Grúa Inteligente Anti-oscilación con Mantenimiento Predictivo

En el ámbito de las grúas industriales, la transformación inteligente ya ha superado la fase de validación de concepto y ha entrado en una etapa de aplicación profunda. Mientras otros debaten si «implementar o no sistemas inteligentes», Kelude Industrias Pesadas ya ha consolidado su ventaja competitiva mediante seis líneas tecnológicas de defensa paralelas: desde algoritmos anti-oscilación basados en aprendizaje por refuerzo, hasta sistemas de visión artificial para posicionamiento y reconocimiento en tiempo real, pasando por la predicción de fallas del sistema de mantenimiento predictivo y la optimización global mediante programación inteligente y Gemelo Digital. Este artículo desglosa estas seis tecnologías centrales y analiza cómo operan de forma coordinada para conformar un ciclo cerrado completo que abarca desde el control de una sola máquina hasta la inteligencia a nivel de sistema.

Control anti-oscilación mediante aprendizaje por refuerzo

El control de la oscilación de los accesorios de elevación de grúa es uno de los problemas clásicos más desafiantes en el campo de la automatización industrial. Las soluciones anti-oscilación tradicionales dependen del Control PID o de técnicas de conformación de entrada (Input Shaping), que ofrecen un rendimiento aceptable en condiciones de operación fijas, pero cuya precisión de control disminuye notablemente ante condiciones dinámicas como variaciones en la longitud del cable, cambios de carga o interferencia del viento exterior. El equipo técnico de Kelude Industrias Pesadas optó por una vía más compleja pero con mayor potencial: el control anti-oscilación adaptativo basado en aprendizaje por refuerzo (Reinforcement Learning, RL).

Algoritmo PPO: controlador principal estable y eficiente

Entre los diversos algoritmos de aprendizaje por refuerzo, el equipo priorizó la Optimización de Política Proximal (Proximal Policy Optimization, PPO) como controlador principal. PPO limita el tamaño del paso en la actualización de la política mediante un mecanismo de recorte (Clipping), evitando los problemas de inestabilidad durante el entrenamiento comunes en los métodos tradicionales de gradiente de política. En el escenario anti-oscilación de la grúa, el espacio de estados de PPO se diseñó como un vector de seis dimensiones: longitud del cable, ángulo de oscilación actual del spreader, velocidad angular del ángulo de oscilación, posición del carro, velocidad del carro y masa de la carga. El espacio de acciones corresponde a la salida continua de aceleración del carro, con un rango limitado entre -2 m/s² y 2 m/s².

El diseño de la función de recompensa es clave para todo el sistema. El equipo de Kelude implementó una estrategia de recompensa ponderada por segmentos: la recompensa principal es el valor negativo del cuadrado del ángulo de oscilación del spreader (incentivando un ángulo cero), mientras que las recompensas auxiliares incluyen una penalización por error de posicionamiento del carro (para garantizar una parada precisa) y una penalización por la derivada de la aceleración (para evitar impactos mecánicos por arranques y paradas bruscas). Tras aproximadamente 2 millones de pasos de entrenamiento en simulación, la política PPO logró una precisión de control con un ángulo de oscilación residual inferior a 0,3° en un rango de Velocidad de Traslación del Carro de 0,5 m/s a 2,0 m/s, mejorando la capacidad de rechazo a perturbaciones en aproximadamente un 60% en comparación con las soluciones tradicionales de conformación de entrada.

Durante el entrenamiento, el equipo de Kelude también incorporó una estrategia de Aprendizaje Curricular (Curriculum Learning): primero se permite que el agente aprenda las políticas básicas anti-oscilación en un entorno simple con longitud de cable fija y sin perturbaciones de viento, para luego incrementar gradualmente factores de interferencia como variaciones en la longitud del cable, campos de viento aleatorios y cambios bruscos de carga. Este enfoque de entrenamiento progresivo reduce significativamente la probabilidad de divergencia aleatoria en las fases iniciales, disminuyendo en aproximadamente un 35% los pasos de entrenamiento necesarios para la convergencia de la política. Asimismo, el equipo estableció una línea base completa de evaluación de políticas: cada 100.000 pasos de entrenamiento se ejecuta una evaluación congelada, registrando el ángulo de oscilación residual y la desviación de posicionamiento en escenarios de prueba estandarizados para garantizar que el rendimiento del modelo no se degrade durante la iteración.

Algoritmo SAC: exploración flexible para condiciones variables

PPO muestra un rendimiento excelente en condiciones de operación altamente repetitivas, pero su capacidad de exploración resulta algo limitada ante cambios drásticos en las condiciones de operación (como ajustes dinámicos de la longitud del cable durante el funcionamiento o variaciones de carga superiores al 30%). Para abordar esta limitación, el equipo de Kelude incorporó el algoritmo Soft Actor-Critic (SAC) como política complementaria. La ventaja clave de SAC reside en su marco de entropía máxima: al maximizar la recompensa acumulada, también maximiza la entropía de la política, lo que obliga al agente a explorar continuamente nuevos comportamientos durante el entrenamiento.

Tras introducir perturbaciones de campos de viento aleatorios en el entorno de simulación, la velocidad de convergencia de la política SAC fue aproximadamente un 40% más rápida que la de PPO. Además, en pruebas extremas con cambios de masa de carga de 500 kg a 2000 kg, el controlador SAC mantuvo el ángulo de oscilación residual por debajo de 0,5°. En la implementación real, Kelude adopta un mecanismo de conmutación de doble política PPO+SAC: en condiciones de operación estables se ejecuta el controlador PPO para garantizar eficiencia de respuesta y repetibilidad; cuando se detecta que los parámetros de operación superan un umbral predefinido, se conmuta suavemente al controlador SAC para manejar la incertidumbre. La latencia de conmutación en línea entre ambas políticas se mantiene por debajo de 50 ms, siendo totalmente transparente para el operador.

La implementación técnica del mecanismo de conmutación de doble política emplea una arquitectura de extractor de características compartido (Shared Feature Extractor): PPO y SAC comparten el mismo codificador de estados, divergiendo únicamente en la capa de salida de la red de política. Este diseño elimina la necesidad de recodificar la información de estado durante la conmutación y reduce el número de parámetros en aproximadamente un 40%. El software del controlador se ejecuta en un PLC blando TwinCAT de Beckhoff, comunicándose con el Servoaccionamiento mediante el protocolo ADS, con un ciclo de control de 4 ms, cumpliendo los requisitos de tiempo real del control anti-oscilación durante operaciones de grúa a alta velocidad. El diseño de todo el sistema de control anti-oscilación cumple estrictamente con la norma ISO 4301 / FEM 1.001 (equivalente a la especificación de diseño de grúa ISO 4301 / FEM 1.001), logrando un equilibrio de ingeniería entre la precisión del algoritmo y el margen de seguridad estructural.

Sistema de visión artificial para posicionamiento y reconocimiento

En los escenarios de operación de grúas, el posicionamiento preciso del objeto objetivo es un requisito previo para la carga y descarga automatizada. Las soluciones basadas en LiDAR y Encoder presentan problemas como alto costo, mantenimiento complejo y susceptibilidad a la interferencia del polvo. Kelude Industrias Pesadas ha adoptado un enfoque diferente, construyendo un sistema de posicionamiento y reconocimiento por IA basado en visión profunda, cuyos componentes centrales son la red de detección de objetos YOLOv8 y el motor de inferencia TensorRT.

YOLOv8: motor visual multitarea de detección a segmentación

YOLOv8, el modelo visual insignia de Ultralytics, logra un equilibrio óptimo entre velocidad y precisión en la detección de objetos. El equipo de Kelude personalizó el modelo YOLOv8n (versión Nano, solo 3,2 M de parámetros): se incorporó un módulo de Atención de Coordenadas (Coordinate Attention) en el Backbone para mejorar la percepción de la relación espacial entre el spreader y la estantería objetivo; y se añadió una Red de Pirámide de Características Bidireccional (BiFPN) en la capa Neck para mejorar la eficiencia de fusión de características multiescala.

El conjunto de datos de entrenamiento proviene de 8 cámaras industriales desplegadas en la propia fábrica inteligente de Kelude, acumulando más de 120.000 imágenes anotadas que cubren diferentes condiciones de iluminación (amanecer, mediodía, día nublado), diferentes condiciones climáticas (lluvia, niebla, polvo) y diferentes ángulos del spreader (0° a 60°). Tras el aumento de datos (Mosaic, MixUp, borrado aleatorio) y 150 épocas de entrenamiento distribuido, el modelo alcanzó un mAP@0.5 del 97,3% en el conjunto de prueba, con una velocidad de inferencia de 62 FPS en la plataforma NVIDIA Jetson Orin NX.

Cabe destacar que el equipo de Kelude adoptó una estrategia de anotación semiautomática: primero se utiliza un modelo YOLOv8m preentrenado para realizar una detección inicial de las imágenes originales y generar propuestas de recuadros, que luego son corregidas y ajustadas por los anotadores. En comparación con la anotación manual desde cero, esta estrategia multiplicó por aproximadamente 5 la eficiencia de anotación, reduciendo el tiempo total estimado de 2.400 horas-hombre a unas 500 horas-hombre para las 120.000 imágenes. El equipo también incorporó un ciclo de Aprendizaje Activo (Active Learning): tras cada iteración del modelo, se seleccionan automáticamente las muestras ambiguas con confianza de inferencia entre 0,4 y 0,6, que se priorizan para su revisión por los anotadores. Esta estrategia de «dejar que el modelo seleccione las muestras que más necesita aprender» logró una mejora de precisión superior al 5% con un costo adicional de anotación de como máximo el 30%.

Implementación con TensorRT: inferencia en tiempo real en el borde

La implementación del modelo YOLOv8 en dispositivos de Computación en el Borde en entornos industriales presenta un desafío central: cuanto mayor es la precisión del modelo, mayor es la latencia de inferencia. El equipo de Kelude resolvió este problema mediante el marco de optimización de inferencia NVIDIA TensorRT. Las medidas específicas incluyen: cuantización FP16, que comprime los pesos del modelo de coma flotante de 32 bits a 16 bits, acelerando la velocidad de inferencia aproximadamente 1,8 veces; Fusión de Capas (Layer Fusion), que combina capas convolucionales adyacentes, capas de normalización por lotes y funciones de activación en un solo kernel de ejecución; e Inferencia de Forma Dinámica (Dynamic Shape Inference), que permite que la resolución de entrada se adapte dinámicamente entre 640×480 y 1280×720.

Tras la optimización con TensorRT, la latencia de inferencia del modelo YOLOv8n en Jetson Orin NX se redujo de los 23 ms originales a 7 ms, con un consumo de energía controlado por debajo de 15 W. Esto significa que, con una entrada de cámara a 60 FPS, el sistema dispone de margen computacional suficiente para el seguimiento de objetos entre fotogramas (algoritmo ByteTrack) y el cálculo de coordenadas espaciales. Kelude también ha implementado el modelo YOLOv8s (versión Small, 11,2 M de parámetros) en ciertos puestos de trabajo que requieren alta precisión, que combinado con la cuantización INT8 de TensorRT, alcanza una precisión de detección del 98,1% a 45 FPS, destinado específicamente a tareas de posicionamiento a nivel de milímetros, como el reconocimiento de orificios de cerradura de Contenedores.

La calibración y el mantenimiento del sistema de visión también han sido diseñados desde una perspectiva de ingeniería. Cada módulo de visión de las grúas se somete a una calibración de parámetros intrínsecos (matriz de la cámara y coeficientes de distorsión) antes de la entrega, y después de la instalación se realiza una calibración mano-ojo (matriz de transformación del sistema de coordenadas de la cámara al sistema de coordenadas base de la grúa) utilizando un patrón de tablero de ajedrez. Tras la implementación en campo, el sistema ejecuta automáticamente un proceso de autoverificación cada hora: el spreader se desplaza a una posición de calibración predefinida y se compara con el punto de calibración virtual en el espacio del Gemelo Digital; si la desviación supera los 5 píxeles, se activa automáticamente una alerta de recalibración. Este mecanismo de autoverificación aborda desde el diseño arquitectónico el problema crónico de mantenimiento de la «deriva de calibración» en los sistemas de visión industrial.

Sistema de mantenimiento predictivo

Las paradas no planificadas de las grúas representan un sumidero de costos en la industria manufacturera: una hora de inactividad de un Puente Grúa de 50 toneladas debido a una falla en un componente crítico puede generar pérdidas integrales de decenas de miles de euros. El sistema de Mantenimiento Predictivo (PdM) de Kelude Industrias Pesadas, basado en una arquitectura de red neuronal combinada 1D-CNN y LSTM, identifica precozmente los signos precursores de fallas a partir de datos de sensores multidimensionales como vibración, temperatura y corriente.

1D-CNN: extracción de características locales de señales de vibración

Las señales de vibración de los equipos industriales son esencialmente datos de series temporales con componentes de frecuencia complejos. El equipo de Kelude seleccionó la red neuronal convolucional unidimensional (1D-CNN) como extractor primario de características de las señales de vibración. A diferencia del enfoque 2D-CNN que procesa espectrogramas, la 1D-CNN desliza el kernel de convolución directamente sobre los datos de aceleración temporal en bruto, preservando la información de fase temporal de la señal. Cada señal de sensor (número de canales = 3, correspondientes a los ejes X/Y/Z) se mapea a un vector de características de alta dimensión de 128 dimensiones después de 3 capas de convolución 1D y agrupamiento máximo.

En la detección de fallas de Rodamiento en el mecanismo de elevación de la grúa, el modelo 1D-CNN alcanzó una precisión de clasificación del 94,7% en un conjunto de prueba que incluía cuatro estados: normal, desgaste del Aro Interior, picadura del Aro Exterior y grieta en el Elemento Rodante. El aspecto más relevante es que la tasa de detección del modelo para la picadura del Aro Exterior comienza a aumentar significativamente aproximadamente 72 horas antes de que ocurra la falla, lo que proporciona al operador una ventana de tiempo de tres días completos para programar el mantenimiento planificado, en lugar de esperar pasivamente a que se produzca la falla.

El despliegue de sensores también ha sido meticulosamente diseñado: los sensores de vibración se instalan en los cojinetes de los extremos motriz y no motriz del motor de elevación, en los soportes de rodamiento de los ejes de entrada y salida del reductor, y en el cojinete del tambor, sumando un total de 6 puntos de medición críticos. Los sensores de temperatura se integran en los devanados y soportes de rodamiento, mientras que los sensores de corriente se acoplan a las tres fases de alimentación del motor. Todos los datos de los sensores se consolidan a través de una puerta de enlace IoT a nivel de taller y se transmiten a un servidor perimetral mediante el protocolo Modbus TCP. La estrategia de muestreo emplea una frecuencia adaptativa: en estado estacionario, se recopila un segmento de 5 segundos (a 12800 Hz de frecuencia de muestreo) cada 10 minutos; cuando la energía de vibración supera 1,5 veces el umbral de referencia, se conmuta automáticamente al modo de adquisición continua.

LSTM: predicción de tendencias en la evolución temporal

La 1D-CNN es eficaz para extraer características de segmentos locales, pero su capacidad para modelar dependencias temporales a largo plazo es limitada. El equipo de Kelude ha incorporado un módulo LSTM (Long Short-Term Memory) de dos capas después de la capa de salida de la 1D-CNN para capturar la tendencia evolutiva de los datos de los sensores en escalas que van de horas a días. La dimensión de la capa oculta de la LSTM se establece en 256, y se aplica Dropout (con una tasa de abandono de 0,3) para prevenir el sobreajuste.

En la implementación práctica, la arquitectura híbrida (1D-CNN + LSTM) ha logrado un error absoluto medio (MAE) de 12,4 horas en la predicción de la vida útil restante (Remaining Useful Life, RUL) de los rodamientos del motor de elevación. Esto significa que el error de predicción del sistema para la vida útil restante del rodamiento se controla dentro de medio día. Esta precisión es suficiente para respaldar una estrategia de mantenimiento que permite «programar el reemplazo con un día de antelación», reduciendo las paradas no programadas en un 76%.

El sistema también integra un mecanismo de autoatención (Self-Attention), que permite al modelo prestar atención automáticamente a los canales de sensores más influyentes para el estado actual durante la predicción. Por ejemplo, en las etapas iniciales de desgaste de la caja de engranajes, cuando cambian las frecuencias características (bandas laterales de la frecuencia de engrane), los pesos de atención se asignan automáticamente a los canales del sensor de aceleración y del sensor de emisión acústica, mejorando la explicabilidad del modelo y la confianza del personal de mantenimiento.

La salida del sistema de mantenimiento predictivo se comunica al equipo de operaciones y mantenimiento en tiempo real a través de una aplicación móvil y paneles de taller. El sistema emplea un nivel de alerta de tres colores: verde (normal, vida útil restante > 72 horas), amarillo (atención, vida útil restante entre 24 y 72 horas, se recomienda programar mantenimiento planificado) y rojo (alarma, vida útil restante < 24 horas, reemplazo inmediato). Las órdenes de trabajo de mantenimiento se integran directamente con el sistema ERP, generando automáticamente solicitudes de repuestos y órdenes de trabajo tras una alerta. Desde la implementación del sistema, la rotación de inventario de repuestos en la propia fábrica de Kelude ha aumentado un 28%, y las compras de emergencia se han reducido en un 63%. El ciclo de mantenimiento del sistema y los procedimientos de inspección se ejecutan de acuerdo con la norma ISO 4309 — Grúas — Mantenimiento, garantizando una integración perfecta de la estrategia de mantenimiento predictivo con las normas del sector.

Optimización del despacho inteligente

Cuando múltiples grúas operan en colaboración dentro del mismo taller, el problema de despacho se vuelve exponencialmente complejo: conflictos de trayectoria, asignación desigual de tareas y pérdida de eficiencia debido a paradas de emergencia son puntos críticos frecuentes en la operación real. El sistema de despacho inteligente de Kelude Industrias Pesadas integra algoritmos genéticos (Genetic Algorithm, GA) y redes profundas Q (Deep Q-Network, DQN), logrando un equilibrio práctico entre la optimización operativa tradicional y el aprendizaje profundo.

Algoritmo genético: optimización fuera de línea para la planificación global de trayectorias

El algoritmo genético es una heurística de búsqueda que simula el proceso de evolución natural, especialmente adecuada para resolver problemas de optimización combinatoria a gran escala. En el escenario de despacho de grúas, un «cromosoma» codifica una secuencia completa de tareas y un plan de asignación de trayectorias, mientras que la función de aptitud considera tres indicadores: tiempo de finalización (Makespan), consumo total de energía y número de conflictos de trayectoria. El equipo de Kelude ha diseñado tasas de cruce y mutación adaptativas: cuando la diversidad de la población disminuye, la tasa de mutación aumenta automáticamente para escapar de los óptimos locales; cuando la solución óptima se estabiliza, la tasa de mutación se reduce para refinar la búsqueda.

En una prueba de simulación con 8 grúas y 120 tareas, el plan de despacho optimizado por GA redujo el tiempo total de finalización en un 22%, el consumo de energía en un 18% y eliminó los conflictos de trayectoria en comparación con la programación manual. El tiempo de cálculo fuera de línea del GA es de aproximadamente 47 segundos, lo cual es totalmente aceptable para escenarios de programación que operan en un horizonte de horas.

La implementación del GA también integra un modelo de restricciones físicas del taller, que incluye: las áreas de trabajo disponibles de cada grúa (obstáculos físicos infranqueables, zonas de mantenimiento restringidas, etc.), la capacidad de almacenamiento de materiales en cada estación de trabajo y las prioridades ponderadas de los diferentes tipos de tareas. El modelo de restricciones se configura en archivos YAML, independientes del código del algoritmo, de modo que los ajustes en la distribución del taller solo requieren modificar el archivo de configuración sin necesidad de recompilar el algoritmo, lo que mejora significativamente la adaptabilidad del sistema en escenarios de reforma de líneas de producción.

DQN: el cerebro en línea para la reprogramación dinámica en tiempo real

El plan de GA fuera de línea puede proporcionar una asignación de tareas globalmente óptima, pero cuando ocurren eventos imprevistos en el sitio —como una parada por fallo de una grúa, una inserción urgente de pedidos o la ausencia de un operador— el plan original puede volverse obsoleto instantáneamente. Para abordar esto, el equipo de Kelude ha desarrollado un módulo de reprogramación en línea basado en una red profunda Q. El espacio de estados del DQN incluye: la posición actual y el estado de cada grúa (inactiva/trabajando/fallo), el progreso actual de cada tarea y una métrica cuantificada de la congestión del taller. El espacio de acciones consiste en la decisión discreta de «asignar la tarea pendiente a una grúa inactiva».

Después de aproximadamente 500.000 pasos de entrenamiento con Q-learning, la latencia de reprogramación de la política DQN ante eventos imprevistos se ha reducido a menos de 0,8 segundos, muy por debajo de la respuesta manual de nivel de minutos. En pruebas de estrés combinadas de fallos e inserciones urgentes, el plan de reprogramación DQN redujo la pérdida de retraso de tareas en un 23% en promedio en comparación con el manejo de emergencia manual. La arquitectura combinada GA+DQN implementa una estrategia de despacho de dos niveles: «optimización global fuera de línea + ajuste en línea en tiempo real», garantizando tanto la optimalidad global como la resiliencia ante la incertidumbre.

Tras la implementación del sistema, el equipo de Kelude también introdujo un panel de evaluación de la estrategia de despacho basado en aprendizaje por refuerzo, que muestra cuantitativamente el rendimiento del despacho por turno: predicción del tiempo de finalización planificado por GA, desviación real de ejecución del DQN, frecuencia de intervención manual y distribución de causas. Los supervisores de operaciones pueden utilizar estos datos para ajustar continuamente los parámetros de despacho. Después de tres meses de iteraciones de ajuste, la eficiencia general del despacho del taller ha mejorado un 31% en comparación con el despacho manual tradicional, y el tiempo medio de espera de las tareas se ha reducido de 12 minutos a 4,5 minutos.

Plataforma de Gemelo Digital

El Gemelo Digital es la infraestructura central que conecta el mundo físico con el mundo digital. La plataforma de Gemelo Digital de Kelude Industrias Pesadas no es una simple herramienta de visualización 3D, sino un sistema de bucle cerrado que integra adquisición de datos en tiempo real, un motor de simulación física y retroalimentación de decisiones basada en IA.

En la capa de adquisición de datos, cada grúa —ya sea un puente grúa de gran tamaño o una grúa flexible KBK de componentes estándar— está equipada con aproximadamente 40 nodos de sensores, que incluyen encoders de motor (posición y velocidad), unidades de medición inercial de seis ejes (actitud y vibración), sondas de temperatura (rodamientos y devanados), pinzas de corriente (carga y consumo) y cámaras de visión (percepción del entorno). Los datos de los sensores se transmiten a una frecuencia de 100 Hz a través de la red privada 5G del taller a un servidor perimetral, y se consolidan en la plataforma de datos del sistema mediante el protocolo MQTT.

La capa del motor de simulación se construye sobre las capacidades de extensión industrial de Unity, utilizando una combinación de simulación de eventos discretos (DES) y simulación continua basada en la física. El motor físico se basa en NVIDIA PhysX y modela en tiempo real la dinámica de los tres mecanismos principales de la grúa: elevación, desplazamiento y giro. En el espacio del Gemelo Digital, el comportamiento de oscilación del spreader virtual se sincroniza con el spreader real del mundo físico, y las fuentes de error se hacen transparentes: el juego mecánico, la deformación flexible y el ruido del sensor pueden superponerse de forma independiente, proporcionando un sandbox de simulación controlable para el desarrollo de algoritmos.

La plataforma de Gemelo Digital está profundamente acoplada con las cinco tecnologías mencionadas anteriormente: el entorno de entrenamiento del controlador antisway basado en aprendizaje por refuerzo utiliza directamente el motor físico del modelo gemelo; los datos anotados de la visión artificial se mejoran mediante el módulo de anotación automática del espacio gemelo (aumento de datos sintéticos); las muestras de fallos para el mantenimiento predictivo también se generan a través del espacio gemelo —simulando las curvas de respuesta de los sensores bajo condiciones de fallo como grietas en el aro interior del rodamiento o rotura de diente de engranaje—, reduciendo significativamente la dependencia de datos de fallos reales.

En el lado de la gestión de operaciones, la plataforma de Gemelo Digital también cumple la función de «pantalla grande inteligente». Los gestores pueden visualizar el estado operativo en tiempo real de todo el taller en una vista 3D: el progreso actual de la tarea de cada grúa, el tiempo de mantenimiento restante previsto, el mapa de calor del consumo de energía, las zonas de congestión y las recomendaciones de ajuste generadas por IA. Este sistema ha estado en marcha de prueba durante 18 meses en la propia fábrica de Kelude, logrando una mejora del 14% en la eficiencia general de los equipos (OEE).

Otra capacidad clave de la plataforma de Gemelo Digital son los modos de «reproducción» y «proyección». El modo de reproducción permite a los gestores seleccionar cualquier período histórico y reproducir las trayectorias de movimiento y los eventos de operación de todas las grúas durante ese período, para la reconstrucción de incidentes y la revisión de la eficiencia. El modo de proyección admite el análisis «what-if»: los gestores pueden crear escenarios hipotéticos en el espacio gemelo (como añadir una grúa, ajustar la distribución del taller o cambiar la estrategia de asignación de tareas). El sistema ejecuta la simulación y genera un análisis comparativo de indicadores clave como capacidad de producción, consumo de energía y probabilidad de congestión, proporcionando una base cuantitativa para la toma de decisiones de gestión.

Sistema de I+D tecnológico

El hecho de que las seis tecnologías centrales se hayan implementado con éxito y no hayan quedado en un plano teórico se debe a un sistema de I+D integral que opera detrás. El equipo técnico de Kelude Industrias Pesadas abarca cuatro áreas: ingeniería de algoritmos, desarrollo embebido, diseño mecánico y software industrial, empleando una metodología de I+D que prioriza la simulación, la validación en escenarios y la iteración incremental.

El ciclo de desarrollo de un nuevo algoritmo suele ser el siguiente: la primera semana se dedica a construir el escenario de simulación y la línea base de comparación (esquema tradicional) en el entorno de Gemelo Digital; de la segunda a la cuarta semana se realiza la iteración del algoritmo y el ajuste de parámetros; la quinta semana se despliega en el banco de pruebas del laboratorio para una validación a pequeña escala; y de la sexta a la octava semana se lleva a cabo la marcha de prueba en la fábrica. Cada fase tiene criterios de aprobación/rechazo claros; los algoritmos que no cumplen los requisitos no avanzan a la siguiente fase, lo que garantiza la estabilidad desde su puesta en marcha. El diseño y la verificación de los componentes relacionados con la seguridad del sistema de control se realizan de acuerdo con la norma ISO 13849-1:2023 — Seguridad de las máquinas — Partes de los sistemas de mando relativas a la seguridad, utilizando el método de evaluación del nivel de prestaciones (PL) para clasificar cuantitativamente las funciones de seguridad.

Kelude también ha establecido laboratorios conjuntos con los departamentos de automatización e informática de tres universidades nacionales para la exploración de vanguardia en algoritmos fundamentales. Hasta la fecha, se han solicitado y concedido 47 patentes relacionadas con el sistema de control de grúas inteligentes, de las cuales 22 son patentes de invención, que abarcan cuatro grupos tecnológicos principales: algoritmos de control antisway, métodos de posicionamiento por visión, modelos de diagnóstico de fallas y estrategias de optimización de despacho.

En la gestión de activos de código y algoritmos, Kelude ha establecido un repositorio unificado de algoritmos de IA (Model Registry). Todos los modelos entrenados se registran con un informe de evaluación estandarizado (que incluye metadatos como precisión, latencia, consumo energético y alcance de los datos de entrenamiento) y solo se despliegan en el sitio tras la aprobación del comité de revisión. Este proceso garantiza la confiabilidad de la calidad desde el desarrollo del algoritmo hasta su implementación: cada modelo en funcionamiento puede rastrearse hasta su registro completo de entrenamiento y datos de evaluación en el espacio del Gemelo Digital. La arquitectura de seguridad funcional de la plataforma cumple con la norma IEC 61508—Seguridad funcional de los sistemas relacionados con la seguridad eléctricos/electrónicos/programables electrónicos, cubriendo el ciclo de vida de seguridad completo, desde la adquisición de datos del Sensor hasta la ejecución del comando de control.

Desde los equipos de Operación manual tradicionales, como el puente grúa manual de una viga tipo LXS, hasta los sistemas inteligentes de operación no tripulada actuales, Kelude Industrias Pesadas ha sido testigo e impulsor del salto tecnológico en toda la industria de la grúa. Volviendo a la pregunta inicial: ¿cuál es realmente la ventaja competitiva de Kelude? No es la superioridad de un algoritmo específico, sino la capacidad sistémica de seis tecnologías que se potencian y operan de forma sinérgica. Sin el entorno de simulación que proporciona el Gemelo Digital, la eficiencia del entrenamiento con aprendizaje por refuerzo se vería gravemente reducida; sin el Posicionamiento de alta Precisión de la visión por IA, la precisión de ejecución de la optimización de la programación no podría garantizarse; y sin los datos de salud del equipo del Mantenimiento Predictivo, los límites de simulación del Gemelo Digital serían muy poco fiables. Estas seis capacidades forman una red tecnológica de refuerzo mutuo, y es precisamente esto lo que hace que Kelude sea extremadamente difícil de replicar.

Enfoque tradicional vs. Enfoque de IA: comparativa técnica

A continuación, se comparan las diferencias clave entre el enfoque de ingeniería tradicional y el enfoque de IA de Kelude en cinco dimensiones de tecnología central, mostrando claramente el salto de rendimiento que supone la Actualización tecnológica.

Esta tabla comparativa demuestra claramente que, mientras que los enfoques tradicionales pueden funcionar aceptablemente en condiciones de operación fijas y únicas, la solución de IA logra un salto generacional en precisión, robustez, coste y eficiencia al enfrentarse a la dinámica, la incertidumbre y las restricciones multiobjetivo del entorno industrial real. Kelude integra sistemáticamente estas capacidades de IA para construir un circuito tecnológico completo que abarca desde grúas modulares hasta sistemas inteligentes.

Preguntas frecuentes