Plataforma remota O&M para puente grúa supera 200 equipos

El despliegue a gran escala de la plataforma remota de operación y mantenimiento constituye el baremo definitivo para evaluar la madurez del sistema. Desde su puesta en marcha, el número de equipos conectados ha experimentado un crecimiento sostenido, superando en la fecha de redacción de este artículo las 200 unidades en monitoreo en línea, con cobertura en cuatro sectores industriales —metalurgia, construcción naval, fabricación de equipos pesados y energías renovables— en 18 provincias y municipalidades de todo el país. Los datos operativos de la plataforma reflejan una precisión del 95% en alerta temprana con IA, con más de 1800 eventos anómalos detectados de forma anticipada, lo que ha permitido evitar más de 300 paradas no programadas y generar un ahorro estimado en pérdidas de producción superior a los 2,54 millones EUR. El presente informe aborda de forma sistemática cuatro dimensiones: la curva de crecimiento del número de equipos conectados, la trayectoria de mejora de la precisión de la alerta temprana, casos típicos de alerta y el análisis de los datos operativos.

Escala de equipos conectados y distribución sectorial

Desde su lanzamiento, la plataforma ha atravesado tres fases: en el primer mes se conectaron 12 puentes grúa (todos ellos de clientes en fase de pruebas internas); entre el segundo y el tercer mes se incorporaron 53 unidades (fase de recomendación de boca a boca, con nuevos clientes procedentes principalmente de las recomendaciones de los clientes iniciales); y entre el cuarto y el sexto mes se sumaron 135 unidades (fase de expansión comercial a gran escala, con la incorporación del canal de distribuidores).

La distribución sectorial de los 200 equipos conectados es la siguiente: sector metalúrgico, 87 unidades (43,5%), centrado principalmente en la supervisión de puentes grúa para izaje y transporte de bobinas de acero y grúas de fundición; fabricación de equipos pesados, 52 unidades (26%), que cubren escenarios de ensamblaje de piezas de gran tamaño e izaje de matrices; construcción naval, 38 unidades (19%), destinadas a la monitorización de puentes grúa en talleres de bloques y gradas; y energías renovables, 23 unidades (11,5%), orientadas al izaje de matrices de palas eólicas y al transporte de vidrio solar. Por tipología de equipo, se registran 158 Puente Grúa (79%) y 42 Grúa Pórtico (21%). La capacidad de carga abarca una gama completa de 5t a 200t, con equipos que van desde unidades recién salidas de fábrica hasta puentes grúa en servicio desde hace más de 15 años.

Mejora de la precisión de la alerta temprana con IA

La precisión de la alerta temprana con IA constituye el indicador de rendimiento más crítico de la plataforma remota de operación y mantenimiento. Se define como la proporción de alertas correctas sobre el total de alertas emitidas (una alerta se considera correcta cuando el evento anómalo es verificado y confirmado mediante inspección manual). En la fase inicial de la plataforma, la precisión rondaba el 78%; tras tres iteraciones del modelo y el ajuste de parámetros, se ha alcanzado el 95% actual:

Primera iteración (meses 1-2, precisión del 78% al 83%): el modelo inicial de detección de anomalías, basado en el algoritmo de bosque de aislamiento (Isolation Forest), se entrenó con conjuntos de datos de laboratorio. Al aplicarlo a datos reales de fábrica, se evidenciaron dos problemas: el ruido ambiental del taller (interferencias de corriente de soldadura y armónicos del variador de frecuencia) provocaba falsos positivos en múltiples parámetros; y la desviación de la línea base entre puentes grúa antiguos y nuevos generaba un sesgo en el modelo. La incorporación de un filtro de Kalman (KF, con covarianza de ruido de proceso Q=0.01 y covarianza de ruido de medición R=0.1) en la etapa de preprocesamiento para eliminar el ruido de alta frecuencia de los sensores permitió mejorar la precisión en 5 puntos porcentuales. Asimismo, se estableció un modelo de línea base de parámetros independiente para cada puente grúa (utilizando los datos operativos de las primeras 72 horas como línea base inicial, con actualización automática cada 24 horas), evitando así los problemas de desviación derivados del uso compartido de líneas base entre equipos.

Segunda iteración (meses 3-4, precisión del 83% al 89%): se evolucionó del modelo de bosque de aislamiento de parámetro único a un modelo de detección de anomalías por correlación multiparamétrica, empleando un autocodificador (Autoencoder, con 36 dimensiones de entrada, 12 dimensiones de codificación, 200 épocas de entrenamiento y tasa de aprendizaje de 0.001) para reconstruir el estado operativo multidimensional del puente grúa, determinando la existencia de anomalías mediante la magnitud del error de reconstrucción (MSE). Este modelo permite detectar eficazmente anomalías de correlación entre múltiples parámetros (por ejemplo, la combinación de "aumento de corriente en el Motor de Elevación + fluctuación de tensión del Cable de Acero + aumento lento de temperatura en el Freno" indica desgaste del freno, algo difícil de detectar con un monitoreo de parámetro único). La precisión mejoró en 6 puntos porcentuales, pero se introdujo aproximadamente un 2% de tasa de falsas alarmas debido al sobreajuste del modelo, que se resolvió añadiendo regularización L2 (coeficiente 0.01) y dropout (dropout_rate=0.2).

Tercera iteración (meses 5-6, precisión del 89% al 95%): se implementó un mecanismo de retroalimentación de mantenimiento en bucle cerrado. Tras cada alerta, el cliente registra en la plataforma el resultado de la intervención (fallo real / falso positivo / en observación), y la plataforma reentrena el modelo mensualmente con estos datos anotados. En los primeros seis meses se recopilaron 1938 registros de datos anotados, de los cuales 1483 eran muestras positivas (fallos reales) y 455 negativas (falsos positivos). Mediante el ajuste fino por transferencia de aprendizaje del modelo de autocodificador con estos datos anotados, la precisión se elevó al 95%. Los datos operativos actuales del modelo en los 200 equipos muestran una media de 15 a 25 alertas diarias, de las cuales entre 14 y 24 son correctas y aproximadamente 1 es un falso positivo, manteniendo la tasa de falsas alarmas por debajo del 5%.

Casos representativos de alerta temprana

De los más de 1800 eventos de alerta registrados, tres casos destacan por su antelación en la detección y el valor significativo en la prevención de pérdidas:

Caso 1: Alerta de grieta en la jaula de rodamiento del Motor de Elevación. En un Puente Grúa de 32t de una empresa metalúrgica, el modelo de IA de la plataforma detectó a las 2:15 a.m. del 12 de julio señales de picos intermitentes en los parámetros de vibración del motor de elevación (la Aceleración vibratoria pasó de 1,2 m/s² a 4,8 m/s², con una duración de aproximadamente 0,3 segundos antes de volver a la normalidad, repitiéndose a intervalos de unos 15 minutos). El modelo de IA interpretó este patrón como la característica temprana de los Elemento Rodante al atravesar una zona de grieta en el rodamiento, y emitió una alerta de nivel Crítico. A las 8:00 a.m. del mismo día, el ingeniero de planta confirmó mediante un analizador de vibraciones portátil la presencia de una grieta radial en la jaula de rodamiento del lado del accionamiento del motor. La empresa contactó de urgencia al fabricante del motor, que completó el Reemplazo de rodamientos en 3 días, evitando así un incidente de roce rotor-estator provocado por la fractura de la jaula del rodamiento. De no haberse detectado a tiempo, el fallo habría provocado la quemadura del devanado del estator y una parada de producción superior a 3 días, con pérdidas directas estimadas en aproximadamente 572.000 EUR. La alerta se emitió con unas 68 horas de antelación.

Caso 2: Alerta de grieta por fatiga en el Cordón de Soldadura de la Viga Principal. En un Puente Grúa de 100t con 12 años de servicio en una empresa de construcción naval, el módulo de análisis de tendencias de la plataforma detectó que la Flecha de la viga principal en el centro del vano aumentó de 14,2 mm a 15,8 mm en un periodo de 30 días, con una tasa de crecimiento tres veces superior a la línea base histórica. La plataforma clasificó la situación como anomalía estructural y emitió una alerta de nivel Advertencia. La empresa encargó a un organismo de inspección la realización de ensayos ultrasónicos y Ensayo por Partículas Magnéticas (MT), que revelaron una grieta por fatiga longitudinal de 85 mm de longitud (aproximadamente 3 mm de profundidad) en la soldadura de filete que une el ala inferior con el Alma de la Viga Principal. De haberse propagado más allá de los 200 mm, este defecto podría haber comprometido la resistencia estructural de la viga principal. Según el registro de mantenimiento posterior y el cálculo de resistencia estructural, esta alerta evitó una parada del equipo por propagación de la grieta y los consiguientes costes de reparación por soldadura, estimados en unos 356.000 EUR.

Caso 3: Alerta de envejecimiento térmico del módulo IGBT del Variador de Frecuencia. En una Grúa Pórtico de 50t de una empresa de fabricación de equipos pesados, se activó la regla de correlación de la plataforma: la combinación de "temperatura elevada del radiador del variador (superior a 75°C durante 3 días consecutivos) + aumento del contenido armónico de la corriente de salida del variador (THD del 4,5% al 8,2%) + fluctuación de la Velocidad de Traslación del Puente (desviación superior al 5% entre la velocidad programada y la real)" indicaba una anomalía correlacionada. La plataforma diagnosticó un envejecimiento térmico del módulo IGBT que provocaba una deriva en las características de conmutación. Tras el reemplazo del módulo IGBT, el ingeniero de planta midió con una cámara termográfica la temperatura del radiador del nuevo módulo, que descendió de 82°C a 56°C. De no haberse sustituido a tiempo, el IGBT habría sufrido un cortocircuito por ruptura térmica en aproximadamente 2 semanas, lo que habría requerido la sustitución completa del variador (coste aproximado de 48.000 EUR) y una parada de producción de 2 días. La alerta se emitió con 10 días de antelación.

Datos operativos y análisis de beneficios para el cliente

Según las estadísticas de datos operativos de los 200 equipos conectados durante 6 meses, los resultados globales de rendimiento de la plataforma son los siguientes: la plataforma procesa diariamente alrededor de 1,5 millones de registros de datos operativos (aproximadamente 7.500 registros por puente grúa al día, incluyendo parámetros de estado, datos de vibración y eventos de alerta). Se generan diariamente unas 20 alertas efectivas, de las cuales aproximadamente 25 mensuales son de nivel Crítico, unas 180 mensuales de nivel Advertencia y unas 400 mensuales de nivel Informativo.

En cuanto a los beneficios para el cliente, la tasa de paradas no programadas de los equipos se redujo del 4,2 % mensual previo a la conexión al 1,5 % mensual posterior, lo que supone un descenso de aproximadamente el 64 %. El tiempo medio de reparación (MTTR) se acortó de 6,8 horas a 2,1 horas. El coste mensual medio de mantenimiento por puente grúa (incluyendo repuestos y mano de obra) pasó de unos 3.500 CNY a unos 1.800 CNY. Considerando los 200 equipos, el ahorro mensual en mantenimiento asciende a unos 340.000 CNY, lo que equivale a un ahorro anual de aproximadamente 4 millones de CNY. La tasa de renovación de clientes (estadística de renovación a 6 meses) es del 92 %, y la puntuación de satisfacción del cliente (NPS) alcanza los 68 puntos, lo que supone una mejora de 6 puntos frente a los 62 puntos iniciales.

Preguntas frecuentes sobre la plataforma de monitoreo