Diagnóstico de Fallas en Puente Grúa con Grafos de Conocimiento
Solución Técnica del Grafo de Conocimiento para Diagnóstico de Fallas en Puentes Grúa
El grafo de conocimiento transforma los registros de fallas, órdenes de mantenimiento, datos de repuestos y parámetros de equipo dispersos en la operación de puentes grúa en una red semántica estructurada. La cadena técnica comprende cuatro capas: capa de datos (órdenes de mantenimiento/registros de fallas/alarmas de sensores/cambios de repuestos/normas del sector/manuales de equipo), capa de extracción de conocimiento (reconocimiento de entidades BiLSTM+CRF + extracción de relaciones, F1=91.2%), capa de almacenamiento en grafo (Neo4j Enterprise 5.x, modelo de grafo de propiedades, ≥500.000 nodos) y capa de aplicación (razonamiento de diagnóstico de fallas/recomendación de planes de mantenimiento/búsqueda de fallas similares/consulta inteligente). El sistema ya está implementado en la base de conocimiento interna de Kelude Industrias Pesadas, cubriendo 8 tipos de equipos de puente grúa, 243 modos de falla y 1.580 casos de fallas.
El diagnóstico de fallas en puentes grúa ha dependido tradicionalmente de la experiencia individual de los ingenieros de mantenimiento. Durante el ciclo de vida de una grúa, de 15 a 20 años desde su instalación hasta su retiro, se generan cientos de órdenes de mantenimiento y registros de fallas; sin embargo, estos datos estructurados y semiestructurados, dispersos en diferentes sistemas (ERP, CMMS, Excel), no constituyen un activo de conocimiento reutilizable. La tecnología de grafos de conocimiento, mediante reconocimiento de entidades nombradas (NER), extracción de relaciones (RE) y almacenamiento en grafo (Neo4j), convierte esta información fragmentada en una red de asociaciones semánticas entre equipo-falla-causa-medida-repuesto. Este artículo, basado en la construcción de la base de conocimiento de fallas interna de Kelude Industrias Pesadas, presenta de forma integral la solución de ingeniería desde la recopilación de datos hasta el razonamiento mediante consultas al grafo. La siguiente solución técnica se referencia en la documentación oficial de Neo4j (Neo4j Graph Data Science Manual v5.x, 2024), el kit de procesamiento de lenguaje natural HanLP (versión 2.1, 2023) y la experiencia real de implementación del proyecto de base de conocimiento de fallas de Kelude Industrias Pesadas (código de proyecto KL-KG-2024-001).
Grafo de conocimiento de fallas en puentes grúa: fuentes de datos y sistema de entidades
Los datos del grafo de conocimiento de fallas en puentes grúa provienen de cuatro dimensiones: ①archivo del equipo (modelo/capacidad de carga/luz o vano/altura de elevación/clase de funcionamiento/número de serie/fecha de puesta en marcha); ②órdenes de falla (fecha de la falla/código de equipo/síntoma de la falla/código de falla/proceso de investigación/medidas de reparación/repuestos reemplazados/personal de mantenimiento/duración de la parada); ③datos de sensores (valor eficaz de vibración/temperatura/corriente/historial de sobrecargas); ④normas del sector (cláusulas de determinación de fallas según normas ISO 4301 / FEM 1.001, TSG 51 — Reglamento técnico de seguridad de equipos especiales, FEM 1.001, entre otras). Tras la extracción de entidades y relaciones, se definen 6 tipos de entidades y 9 tipos de relaciones:
| Tipo de entidad | Nombre de etiqueta | Ejemplo | Orden de magnitud |
|---|---|---|---|
| puente grúa Equipo | Crane | QD32t-023/ LD10t-156 | 500+ |
| Síntoma de falla | Fault | Elevacióndeslizamiento de la carga/desgaste del carril del puente grúa/Freno Ruido anormal | 243Tipo |
| Causa de falla | Cause | Forro de freno Desgaste/Superficie de Rodadura Picadura/Acoplamiento Superficie del diente Desgaste | 480+ |
| Mantenimiento Medida | Action | Reemplazo Forro de freno/ajuste Holgura de freno/Reemplazo Acoplamiento | 620+ |
| Repuesto Material | Part | YWZ5-315/23Freno/Rueda ZGY-600 | 1,200+ |
| Cláusula de la norma | Standard | norma ISO 4301 / FEM 1.001《grúa Diseño Especificación Interpretación de cláusulas clave: Carga/Estructura/Mecanismo/Eléctrico/Cinco sistemas de seguridad》 5.2.3 | 80+ |
| Tipo de relación | Nodo origen y destino | Descripción |
|---|---|---|
| has_fault | Crane Fault | Una unidadpuente grúa Ha presentado una falla |
| has_symptom | Fault | Ha presentado una falla AFalla concomitante BAparición simultánea |
| caused_by | Fault Cause | Falla causada por una razón |
| resolved_by | Fault Action | Falla resuelta mediante una medida |
| uses_part | Action Part | Medida que requiere reemplazo de Repuesto |
| ref_standard | Fault Standard | Relacionado con la falla Cláusula de la norma |
| similar_to | Fault | Ha presentado una falla ACon la falla BSimilar(Similitud coseno＞0.8) |
| located_in | Crane Location | puente grúa Ubicado en Taller/Tramo de trabajo |
| occurred_at | Fault Time | Momento de ocurrencia de la falla |
Extracción de Entidades Relacionales — Implementación con BiLSTM+CRF
La extracción de conocimiento es el paso más crítico en la construcción del grafo. El sistema emplea un modelo de etiquetado secuencial BiLSTM+CRF (red de memoria a corto y largo plazo bidireccional + campo aleatorio condicional), utilizando HanLP 2.1 como pipeline de preprocesamiento (segmentación, etiquetado gramatical y análisis de dependencias sintácticas), entrenado sobre 2.400 textos de fallas de puentes grúa anotados manualmente. El esquema de anotación utiliza BIOES (Begin/Inside/Outside/End/Single), con 6 tipos de entidades × BIOES = 30 etiquetas de anotación.
Almacenamiento en Neo4j y Consultas Cypher
Los tripletes extraídos (entidad cabeza - relación - entidad cola) se almacenan en la base de datos de grafos Neo4j Enterprise 5.x. Se emplea el modelo de grafo de propiedades etiquetado (Labeled Property Graph), donde cada nodo tiene una etiqueta (label), y las relaciones tienen tipo (type) y dirección (direction). Escala de datos: ≥58.000 nodos y ≥126.000 relaciones (a junio de 2026).
Ejemplo de consulta Cypher típica:
// ConsultaQD32t-023Todos los historiales de fallas del puente grúa y sus medidas de mantenimiento correspondientes MATCH (c:Crane {id: 'QD32t-023'})-[r1:has_fault]->(f:Fault) OPTIONAL MATCH (f)-[r2:resolved_by]->(a:Action) OPTIONAL MATCH (a)-[r3:uses_part]->(p:Part) RETURN f.name AS síntoma de falla, a.name AS Todos los historiales de fallas del puente grúa y sus medidas de mantenimiento correspondientes, p.name AS Sustitución de repuestos ORDER BY f.severity DESC// Razonamiento de fallas basado en rutas de grafos：Un puente grúa presenta"Deslizamiento de la carga en elevación"，Direcciones de diagnóstico recomendadas y repuestos MATCH path = (f:Fault {name: 'Deslizamiento de la carga en elevación'})-[*1..2]-(n) WHERE ANY(label IN labels(n) WHERE n:Action OR n:Part OR n:Cause) RETURN path LIMIT 30// Búsqueda de fallas similares（Basado en causas comunes+de las medidasJaccardSimilitud） MATCH (f1:Fault {name: 'Ruido anormal del freno'})-[r1]->(n) MATCH (f2:Fault)-[r2]->(n) WHERE f2 <> f1 WITH f2, COUNT(DISTINCT n) AS common, COLLECT(DISTINCT n.name) AS shared_nodes ORDER BY common DESC LIMIT 5 RETURN f2.name, common, shared_nodesRazonamiento Semántico y Preguntas Inteligentes
El valor del grafo de conocimiento reside en el razonamiento. El sistema admite tres modos de razonamiento:
①Razonamiento basado en reglas — Basado en un árbol de decisión predefinido para el diagnóstico de fallas (conjunto de reglas IF-THEN, elaborado por 3 ingenieros senior de mantenimiento de puentes grúa, que cubre 8 tipos de equipos × 243 fallas × 480+ causas, con un total de 1.520 reglas), implementado mediante recorrido de grafos Cypher para el diagnóstico automático;
②Razonamiento por ranking de caminos — Dado un nodo de falla, se utiliza un paseo aleatorio (Personalized PageRank, 20 iteraciones, probabilidad de reinicio 0,15) para clasificar los planes de mantenimiento candidatos, con una precisión del 86,4% en el Top-3 (conjunto de validación N=500);
③Preguntas semánticas — NL2Cypher basado en plantillas (conversión de lenguaje natural a consultas Cypher), compatible con 12 plantillas de preguntas (por ejemplo, ”¿Qué fallas ha tenido el puente grúa XX?” MATCH(c:Crane)…).
Comparativa: método tradicional frente a grafo de conocimiento
| Elemento de comparación | Enfoque tradicional(Base de datos relacional+Búsqueda por palabras clave) | Enfoque de grafo de conocimiento(Neo4j+Razonamiento semántico) |
|---|---|---|
| Modelo de datos | Tabla bidimensional, Relación por clave foránea | Grafo de propiedades, Nodo-Relación-Propiedad |
| Consulta de fallas relacionadas | Múltiples tablas JOIN(3~5Tablas), Tiempo de respuesta500ms~3s | Recorrido de grafo, Tiempo de respuesta＜50ms |
| Razonamiento multi-salto(Por ejemplo: Causa y medida de falla Repuesto) | Requiere4Vez SQLConsulta de fallas relacionadas+Ensamblaje en capa de aplicación | Única Cypher Recorrido de grafo[1..4]Salto |
| Detección de fallas similares | Basado en coincidencia de etiquetas y palabras clave, Baja precisión | Basado en estructura de grafo Jaccard Similitud coseno+Page Rank |
| Reutilización de conocimiento | Dependencia de la experiencia personal, Pérdida de conocimiento por rotación de personal | Almacenamiento persistente del grafo de conocimiento, Compartido por el equipo |
| Arranque en frío de equipos nuevos | Requiere acumular registros de fallas suficientes | Razonamiento por transferencia basado en estructura de grafo de equipos similares |
| Flexibilidad de consulta | Informes predefinidos, Consultas ad hoc requieren desarrollo | Cypher Consulta ad hoc, Web Autoservicio en interfaz |
Preguntas frecuentes
P: ¿Cuántos datos necesita el grafo de conocimiento para ser realmente útil?
R: Para empezar, se recomienda disponer de al menos 500 registros de fallas (que incluyan síntoma + causa + medida correctiva), lo que equivale a unas 6.000–8.000 entidades y 12.000–15.000 relaciones. Con este volumen, la precisión de las tres principales recomendaciones de fallas supera el 70%. Cuando los datos crecen hasta más de 2.000 registros (el volumen actual de este proyecto), la precisión aumenta al 86%. En la fase de arranque en frío, se pueden importar datos públicos de fallas del sector y cláusulas normativas como base de conocimiento semilla.
P: ¿Cuál es la diferencia clave entre Neo4j y MySQL/PostgreSQL en la gestión del conocimiento de fallas?
R: La diferencia fundamental radica en la eficiencia de las consultas multi-salto. Por ejemplo, para consultar "las medidas correctivas de fallas similares a las que ha tenido un puente grúa", MySQL requiere de 5 a 8 operaciones JOIN (con respuesta en segundos) y, una vez fijada la estructura de tablas, es difícil añadir nuevas dimensiones de relación. Neo4j, mediante el patrón de coincidencia de longitud variable `[*1..4]`, completa la consulta con una sola sentencia Cypher, con una respuesta inferior a 50 ms. Además, el modelo de grafo admite de forma natural la expansión horizontal: añadir nuevos tipos de entidades o relaciones no exige modificar la estructura de las tablas.
P: ¿Cuántos datos anotados manualmente se necesitan para la extracción de entidades y relaciones?
R: Este proyecto utiliza 2.400 datos anotados manualmente (28.600 entidades y 12.400 relaciones), con un coste de anotación de aproximadamente 1.537 EUR (3 anotadores × 10 días × 51 EUR/día). Si el presupuesto de anotación es limitado, también se puede optar por el método de supervisión a distancia (Distant Supervision), que aprovecha la tabla BOM de repuestos y la tabla de códigos de falla existentes para generar automáticamente datos de anotación débil, que luego se verifican manualmente. Esto permite reducir la cantidad de anotaciones a 400–600, a costa de que el valor F1 descienda del 91,2% a aproximadamente el 85%.
P: ¿Son suficientes las 12 plantillas de NL2Cypher para la consulta semántica?
R: Las 12 plantillas cubren aproximadamente el 85% de los escenarios de consulta diaria de la base de conocimiento de fallas (según las estadísticas de los registros de consultas de mantenimiento de Kelude Industrias Pesadas durante 3 meses). Las plantillas se dividen en 3 categorías funcionales: consultas de fallas (fallas de un equipo, causas de una falla, medidas correspondientes a una causa), consultas de repuestos (repuestos utilizados en una medida, medidas aplicables a un repuesto) y análisis estadístico (fallas más frecuentes TOP N, equipos con mayor ciclo de mantenimiento). Las consultas en lenguaje natural que quedan fuera del alcance de las plantillas se degradan actualmente a sugerencias de sintaxis Cypher con completado manual.
