Diagnóstico de Fallas con IA en Motores de Puente Grúa

Los motores de puente grúa representan más del 30% de las averías de la máquina completa: desgaste de rodamientos, rotura de barras del rotor y cortocircuitos en el estátor, cualquier fallo afecta directamente a la producción. La mayoría de las plantas mantienen una estrategia de "reemplazo cuando se estropea": se detiene el motor cuando humea o salta la protección, y una sola parada no planificada cuesta desde unos pocos miles hasta decenas de miles de euros.

El diagnóstico de fallas por IA no es nuevo, pero antes se basaba principalmente en sistemas expertos (reglas + umbrales), con alta tasa de falsas alarmas y escasa adaptabilidad. En los últimos dos años, el uso de 1D-CNN (red neuronal convolucional unidimensional) en el análisis de señales de vibración ha dado resultados sorprendentes: se coloca un sensor de vibración en el soporte de rodamiento del motor, la señal captada se alimenta directamente al modelo, sin extracción manual de características, y el propio modelo aprende los patrones de fallo. Cada motor lleva 2 o 3 sensores, la inferencia se ejecuta en un PC industrial, y un sistema gestiona de 10 a 20 motores.

Este artículo describe la solución completa, desde la selección del sensor hasta el despliegue del modelo. La inversión en hardware oscila entre 20.000 y 60.000 EUR (sensores + tarjeta de adquisición + PC industrial), y las pérdidas evitadas por paradas no planificadas en un solo motor al año ya amortizan la inversión.

Arquitectura del sistema de diagnóstico por vibración

El sistema de diagnóstico por IA para motores se divide en cuatro capas:

Selección e Instalación de Sensores

Sensor de Vibración: Se recomienda un acelerómetro piezoeléctrico tipo IEPE, con sensibilidad de 100 mV/g, rango de medición de ±50 g y respuesta de frecuencia de 0.5 a 10 kHz. Ubicación de instalación: soporte de rodamiento del lado del accionamiento (1 radial y 1 axial), soporte de rodamiento del lado no accionado (1 radial). La fijación se realiza mediante pernos de grado M6 o base magnética: la base magnética es más práctica, pero limita la frecuencia máxima a aproximadamente 2 kHz, mientras que la fijación con pernos permite alcanzar los 10 kHz. Se recomienda la fijación con pernos; aunque requiere 10 minutos adicionales, la calidad de la señal en altas frecuencias es notablemente superior.

Sensor de Corriente: Transformador de Corriente de tipo pinza, clase de precisión 0.5, con un rango de medición seleccionado al 1.5 veces la corriente nominal del motor. Se instala en el cable de alimentación trifásico para la detección de variaciones armónicas de corriente causadas por barras rotas del rotor.

Parámetros clave de los sensores:

Diseño y Entrenamiento del Modelo 1D-CNN

La principal ventaja del 1D-CNN es su capacidad para procesar directamente señales de vibración en el dominio del tiempo (1024 puntos/trama), sin necesidad de extracción manual de características como FFT o transformadas wavelet. La estructura de la red es la siguiente:

import torch.nn as nn class MotorCNN1D(nn.Module): def __init__(self, num_classes=4): super().__init__() self.conv1 = nn.Sequential( nn.Conv1d(1, 16, kernel_size=64, stride=8), nn.ReLU(), nn.MaxPool1d(2)) self.conv2 = nn.Sequential( nn.Conv1d(16, 32, kernel_size=32, stride=4), nn.ReLU(), nn.MaxPool1d(2)) self.conv3 = nn.Sequential( nn.Conv1d(32, 64, kernel_size=16, stride=2), nn.ReLU(), nn.AdaptiveAvgPool1d(1)) self.fc = nn.Linear(64, num_classes) def forward(self, x): x = self.conv1(x) x = self.conv2(x) x = self.conv3(x).squeeze() return self.fc(x)

Configuración del conjunto de datos de entrenamiento: condiciones normales de operación más tres tipos de fallas (desgaste de rodamiento, rotura de barras del rotor y cortocircuito en el estator), con 2000 muestras por categoría (1024 puntos/trama), divididas en conjuntos de entrenamiento, validación y prueba en proporción 7:2:1. Hiperparámetros de entrenamiento: batch=64, lr=0.001, epochs=100, optimizador Adam. El entrenamiento se completó en aproximadamente 15 minutos en una RTX3060, alcanzando una precisión del 96.8% en el conjunto de prueba.

# Código de inferencia model.eval() with torch.no_grad(): output = model(sensor_data.unsqueeze(0).unsqueeze(0)) pred = torch.argmax(output, dim=1).item() confidence = torch.softmax(output, dim=1)[0][pred].item() classes = {0: "Normal", 1: "desgaste de rodamientos", 2: "Rotura de barras del rotor", 3: "Cortocircuito del estator"} print(f"Diagnóstico: {classes[pred]} (Nivel de confianza: {confidence:.1%})")

Modos de Falla y Características Asociadas

Puntos clave de la ejecución del proyecto

1. La frecuencia de muestreo no siempre es mejor cuanto más alta. La información útil de la señal de vibración del motor se concentra por debajo de 10 kHz, por lo que una frecuencia de muestreo de 25,6 kHz es suficiente (cumple con el criterio de Nyquist con un factor de 2,56). Si se aumenta más, el volumen de datos se dispara pero la precisión del modelo no mejora; de hecho, puede empeorar debido a la entrada de ruido de alta frecuencia.

2. La ubicación de instalación determina la calidad de los datos. La amplitud de la señal puede variar de 3 a 5 veces entre instalar el sensor directamente sobre el soporte de rodamiento o en el lateral de la carcasa del motor. Una vez fijada la posición de instalación, no debe moverse arbitrariamente, ya que la desviación de la línea base provocaría falsas alarmas.

3. La variación de la velocidad de rotación requiere normalización. El motor de puente grúa utiliza Control de Velocidad por Frecuencia, con velocidades que varían de 100 rpm a 1500 rpm. Una misma falla puede manifestarse con diferentes frecuencias de vibración según la velocidad. Solución: aplicar análisis de orden (Order Tracking) a cada muestra, mapeando el espectro del dominio de frecuencia absoluta al dominio de orden.

4. No depender únicamente de la vibración. El diagnóstico combinado de vibración y corriente es aproximadamente 5 puntos porcentuales más preciso que el diagnóstico por vibración únicamente. Por ejemplo, las roturas de barras del rotor son más evidentes en la señal de corriente que en la de vibración. Se recomienda instalar al menos 1 sensor de corriente por motor.

5. Retransmitir datos periódicamente para actualizar el modelo. Se recomienda añadir mensualmente nuevas muestras de operación normal al conjunto de entrenamiento para realizar un entrenamiento incremental, permitiendo que el modelo se adapte continuamente a la tendencia de envejecimiento del equipo.

Preguntas frecuentes sobre diagnóstico de fallas

Conclusión

El diagnóstico de fallas por IA para motores, combinado con el asistente de operación y mantenimiento basado en modelos de IA de gran escala, ofrece la mejor relación costo-beneficio entre todas las reformas de inteligencia aplicadas al puente grúa. El costo del sensor y la adquisición de datos para un motor es inferior a 3000 CNY (aproximadamente 384 EUR), pero permite predecir fallas con 1 a 3 meses de antelación. Hemos operado durante 8 meses en 12 puentes grúa de un taller, prediciendo anticipadamente fallas de rodamiento en 4 motores, sin ninguna falsa alarma ni omisión.

Lectura recomendada: Tecnología de diagnóstico de fallas en reductores de puente grúa — el motor y el reductor son dos caras de la misma moneda en el sistema de transmisión del puente grúa. El diagnóstico de fallas por IA del motor cubre rodamientos, rotor y estator del lado de accionamiento, mientras que el diagnóstico del reductor cubre el lado de engrane de los engranajes. Ambos comparten la misma plataforma de PC industrial y la arquitectura de adquisición de sensores, por lo que se recomienda implementarlos conjuntamente.