Mantenimiento Predictivo de Puente Grúa con PHM y Big Data

En un sistema de producción continua de una fábrica inteligente, el impacto de una parada no programada del sistema de puente grúa en la capacidad de producción es extremadamente significativo: la avería inesperada de un puente grúa crítico puede detener toda la línea durante horas, con pérdidas de producción que pueden ascender a cientos de miles de euros. El modelo tradicional de "mantenimiento periódico + reparación tras avería" ya no satisface el requisito de disponibilidad ≥99,5% que exige la industria moderna. Kelude, basándose en el análisis de señales de vibración, el aprendizaje automático y las tecnologías de Big Data industrial, ha desarrollado un sistema integral de gestión de salud de equipos (PHM) que permite el salto del "mantenimiento reactivo" al "mantenimiento predictivo". Este artículo aborda sistemáticamente la práctica técnica de Kelude en el ámbito del PHM para puentes grúa desde cinco dimensiones: selección y despliegue de sensores, extracción de características de señal, construcción de modelos de aprendizaje profundo, implementación de inferencia en el borde y puesta en marcha integral a lo largo de toda la cadena.

Selección de sensores y plan de puntos de medición para puente grúa

La calidad de los datos del sistema PHM depende de la idoneidad de la selección de sensores y del plan de despliegue de los puntos de medición. Kelude ha establecido un sistema metódico de planificación de puntos de medición basado en los mecanismos de fallo y las características de vibración de los componentes mecánicos críticos del puente grúa.

El Sensor de Vibración es la fuente de datos más importante del sistema PHM. Kelude recomienda el uso de acelerómetros IEPE (sensibilidad 100 mV/g, respuesta en frecuencia 2 Hz~10 kHz), desplegados en los soportes de rodamiento de entrada/salida del reductor de elevación, los soportes de rodamiento de las ruedas de traslación del carro, el lado de accionamiento del reductor de traslación del carro puente, el cojinete de tambor y la corona de giro de la elevación. En cada punto de medición crítico se instala un sensor de aceleración triaxial (direcciones X/Y/Z), con una frecuencia de muestreo de 5120 Hz (que cumple con el requisito de Nyquist para la frecuencia de engrane del reductor de 200~2000 Hz) y una duración de adquisición continua de al menos 30 segundos por sesión. El intervalo de adquisición se establece en 1 hora por sesión (equipos críticos clase A) o 4 horas por sesión (equipos generales clase B), según el grado de importancia del equipo.

El Sensor de Temperatura utiliza PT100 (termorresistencia de platino) o termopares, desplegados en los devanados del motor (para detectar la velocidad de aumento de temperatura), en el cárter de aceite del reductor (para detectar anomalías de lubricación) y en la superficie de fricción del freno (para detectar sobrecalentamiento de las zapatas). El rango de medición es de -40~200 °C, con una precisión de ±0,5 °C y un período de muestreo de 10 segundos. El Sensor de carga utiliza una celda de carga o un sensor de tensión del cable de acero para registrar en tiempo real la variación de carga en cada ciclo de elevación, acumulando el número y la magnitud de las sobrecargas.

La adquisición de parámetros de proceso se realiza mediante el protocolo PLC, leyendo parámetros operativos como la corriente del motor, la frecuencia de salida del variador de frecuencia, la velocidad de traslación, el tiempo de trabajo acumulado y el número de accionamientos del freno. Todos los datos de los sensores mencionados se consolidan a través del bus de campo en la pasarela de adquisición perimetral y, tras su encapsulación mediante el protocolo OPC UA, se integran con la plataforma PHM.

Extracción de características de señales de vibración

La señal de vibración bruta debe someterse a un proceso sistemático de extracción de características para convertirse en variables de entrada utilizables por los modelos de aprendizaje automático. El flujo de procesamiento de señales de Kelude abarca tres dominios: tiempo, frecuencia y tiempo-frecuencia.

Características en el dominio del tiempo: incluyen el valor eficaz RMS (refleja el nivel general de energía de vibración; en estado normal RMS 5), el factor de cresta Crest Factor, la asimetría Skewness y el factor de impulso Impulse Factor. Estas características se calculan en tiempo real mediante una ventana deslizante de 1024 puntos (con una superposición del 50%), generando un vector de características por ventana.

Características en el dominio de la frecuencia: se obtienen aplicando una ventana de Hanning a la señal de la ventana y ejecutando una transformada rápida de Fourier (FFT). Las bandas de frecuencia clave incluyen: la banda de frecuencia de rotación (20~30Hz, que refleja el estado de equilibrio del rotor), la banda de frecuencia de engrane del reductor (500~700Hz, que refleja el estado de engrane de los engranajes), la banda lateral armónica (±50Hz alrededor de la frecuencia de engrane, que refleja el grado de desgaste de los engranajes) y la banda de alta frecuencia (2~5kHz, que refleja las frecuencias de resonancia generadas por impactos en fallos incipientes de rodamientos). Durante la extracción de características en el dominio de la frecuencia, se calculan la proporción de energía de cada banda, la frecuencia del centro de gravedad y el indicador de dispersión de frecuencia, que se utilizan como entrada para los modelos de clasificación posteriores.

Características en el dominio tiempo-frecuencia: se emplea la transformada de Fourier de tiempo corto (STFT, con longitud de ventana de 256 puntos y solapamiento del 75%) para generar espectrogramas que se utilizan en el modelo CNN. Para señales de impacto de alta frecuencia típicas de rodamientos, se complementa con análisis de envolvente (Envelope Analysis) para extraer las frecuencias características de fallo en el espectro demodulado.

3. Diseño de la Arquitectura del Modelo de Aprendizaje Profundo

El sistema PHM de Kelude Industrias Pesadas emplea una estrategia de fusión de múltiples modelos, seleccionando la arquitectura de aprendizaje profundo más adecuada para cada tarea de diagnóstico.

Modelo de clasificación de fallas: basado en una arquitectura 1D-CNN (red neuronal convolucional unidimensional). La entrada consiste en 1024 puntos de señal de vibración cruda. Tras dos capas Conv1D-BatchNorm para la extracción de características, se conecta una capa totalmente conectada que produce una salida de clasificación en 4 categorías (normal/desgaste de engranaje/falla de rodamiento/desalineación de ejes). La primera capa convolucional tiene un tamaño de kernel de 7 y 32 canales; la segunda, un tamaño de kernel de 7 y 64 canales. Se aplica una tasa de Dropout de 0.3 para prevenir el sobreajuste. Este modelo alcanza una precisión de clasificación del 97.2% en el conjunto de datos de pruebas reales de Kelude, con una latencia de inferencia de solo 4.5 ms en Jetson Orin NX, cumpliendo con los requisitos computacionales para el diagnóstico en tiempo real en el borde. Tras el entrenamiento, el modelo se exporta mediante ONNX y se despliega en el borde; el proceso de inferencia no depende del entorno de ejecución de PyTorch.

Modelo de predicción de tendencias: utiliza una arquitectura de red neuronal recurrente LSTM/GRU. La entrada son las series temporales del valor RMS de vibración y temperatura de los últimos 30 días (1 punto de muestreo diario), y predice la tendencia de degradación para los próximos 7 días. La estructura del modelo consta de dos capas GRU (con 12864 unidades ocultas) seguidas de una capa de salida totalmente conectada. Durante el entrenamiento, las muestras se construyen mediante una ventana deslizante (ventana de entrada de 30 días, ventana de predicción de 7 días), y la función de pérdida es MAE. Este modelo puede emitir alertas tempranas de degradación con 3 a 7 días de antelación, proporcionando una ventana de tiempo suficiente para la planificación de tareas de mantenimiento.

Modelo de detección de anomalías: se basa en una arquitectura GRU-Autoencoder. El modelo se entrena exclusivamente con datos de estado normal, aprendiendo el patrón de compresión-reconstrucción de las señales de vibración normales. Cuando una señal de entrada se desvía del patrón normal (el error de reconstrucción supera el umbral), se activa automáticamente una alerta de anomalía. Este modelo es especialmente útil para detectar nuevos tipos de fallas no etiquetadas, cubriendo el vacío que los modelos de aprendizaje supervisado no pueden abordar en cuanto a "fallas desconocidas".

Modelo de predicción de vida residual: emplea un modelo de regresión XGBoost. Las características de entrada incluyen 15 dimensiones, como la tendencia histórica del RMS de vibración, la tasa de aumento de temperatura, el tiempo de operación acumulado, el número de sobrecargas y la tasa de desgaste de las pastillas de freno. La salida es la vida útil restante (RUL) expresada en "días de operación". El modelo se entrena con los datos históricos de mantenimiento acumulados por Kelude, logrando un error absoluto medio de ±12 días en la predicción de la RUL.

4. Despliegue de Inferencia en el Borde y Estrategia de Actualización del Modelo

El despliegue de inferencia de los modelos PHM adopta una arquitectura híbrida de "inferencia en tiempo real en el borde + entrenamiento incremental en la nube". En el borde, los modelos se despliegan en el PC industrial del puente grúa o en servidores MEC a nivel de taller, ejecutando modelos optimizados con ONNX. La latencia de inferencia se mantiene por debajo de los 10 ms, garantizando la capacidad de diagnóstico en tiempo real. En la nube, se ejecuta la línea de producción de entrenamiento completa, que recibe los datos etiquetados y las nuevas muestras de fallas cargadas desde el borde. Los parámetros del modelo se actualizan periódicamente y se distribuyen al borde mediante actualizaciones diferenciales OTA.

La actualización del modelo sigue una estrategia de aprendizaje incremental: la nube conserva las estadísticas de características de los datos históricos de entrenamiento, y en cada actualización solo se realiza un ajuste fino (Fine-tune) con los nuevos datos, sin necesidad de reentrenar completamente el modelo. El ciclo de actualización es quincenal, y se activa una actualización de emergencia cuando la precisión del diagnóstico de fallas cae por debajo del 90% de forma sostenida. Se ejecuta un reentrenamiento completo trimestral para asegurar que el modelo mantenga un rendimiento óptimo durante la operación y el mantenimiento a largo plazo.

5. Sistema de Puntuación de Salud Integral PHM

Para agregar los resultados de diagnóstico multidimensionales en un indicador intuitivo del estado del equipo, Kelude Industrias Pesadas ha diseñado un modelo de puntuación de salud integral ponderado en seis dimensiones, con un rango de puntuación de 0 a 100, correspondiente a cuatro grados de salud.

Las dimensiones de puntuación y su distribución de pesos son: puntuación por tiempo de operación (peso 20%, decaimiento lineal según una vida útil de diseño de 30000 horas), puntuación por sobrecarga (peso 20%, se restan 5 puntos por cada sobrecarga), puntuación por desgaste de pastillas de freno (peso 20%, se resta 1 punto por cada 1% de tasa de desgaste), puntuación por desgaste del cable de acero (peso 15%, sin deducción si la tasa de desgaste es inferior al 7%, y se restan 20 puntos por cada 1% que exceda dicho umbral), puntuación por temperatura del reductor (peso 10%, se restan 2 puntos por cada 1°C por encima de 70°C), y puntuación por vibración del motor (peso 15%, se restan 20 puntos por cada 1 mm/s por encima de 2.8 mm/s). Una puntuación integral ≥85 indica estado "Saludable" (luz verde), 60–84 indica estado "Atención" (luz amarilla), 35–59 indica estado "Advertencia" (luz naranja), y <35 indica estado "Crítico" (luz roja, requiere parada inmediata para inspección y mantenimiento).

Además de la puntuación general, el sistema genera una subpuntuación de salud independiente para cada componente crítico: índice de salud del Motor de Elevación, índice de salud del Reductor, índice de salud del Freno, índice de salud del Cable de Acero e índice de fatiga de la estructura. Cuando cualquiera de estas subpuntuaciones cae por debajo de 50, el sistema genera automáticamente una orden de Mantenimiento y la envía al dispositivo móvil del personal de operación, incluyendo la localización de la falla (hasta el punto de medición específico), el tipo de falla (falla de Rodamiento / desgaste de Engranaje / desalineación de ejes), la severidad y la ventana de tiempo recomendada para la intervención.

Caso de implementación y resultados reales del sistema PHM

El sistema PHM de Kelude ha sido implementado en una importante empresa siderúrgica, cubriendo la gestión de salud de 16 Puentes Grúa en su Taller de fundición. El proyecto desplegó 192 puntos de medición de vibración (12 puntos críticos por puente grúa), 48 puntos de medición de temperatura (3 por puente grúa) y 16 nodos de Computación en el Borde (1 unidad Jetson Orin NX por puente grúa). La latencia media de inferencia del modelo de clasificación de fallas en el borde es de 5,2 ms, con una precisión del 96,8%.

Los datos de 12 meses de operación muestran: las paradas no programadas se redujeron de 37 veces al año antes de la Reforma a 8 veces (una reducción del 78,4%), el Tiempo de respuesta medio de Mantenimiento se acortó de 6,2 horas a 1,5 horas, y el costo de inventario de Repuestos se redujo en un 32% (gracias a la predicción precisa que reemplazó el sobreaprovisionamiento). El sistema alertó con antelación sobre 11 fallas críticas (incluyendo 3 fallas de Rodamiento del Reductor, 4 casos de deterioro del devanado del Motor, 2 casos de desgaste excesivo de las pastillas de Freno y 2 casos de rotura de alambres en el Cable de Acero), proporcionando al equipo de operación una ventana media de preparación de 5,3 días. Considerando una reducción de pérdidas de producción de 150.000 CNY por cada parada no programada evitada, el beneficio económico anualizado es de aproximadamente 4.350.000 CNY (≈ 557.000 EUR), con un período de recuperación de la inversión de unos 10 meses.

Durante la implementación, Kelude ha identificado tres lecciones clave: primero, la ubicación de instalación y el método de Fijación de los puntos de medición de vibración afectan directamente la calidad de la señal; se recomienda el uso de Perno de grado M6 con Fijación rígida en lugar de bases magnéticas para evitar la atenuación de la señal y artefactos por holgura. Segundo, el entrenamiento del modelo requiere al menos 6 meses de datos históricos de vibración que cubran las variaciones de temperatura y humedad de las cuatro estaciones, para evitar falsas alarmas debidas a factores estacionales. Tercero, el valor del sistema PHM depende de la integración con los procesos de operación: las alertas deben estar conectadas con el sistema de órdenes de Mantenimiento; de lo contrario, las alertas permanecen solo en el panel de control sin traducirse en acciones de Mantenimiento reales.

Preguntas frecuentes (FAQ)

Lecturas complementarias

Lecturas complementarias: Visión artificial con IA y despliegue en el borde con Jetson | Telemantenimiento 5G y Computación en el Borde | Proceso completo de fabricación de grúas