Mantenimiento predictivo y telemantenimiento para puente grúa
Parámetros clave
El sistema de mantenimiento predictivo para puentes grúa adquiere señales de vibración, temperatura y corriente en el borde (análisis de espectro FFT + extracción de características en el dominio del tiempo). En la nube, un modelo 1D-CNN+LSTM analiza el estado de salud y predice la vida residual (desviación de RUL ≤15%). El modelo ha sido entrenado con datos de 1200 puentes grúa. Tras su implementación, las paradas no programadas anuales se redujeron de 7 a 2 (una disminución del 71%), y el inventario de repuestos se redujo en un 45%. La plataforma remota de operación y mantenimiento permite la monitorización en tiempo real vía Web/APP, actualizaciones de firmware OTA, inspección por vídeo y gestión de órdenes de trabajo de mantenimiento.
El puente grúa es un equipo crítico en la producción continua; una parada no programada puede acarrear pérdidas de miles a decenas de miles de yuanes por hora. El modelo tradicional de «mantenimiento preventivo periódico + reparación tras avería» presenta dos inconvenientes principales: primero, el mantenimiento periódico requiere reemplazos a intervalos fijos independientemente del estado real del equipo (lo que genera desperdicio si la vida útil de los componentes no se ha agotado); segundo, las paradas por fallo son totalmente impredecibles (en casos graves, pueden detener toda la línea de producción). El enfoque de mantenimiento predictivo basado en la computación en la nube y en el borde (cloud-edge) supervisa y analiza continuamente los datos operativos del equipo para anticipar tendencias de salud antes de que ocurran fallos, permitiendo un mantenimiento bajo demanda. Este artículo detalla la solución de ingeniería completa para el mantenimiento predictivo de puentes grúa, abarcando la configuración de sensores, la extracción de características en el borde, el entrenamiento de modelos en la nube y la plataforma remota de operación y mantenimiento.
Configuración de sensores y adquisición de datos
El despliegue de sensores para el mantenimiento predictivo de puentes grúa cubre tres áreas críticas: el motor de elevación (vibración + temperatura), el reductor (vibración + temperatura del aceite) y el freno (temperatura + detección de desgaste). Se recomienda instalar por grúa: 4 sensores de vibración (tipo IEPE, rango de frecuencia 0.5Hz~10kHz, sensibilidad 100mV/g, frecuencia de muestreo 25.6kHz), 6 sensores de temperatura (PT100, precisión ±0.3°C), 3 sensores de corriente (efecto Hall de bucle cerrado, precisión ±1% F.S.) y 1 sensor de desgaste del freno (sensor de desplazamiento magnetostrictivo, precisión ±0.1mm). Las señales de los sensores se conectan al módulo de adquisición de datos del PLC de la grúa (SM1231 AI 8×13bit) o a un módulo de adquisición de datos dedicado en el borde (ADS1256, ADC de 24 bits, interfaz SPI para conectar la caja de computación en el borde).
Estrategia de adquisición: Los sensores de vibración muestrean continuamente (25.6kHz). La caja de computación en el borde realiza una transformada FFT (1024 puntos) cada 10 segundos, extrae las características del dominio de la frecuencia y descarta la señal original (no se sube a la nube, ahorrando ancho de banda y almacenamiento). Los sensores de temperatura muestrean cada 1 segundo y suben el valor medio cada 10 segundos. Los sensores de corriente muestrean cada 100 ms (sincronizados con el ciclo de escaneo del PLC) y suben los datos cada 1 segundo. El ancho de banda total de subida es de aproximadamente 2.5KB/grúa/segundo (incluyendo características de vibración + temperatura + corriente + estado). Para 20 grúas, esto supone unos 50KB/segundo, perfectamente manejable con una red 4G.
Extracción de características en el borde y análisis espectral FFT
La caja de computación en el borde (Jetson Orin NX o gateway IoT2040) ejecuta un programa de análisis FFT en tiempo real, realizando una transformada FFT de 1024 puntos sobre los datos muestreados a 25.6kHz por canal (resolución de frecuencia de 25Hz, rango espectral de 0~12.8kHz). Las características del dominio de la frecuencia extraídas se clasifican en cuatro categorías:
Frecuencia de pico
Identificación: desequilibrio / desalineación de ejes / holgura
Banda lateral
Identificación: fallo en aro exterior / interior / elemento rodante
Energía de alta frecuencia
Identificación: anomalías en el engranaje
Valor RMS total
Identificación: evaluación de la tendencia general de salud
Establecimiento de la línea base de tendencias: Los primeros 30 días tras la puesta en marcha de un nuevo equipo se consideran el período de referencia. En el borde, se calcula la media diaria ± 3σ de cada característica como rango normal. La línea base se almacena localmente en una base de datos SQLite en el borde y en la base de datos de series temporales en la nube. Cuando una característica supera el rango de la línea base (por ejemplo, si el RMS de vibración supera el doble de la línea base), el borde envía inmediatamente un mensaje de alerta al gateway (MQTT QoS 1). El gateway lo sube a la nube y se envía una notificación push a la APP del personal de mantenimiento en menos de 30 segundos. El borde también registra los datos brutos de la forma de onda anómala (10 segundos antes del fallo) como entrada complementaria para el análisis del modelo en la nube.
Modelo de predicción de vida residual 1D-CNN y LSTM en la nube
El modelo de IA en la nube consta de dos etapas: clasificación del estado de salud (1D-CNN) y regresión de la vida residual (LSTM). El modelo de clasificación 1D-CNN toma como entrada el vector de características de 32 dimensiones subido desde el borde (4 canales de vibración × 8 características de frecuencia) y produce 5 clases de estado de salud: Normal (Etiqueta 0), Degradación leve (Etiqueta 1), Degradación moderada (Etiqueta 2), Degradación severa (Etiqueta 3), Pre-fallo (Etiqueta 4). La estructura del modelo es: Conv1D(64,128,256)+MaxPool+GlobalAvgPool+Dense(128,5), con aproximadamente 86K parámetros y una precisión de clasificación del 94.7% (validado con datos históricos de mantenimiento etiquetados).
El modelo de predicción de vida residual LSTM utiliza una secuencia temporal de vectores de características de 32 dimensiones de los últimos 7 días como entrada (paso de tiempo = 7×24×6=1008, un vector de características cada 10 minutos). A través de dos capas LSTM (128,64) + Dense(32,1), se predice el valor de vida residual (en horas). Los datos de entrenamiento provienen de la base de datos de mantenimiento postventa de Kelude Industrias Pesadas (1200 puentes grúa × una media de 3 años de datos operativos), totalizando aproximadamente 360,000 grúa-años de datos. Mediante validación cruzada de 5 pliegues, la desviación de predicción de RUL (MAPE) es ≤15%. El modelo se reentrena automáticamente cada 24 horas con nuevos datos operativos (tiempo de entrenamiento de aproximadamente 8 minutos por ronda).
Flujo de órdenes de trabajo de mantenimiento predictivo y notificaciones APP
El valor final del mantenimiento predictivo reside en desencadenar la acción de mantenimiento correcta. Las reglas de flujo de trabajo de la Plataforma en la Nube de Kelude se basan en la clasificación del estado de salud:
Normal (Label 0~1)— Solo se registran datos, sin generar ninguna notificación. El sistema supervisa continuamente las tendencias en segundo plano.
Degradación moderada (Label 2)— El sistema marca el equipo como "en seguimiento" en la APP de operación y mantenimiento, envía un resumen semanal al administrador del equipo y recomienda incluirlo en el próximo plan de revisión.
Degradación severa (Label 3)— Notificación inmediata mediante APP y SMS, con recomendación de programar una parada de mantenimiento en un plazo de 7 días. El sistema genera automáticamente una orden de trabajo de mantenimiento preventivo.
Pre-fallo (Label 4)— Alarma de tres niveles inmediata: APP, llamada telefónica y correo electrónico, con recomendación de detener el equipo y realizar mantenimiento de inmediato. El sistema genera automáticamente una orden de reparación (con ubicación de la avería, recomendaciones de reparación y lista de repuestos necesarios) y muestra si hay stock de repuestos disponible en las proximidades.
Funciones del panel de operación y mantenimiento en la APP: Vista general del equipo (estado de salud en tiempo real de todos los puente grúa con semáforo de tres colores), curvas de tendencia de vibración (consulta de tendencia RMS y espectro FFT en cualquier período), historial de alarmas (con forma de onda original en el momento de la alarma), lista de órdenes de trabajo (estado, responsable y tiempo estimado de finalización) y consulta de stock de repuestos (conectado al módulo de repuestos del ERP de la empresa). La APP de Kelude está disponible para Android e iOS, con datos protegidos mediante HTTPS y autenticación por Token JWT.
Telemantenimiento y actualización de firmware OTA
La función de telemantenimiento permite al equipo de servicio postventa de Kelude realizar la mayoría de las tareas de mantenimiento sin desplazarse al sitio. Las funciones principales se dividen en las siguientes cuatro categorías:
| ① Monitoreo Remoto Acceso de ingeniero de servicio postventa Plataforma en la Nubepermite ver Cualquierapuente grúadefuncionamiento en tiempo real Parámetro(Corriente, temperatura, vibración, tiempo de funcionamiento, etc.)y tendencias históricas.admite paneles personalizados, por grupo de equipos/comparación resumida por zona. Web/APP |
| ② remoto Diagnóstico de Fallas el ingeniero puede APPo Webleer de forma remota desde el terminal PLCbuffer de fallos(Diagnósticobuffer de fallosOB82/OB86/OB121)y registros del edge box, analizar la causa de la falla y proporcionar Mantenimientorecomendaciones.admite Código de fallaanálisis automático y Mantenimientorecomendación de soluciones. lectura remota Diagnóstico |
| ③ video Inspección puente grúa AIla cámara admite visualización remota en tiempo real(H.264flujo, latencia≤1segundos), el ingeniero puede realizar inspección visual remota Gancho/Cable de Acero/Línea de Alimentaciónestado.admite marcado de capturas y reproducción de video. H.264en tiempo real |
| ④ OTAfirmware Actualización Computación en el Bordeel edge box y la puerta de enlace admiten firmware remoto OTAActualización.Actualizaciónpaquete mediante MQTT(Qo S 2)distribución por fragmentos(cada fragmento64KB), verificación durante la descarga(SHA-256, reversión automática a la versión anterior en caso de fallo).puente grúa PLCel firmware se escribe a través de la Profinetinterfaz del edge box.completado87actualizaciones remotas Actualización, ahorro promedio en costos de desplazamiento¥2,000/veces. SHA-256verificación durante la descarga |
Mantenimiento tradicional vs. predictivo: diferencias clave
| Dimensión de Comparación | mantenimiento preventivo tradicional | fallas tradicionales Mantenimiento | mantenimiento predictivo colaborativo nube-borde |
|---|---|---|---|
| modo de activación del mantenimiento | Fijaciónciclo de tiempo(por ejemplo, cada3meses) | emergencia después de una falla Mantenimiento | activación en tiempo real según el estado del equipo |
| estrategia de reemplazo de piezas | reemplazo total al vencimiento(desperdicio promedio de vida útil de piezas40%) | reemplazo solo cuando se daña(reemplazo forzado) | según RULreemplazo predictivo antes de la falla |
| parada no programadafrecuencia | 5~8veces/año | 8~15veces/año | 1~3veces/año |
| Repuestoinventario | alto(según Fijaciónreserva por lista) | impredecible | reserva precisa según resultados predictivos reducción de inventario45% |
| soporte de datos | sin(basado en experiencia) | análisis posterior a la falla | 7×24hvibración continua/temperatura/Corrientedatos |
| dotación de personal | 2~3técnicos dedicados Mantenimientotécnicos | requiere24hen espera | 1técnicos a tiempo parcial Monitoreo+APPenvío |
| costo total anual de mantenimiento | referencia(100%) | 120~180% | 60~75% |
Configuración de Sensores y Parámetros Técnicos
| Sensortipo | Modelo/Especificación | cantidad | Detecciónubicación | Precisión | precio unitario(yuan) |
|---|---|---|---|---|---|
| Sensor de Vibración | IEPE 100mV/g | 4 | Motorantes y después Rodamiento+Reductoraltoeje de baja velocidad | Frecuencia0.5Hz~10kHz | ¥650 |
| Sensor de Temperatura | PT100 sistema de tres hilos | 6 | Motordevanado×2+Freno×2+Reductortanque de aceite×2 | ±0.3°C | ¥120 |
| sensor de corriente | lazo cerrado Hall 0~100A | 3 | Motor de Elevacióntrifásico | ±1%F.S. | ¥280 |
| Freno Desgaste | magnetostrictivo Telescopajedesplazamiento | 1 | zapata de freno Desgastecantidad | ±0.1mm | ¥450 |
Preguntas Frecuentes (FAQ)
P: ¿Cuánto tiempo tarda el modelo de mantenimiento predictivo en alcanzar una precisión suficiente?
R: Kelude Industrias Pesadas utiliza los datos de mantenimiento postventa de 1200 puentes grúa como conjunto de entrenamiento base, por lo que el nuevo cliente obtiene un modelo de referencia desde el primer día. En cuanto a la acumulación de datos propios del cliente: la primera semana se establece la línea base de vibración; el primer mes se obtiene capacidad de detección de tendencias preliminar; al tercer mes, la desviación de la predicción RUL del modelo se estabiliza en ≤20%; y al sexto mes se alcanza la precisión final de ≤15%. Se recomienda evaluar el rendimiento del modelo durante al menos 6 meses tras la puesta en marcha. Kelude Industrias Pesadas entrega en la fase de aceptación un informe comparativo de precisión entre el periodo de referencia y el periodo estable.
P: ¿El sistema de mantenimiento predictivo generará muchas falsas alarmas que acaben por insensibilizar al personal de mantenimiento?
R: La tasa de falsas alarmas se controla en un nivel muy bajo mediante un filtrado de tres capas: la primera capa — filtrado por umbral de línea base en el borde (solo se genera una alerta candidata cuando el valor de la característica supera ±3σ); la segunda capa — verificación de continuidad temporal en la nube (la alerta debe superar el umbral durante 3 ciclos consecutivos para confirmarse como alerta real, filtrando las fluctuaciones puntuales); la tercera capa — filtrado por confianza de clasificación del modelo 1D-CNN (solo se envía la notificación si la confianza es ≥0.85 para los resultados de Etiqueta 3/4). La tasa de falsas alarmas medida es de aproximadamente 1,2 veces/mes por puente grúa, de las cuales alrededor del 83% requieren mantenimiento real. El personal puede marcar "falsa alarma" en la APP para retroalimentar y optimizar el modelo.
P: ¿Qué hacer si un puente grúa antiguo no tiene espacio de montaje para el Sensor de Vibración?
R: El Sensor de Vibración se instala en la superficie mecanizada de la tapa del Soporte de Rodamiento del reductor y del rodamiento del motor (orificios roscados M6 o M8). Los reductores y motores de puentes grúa antiguos suelen tener orificios roscados de proceso (para izaje y montaje) que pueden aprovecharse directamente. Si no hay punto de montaje disponible, se puede utilizar una base magnética para el sensor (fuerza magnética ≥50N, rango de respuesta en frecuencia 0,5Hz~5kHz, ligeramente inferior al montaje roscado de 0,5Hz~10kHz, pero la banda de frecuencia principal del puente grúa se concentra entre 500Hz~5kHz, por lo que el impacto es despreciable). Kelude Industrias Pesadas ofrece kits de sensores con ambas opciones de montaje — magnético y roscado — al mismo precio.
P: ¿Cuál es la inversión necesaria y el periodo de retorno de la inversión del sistema de mantenimiento predictivo?
R: El coste de la reforma para mantenimiento predictivo de un solo puente grúa es de aproximadamente 3.200 € a 4.500 € (incluye 10 kits de sensores por 1.025 € + Computación en el Borde por 833 € + pasarela de datos a la nube por 320 € + Instalación y Puesta en Marcha por 641 € + servicio de Plataforma en la Nube del primer año por 384 €). Considerando que cada parada no programada del puente grúa supone una pérdida de aproximadamente 1.282 € a 2.564 € (incluyendo pérdidas de producción y costes de Mantenimiento), el mantenimiento predictivo reduce las paradas no programadas anuales de 7 a 2, generando un ahorro de aproximadamente 6.400 € a 12.800 € por grúa y año. Es decir, la inversión se recupera en unos 4 a 6 meses por unidad. A esto se añade la reducción del 45% en el inventario de Repuestos (aproximadamente 3.850 € a 6.400 € por grúa y año) y la extensión de la vida útil de componentes críticos como Rodamientos y Engranajes en un 30~50%, lo que hace que el ROI sea muy claro. Kelude Industrias Pesadas ofrece una prueba gratuita de los primeros 3 meses (solo se cobra el coste del hardware), y el contrato de servicio anual se firma solo si el cliente queda satisfecho.
