de energía de paquetes wavelet). El RMS refleja la intensidad global de la vibración; cuando supera la zona C de la norma ISO 10816-3 (11 mm/s), se activa una alerta de nivel de atención. Si la amplitud de la envolvente espectral en la frecuencia característica del rodamiento supera 2 g, se dispara la alarma.
2.2 Patrones espectrales de fallos típicos en reductores de puente grúa
| Tipo de fallo | CaracterísticaFrecuenciaFórmula | Banda de frecuencia típica | Característica de bandas laterales | Característica en el dominio del tiempo |
|---|---|---|---|---|
| Picadura en dientes | EngraneFrecuenciafm=Z×fr | 500~2000Hz | ±frBandas laterales | Periodo de pulso de impactoT=1/fr |
| Raíz del dienteGrieta | fmde2~4Armónicos múltiples | 1000~4000Hz | Rico en armónicos | Amplitud de pulso>RMS×5 |
| RodamientoAro ExteriorFallo | BPFO=0.5N×fr×(1-Bd/Pd×cosα) | 1k~5kHz | ±frModulación | Espectro de envolvente claro |
| RodamientoAro InteriorFallo | BPFI=0.5N×fr×(1+Bd/Pd×cosα) | 1k~5kHz | ±frModulación(Modulación de amplitud) | RotaciónModulación direccional |
| Eje noalineación de ejes | 2×frDominante | 50~200Hz | — | Alta vibración axial |
Curva de Degradación y Predicción de Vida Residual
El sistema PHM emplea un modelo de degradación en tres fases: fase de salud (RMS<2mm/s), fase de degradación (RMS en aumento continuo, pendiente>0,5mm/s/mes) y fase de fallo (RMS>11mm/s o amplitud del espectro de envolvente>2g). Durante la fase de degradación, se utiliza un modelo Bi-LSTM para ajustar la tendencia del RMS y extrapolar la vida residual (RUL), con una precisión de predicción de ±15% (validada con 200 conjuntos de datos de ciclo de vida completo de reductores de puente grúa). Para la alerta temprana de sustitución del cable de acero, se emplea un algoritmo combinado de Bayes + acumulación de fatiga, con una ventana de predicción de 7 a 30 días y una precisión superior al 85%. En la actualización y reforma inteligente del puente grúa (ver Plan de actualización inteligente para puentes grúa), el sistema PHM se implementa normalmente como nodo de computación en el borde, compartiendo recursos de inferencia con la visión por IA y el sistema de antibalanceo por IA.
Tras la implementación del sistema PHM en un puente grúa de fundición de 32t en una acería, el desgaste del engranaje del reductor de elevación se detectó con 45 días de antelación, lo que permitió planificar activamente la compra de repuestos y las ventanas de parada, evitando las pérdidas de 4 horas de producción por fallos imprevistos. En un año, las paradas no planificadas relacionadas con el reductor se redujeron de un promedio de 8 a 1.
Ventajas del Sistema PHM de Kelude
El sistema PHM para puentes grúa de Kelude se adapta a todas las marcas y modelos. Los sensores de vibración se despliegan de forma inalámbrica (comunicación LoRaWAN, duración de batería>3 años), la puerta de enlace perimetral viene precargada con modelos de inferencia CNN+Bi-LSTM, y admite el cálculo de OEE, el análisis de códigos de falla asociados y la predicción de repuestos. El sistema genera informes diarios/semanales/mensuales, y las alertas se envían directamente al personal de mantenimiento a través de WeChat Empresarial/SMS. Kelude ofrece una inspección in situ gratuita y una evaluación de viabilidad del PHM para determinar la ubicación óptima de los sensores en cada punto de medición.
Lectura adicional: Sistema SHM para puentes grúa — El sistema de monitoreo de salud estructural para puentes grúa y el sistema de mantenimiento predictivo están estrechamente relacionados. El SHM se centra en la estructura de acero (deformación de la viga principal, fatiga del cordón de soldadura), mientras que el PHM cubre los componentes de transmisión mecánica (caja de engranajes, rodamientos, cable de acero). Ambos se complementan para formar un sistema completo de gestión de la salud del equipo.
Lectura adicional: Mantenimiento con IA de Grandes Modelos — El sistema PHM de mantenimiento predictivo evalúa el estado de salud del equipo mediante análisis de vibraciones y modelos de IA. El asistente de mantenimiento con IA de grandes modelos incorpora además una base de conocimiento RAG y la interacción en lenguaje natural, permitiendo a los técnicos consultar los procedimientos de resolución de fallos mediante conversación directa.
Lectura adicional: Inspección Visual de Cordones de Soldadura con IA — El sistema PHM de mantenimiento predictivo para grúas cubre la gestión de la salud de los componentes de transmisión mecánica, mientras que la inspección visual de cordones de soldadura con IA se centra en la calidad de la soldadura de la viga principal, reduciendo los riesgos estructurales desde el origen de la fabricación.
Preguntas Frecuentes
P: ¿Cuáles son las funciones principales de un sistema PHM para grúas?
R: Las funciones principales incluyen: monitoreo de condición en tiempo real (vibración, temperatura, lubricante), diagnóstico de fallas (análisis en dominio de tiempo/frecuencia + identificación por IA), predicción de vida útil (estimación de la vida residual RUL) y decisiones de mantenimiento (mantenimiento basado en condición CBM). Los sensores se instalan generalmente en puntos críticos como la caja de engranajes, el soporte de rodamiento y el motor.
P: ¿Qué algoritmos se utilizan comúnmente para la predicción de la vida útil de los rodamientos?
R: Los métodos más comunes incluyen: modelos basados en física (fórmula de Paris, vida L10), métodos basados en datos (CNN/LSTM/Transformer) y métodos híbridos (física + datos). En la práctica industrial, LSTM con mecanismo de atención ofrece buenos resultados, con un error de predicción controlable dentro de ±15%.
P: ¿Qué normas cumple el sistema PHM?
R: El monitoreo de condición se refiere a la serie ISO 13373 (vibración) e ISO 18436 (certificación de personal de diagnóstico). El mantenimiento predictivo se basa en ISO 13374 y en la norma china GB/T 36377 sobre monitoreo y diagnóstico de condición de maquinaria.
Mantenimiento predictivo de grúas y sistemas PHM: predicción de la vida útil de rodamientos y reductores mediante análisis de vibraciones e IA
La fiabilidad de una grúa depende en gran medida del estado de sus componentes críticos: reductores, motores, ruedas y rodamientos. Un fallo imprevisto en uno de estos elementos puede provocar paradas de producción costosas y, en el peor de los casos, accidentes graves. Para abordar este desafío, los sistemas de Gestión de Salud y Pronóstico de Fallos (PHM) se han convertido en una solución clave en el mantenimiento industrial moderno.
Un sistema PHM para grúas utiliza una red de sensores de vibración para monitorizar de forma continua el estado operativo de estos componentes. Los datos recopilados se procesan mediante algoritmos avanzados de análisis espectral y modelos de aprendizaje profundo (CNN/RNN), lo que permite estimar con precisión la vida útil restante (RUL) de los elementos críticos. Esta información permite planificar las intervenciones de mantenimiento en el momento óptimo, evitando tanto fallos inesperados como sustituciones prematuras.
Esquema de colocación de sensores de vibración en grúas
La precisión del diagnóstico y la predicción depende en gran medida de una correcta ubicación de los sensores. Un esquema de colocación bien diseñado captura las señales más representativas del estado de cada componente sin interferir en la operación de la grúa. A continuación, se detallan los puntos de medición recomendados:
| Componente crítico | Ubicación del sensor | Parámetro a medir |
|---|---|---|
| Reductor principal | Carcasa del reductor, cerca del rodamiento de alta velocidad | Vibración global (mm/s), espectro de frecuencia |
| Motor de elevación | Carcasa del motor, lado del ventilador y lado de acoplamiento | Vibración, temperatura, corriente |
| Ruedas de traslación | Soporte del rodamiento de la rueda | Vibración, temperatura |
| Rodamientos de los tambores | Soporte del rodamiento del tambor | Vibración, emisiones acústicas |
La selección del tipo de sensor (acelerómetro piezoeléctrico, sensor de velocidad, etc.) y su rango de frecuencia debe adaptarse a las características de cada punto de medición. Por ejemplo, los rodamientos de alta velocidad generan vibraciones de alta frecuencia, mientras que los problemas de desalineación o desequilibrio se manifiestan en frecuencias más bajas.
Análisis espectral para la detección de fallos en rodamientos
El análisis espectral de la señal de vibración es una herramienta fundamental para identificar el tipo y la severidad de un fallo incipiente. Cada defecto en un rodamiento (picaduras en pistas, grietas en elementos rodantes, etc.) genera frecuencias características específicas, que pueden detectarse en el espectro de vibración.
Las frecuencias de paso de los elementos rodantes (BPFO, BPFI, BSF, FTF) son los indicadores clave. Un aumento en la amplitud de estas frecuencias, o la aparición de sus armónicos, indica la presencia de un defecto localizado. Además, la modulación de la señal a la frecuencia de rotación del eje puede revelar problemas de holgura o desalineación.
Para una monitorización eficaz, se recomienda combinar el análisis espectral clásico (FFT) con técnicas más avanzadas como la envolvente (envelope analysis) o el análisis de cepstrum, especialmente en etapas tempranas del fallo, donde las señales son débiles y están enmascaradas por el ruido de fondo.
Modelado de curvas de degradación y predicción de vida útil restante (RUL)
El objetivo final del sistema PHM es predecir la vida útil restante (RUL) de los componentes críticos. Para ello, se construye un modelo de degradación que relaciona las características extraídas de la señal de vibración (tendencias de amplitud, evolución de frecuencias características, etc.) con el estado de salud del componente.
El proceso de modelado sigue estos pasos:
La precisión de la predicción depende de la calidad y cantidad de los datos de entrenamiento, así como de la representatividad de las condiciones operativas. Por ello, es fundamental registrar no solo las señales de vibración, sino también las condiciones de carga y el ciclo de trabajo de la grúa.
Integración de modelos CNN/RNN en el mantenimiento predictivo
Los modelos de aprendizaje profundo, como las redes neuronales convolucionales (CNN) y las redes neuronales recurrentes (RNN), han demostrado un gran potencial en el análisis de series temporales de vibración. Las CNN son especialmente eficaces para extraer automáticamente características relevantes de los espectros de frecuencia, mientras que las RNN (como las LSTM) son adecuadas para modelar la dependencia temporal de la degradación.
En la práctica, es común combinar ambos enfoques: una CNN procesa las ventanas de espectros de frecuencia para extraer características, y una RNN modela la evolución de estas características a lo largo del tiempo para predecir la RUL. Esta arquitectura híbrida permite capturar tanto los patrones espaciales en el espectro como la dinámica temporal del proceso de degradación.
La implementación de estos modelos requiere una infraestructura de datos robusta, con capacidad de almacenamiento y procesamiento en tiempo real. Los sistemas modernos de monitorización de grúas integran estas capacidades en plataformas de borde (edge computing) o en la nube, permitiendo un análisis continuo y la generación de alertas automáticas.
Preguntas frecuentes sobre sistemas PHM en grúas
P: ¿Qué ventajas ofrece un sistema PHM frente al mantenimiento preventivo tradicional?
R: El mantenimiento preventivo se basa en intervalos fijos, lo que puede provocar intervenciones innecesarias o fallos antes de la revisión programada. Un sistema PHM permite intervenir solo cuando el estado del componente lo requiere, optimizando los costes de mantenimiento, reduciendo las paradas no planificadas y extendiendo la vida útil de los equipos.
P: ¿Qué tipo de sensores se necesitan para implementar un sistema PHM en una grúa?
R: Generalmente se utilizan acelerómetros piezoeléctricos o sensores de velocidad de vibración, instalados en los puntos críticos (reductores, motores, rodamientos). También pueden integrarse sensores de temperatura, corriente y emisiones acústicas para enriquecer el diagnóstico. La selección específica depende de las características de la grúa y de los componentes a monitorizar.
P: ¿Es necesario disponer de datos históricos de fallos para entrenar los modelos de predicción?
R: Sí, los modelos de aprendizaje automático requieren datos históricos de componentes que han fallado para aprender los patrones de degradación. En ausencia de estos datos, se pueden utilizar técnicas de aprendizaje no supervisado para detectar anomalías, aunque la precisión de la predicción de RUL será menor.
P: ¿Qué precisión se puede esperar en la predicción de la vida útil restante?
R: La precisión varía en función de la calidad de los datos, la representatividad de las condiciones operativas y la complejidad del modelo. En aplicaciones industriales bien instrumentadas, se pueden lograr predicciones con un margen de error aceptable para la planificación del mantenimiento, pero siempre es recomendable combinar la predicción con inspecciones periódicas y análisis de expertos.
P: ¿Cuál es el coste de implementación de un sistema PHM en una grúa existente?
R: El coste depende del número de puntos de medición, el tipo de sensores, la infraestructura de adquisición de datos y el software de análisis. Para una grúa de tamaño medio, la inversión inicial puede ser significativa, pero suele amortizarse rápidamente gracias a la reducción de paradas no planificadas y al aumento de la vida útil de los componentes.
P: ¿Qué mantenimiento requiere el propio sistema PHM?
R: Los sensores deben ser calibrados periódicamente y verificados para asegurar la calidad de las mediciones. Además, los modelos de predicción deben ser reentrenados con nuevos datos para adaptarse a cambios en las condiciones operativas o en el estado de la máquina.
