Datos de puente grúa: del sensor al análisis inteligente
La cadena completa de datos de operación de un puente grúa comprende 5 niveles: adquisición por sensores (vibración/temperatura/corriente/encoder, 8~16 por unidad), depuración en el borde (eliminación de anomalías por 3σ + remuestreo + extracción de características FFT), almacenamiento temporal (InfluxDB/TimescaleDB, incremento diario de 10~50GB/estación), análisis inteligente (predicción de mantenimiento con LSTM/detección de anomalías/optimización de planificación) y panel de visualización (Grafana + notificaciones APP).Cada puente grúa genera aproximadamente 3~18TB de datos brutos al año; tras un análisis efectivo, es posible reducir las paradas no programadas en un 40~60%. La plataforma de big data de Kelude ya está conectada a más de 200 puentes grúa y acumula más de 5PB de datos operativos.
El puente grúa (grúa de doble carril o grúa pórtico) es uno de los equipos con mayor densidad de datos en una fábrica moderna: cada unidad incorpora entre 8 y 16 sensores que, a una frecuencia de muestreo de 100 Hz, generan de forma continua señales multidimensionales de vibración, temperatura, corriente y posición. Un solo puente grúa produce entre 30 y 50 GB de datos brutos diarios, y una fábrica mediana con 20 unidades acumula más de 200 TB al año. Sin embargo, la mayoría de las plantas aprovecha menos del 5% de estos datos: las señales permanecen brevemente en el PLC y el variador de frecuencia, sin llegar jamás a la tubería de análisis. Este artículo desglosa por completo la solución técnica de extremo a extremo para los datos operativos del puente grúa, desde la adquisición, depuración, almacenamiento y análisis hasta la visualización.
1. Capa de adquisición de datos por sensores: percepción multidimensional de la grúa
La adquisición de datos operativos del puente grúa es el punto de partida de la cadena de análisis. Los distintos sensores capturan magnitudes físicas diferentes que cubren todos los parámetros de estado de la maquinaria y del sistema eléctrico de la grúa. La solución estándar de adquisición de datos de Kelude incluye los siguientes sensores:
| Tipo de sensor | Medición Parámetro | Modelo/Especificación | Frecuencia de muestreo | Cantidad por unidad | Ubicación de instalación |
|---|---|---|---|---|---|
| Sensor de Vibración Aceleración(mm/s²) | IEPE tipo, 0.5Hz~10kHz | 25.6kHz | 4~6unidad | Motor/Reductor/Eje de Rueda Soporte/Tambor | |
| Sensor de Temperatura | Temperatura(°C) | PT100, ±0.3°C | 1Hz | 4~8unidad | Motor Bobinado/Reductor Cárter de aceite/Freno/Carril |
| sensor de corriente | Corriente(A) | Efecto Hall, ±1%F.S. | 1kHz | 3unidad | Elevación / Izado/Carro/variador de frecuencia de traslación del puente Salida |
| Encoder Posición/velocidad | Incremental/Absoluto, 1024pulsos por revolución (PPR) | 100Hz | 2~4unidad | Motor de Elevación/Puente/Carro Accionamiento | |
| Peso Sensor | Carga(t) | Tipo columna/Tipo pasador de eje, 0.5%F.S. | 10Hz | 1unidad | polea del gancho Bobinado |
2. Limpieza y preprocesamiento de datos en el borde: de la señal bruta a características útiles
La señal bruta de los sensores no puede enviarse directamente a un modelo de análisis. El nodo de computación en el borde (NVIDIA Jetson Orin NX/AGX), ubicado cerca del puente grúa, realiza la limpieza en tiempo real, el remuestreo y la extracción de características, comprimiendo los datos de vibración originales de 25.6 kHz en valores de características por segundo. El proceso de limpieza consta de cuatro pasos:
Paso 1: Eliminación de valores atípicos. Se aplica la regla 3σ (criterio de Pauta). Para cada canal de sensor, se calculan la media μ y la desviación estándar σ sobre una ventana deslizante de longitud N=1.000 puntos. Los puntos que exceden μ±3σ se marcan como atípicos y se eliminan. En los datos de vibración, los picos esporádicos causados por interferencias (ruido electromagnético, impactos mecánicos) representan aproximadamente el 0,1~0,5% de las muestras; tras su eliminación, se reconstruye la señal mediante interpolación lineal.
Paso 2: Imputación de valores faltantes. El sensor de temperatura y el sensor de corriente tienen una frecuencia de muestreo baja (1 Hz~1 kHz) y, ocasionalmente, se producen pérdidas de datos debido a la pérdida de paquetes en la comunicación. Para ausencias de menos de 100 ms se utiliza interpolación lineal; para ausencias de 100 ms o más, se emplea imputación KNN (k=5, seleccionando los 5 vecinos más similares dentro de la ventana temporal y calculando su media ponderada). La precisión de imputación medida en el edge box de Kelude es superior al 98%.
Paso 3: Remuestreo y alineación temporal. Todos los sensores con diferentes frecuencias de muestreo se remuestrean a una frecuencia base común de 1 Hz. La estrategia de reducción de la vibración de 25.6 kHz a 1 Hz consiste en extraer, por segundo, cuatro estadísticos: RMS, pico, factor de curtosis y frecuencia de pico, logrando una compresión de 25.600 veces el volumen de datos. Para la corriente de 1 kHz a 1 Hz, se calcula el valor eficaz (RMS) y el valor pico por segundo. Todos los sensores se sincronizan mediante reloj GPS, con una precisión de alineación de marcas de tiempo de ±1 ms.
Paso 4: Ingeniería de características. Sobre los datos a 1 Hz se calculan características de orden superior: factor de curtosis de vibración (Kurtosis, que refleja características de impacto), factor de cresta (Crest Factor, que refleja el rango dinámico de la amplitud de la señal) y la relación de energía de la banda lateral (utilizada para el diagnóstico de fallas en engranajes y rodamientos). El conjunto de características estándar de Kelude incluye 128 características en los dominios de tiempo y frecuencia; cada puente grúa emite un vector de características de 128 dimensiones por segundo.
3. Selección de la solución de almacenamiento de datos: base de datos de series temporales y capas en frío/caliente
Un puente grúa genera entre 30 y 50 GB de datos brutos al día (muestreo continuo de vibración a 25.6 kHz). Tras la limpieza y compresión en el borde, el volumen se reduce a aproximadamente 1,2 GB/día de datos de características. En una planta con 20 puentes grúa, el incremento diario es de unos 24 GB, el mensual de unos 720 GB y el anual de aproximadamente 8,6 TB. Los diferentes tipos de datos requieren diferentes estrategias de almacenamiento:
| Tipo de datos | Esquema de almacenamiento | Incremento diario | Período de retención | Relación de compresión | Rendimiento de consulta(1hRango) |
|---|---|---|---|---|---|
| Vibración cruda(25.6kHz) | Min IOAlmacenamiento de objetos | 30~50GB | 30días | 2:1 (gzip) | — (Lectura de archivos) |
| Datos de características(1Hz, 128Dimensión) | Influx DB | 1.2GB | Permanente | 5:1 (Almacenamiento por columnas+delta) | ≤200ms |
| Registro de eventos(Alarma/Operación) | Postgre SQL | 50~200MB | Permanente | — | ≤50ms |
| Datos de entrenamiento del modelo(Muestras etiquetadas)rísticas(Muestras etiquetadas) | Postgre SQL+Min IO | 100~500MB | Permanente | — | — |
Estrategia de almacenamiento por niveles frío/caliente: los datos calientes (últimos 7 días) se almacenan en la capa de memoria InfluxDB + SSD, con respuesta de consulta <50ms; los datos templados (8~90 días) se almacenan en la capa HDD de InfluxDB, con respuesta de consulta <500ms; los datos fríos (>90 días) se reducen automáticamente a intervalos de 10 minutos y se archivan en el almacenamiento de objetos MinIO, reduciendo el coste de almacenamiento en un 70%. La plataforma de big data de Kelude Industrias Pesadas incluye por defecto estas tres estrategias de almacenamiento, y el usuario puede personalizar el periodo de retención.
4. Modelos de análisis inteligente: de los datos a la decisión
Los datos depurados y almacenados constituyen la base del análisis inteligente. La plataforma de big data de Kelude Industrias Pesadas incorpora cuatro modelos analíticos: modelo de alerta temprana de fallos, modelo de predicción de vida útil restante, modelo de optimización del consumo de energía y modelo de optimización de planificación. A continuación se muestran los resultados de estos modelos con datos reales de 6 meses de un puente grúa de 32t en una acería:
| Modelo | Algoritmo | Precisión | Tiempo de alerta anticipada | Tasa de falsas alarmas | Ubicación de despliegue |
|---|---|---|---|---|---|
| falla de rodamiento Alerta temprana | LSTM-Attention | 96.3% | 7~14días | 4.2% | Borde |
| Engranaje Desgaste Predicción | Transformer | 94.1% | 14~30días | 5.8% | Nube |
| Anomalía de consumo energético Detección | Isolation Forest | 91.7% | Tiempo real | 3.1% | Borde+Nube |
| Programación Optimización de ruta | PPOAprendizaje por refuerzo | 87.6% | Planificación de Trayectoria | — | Nube |
La plataforma de big data de Kelude Industrias Pesadas integra un pipeline AutoML que reentrena automáticamente los modelos cada dos semanas. La detección de deriva de datos (Data Drift) se realiza mediante el índice PSI (Population Stability Index); cuando PSI>0,1, se activa automáticamente el reentrenamiento. Los resultados de la inferencia se envían a través del protocolo MQTT al panel de Grafana y a notificaciones por WeChat/SMS.
8~16 Cantidad de sensores por puente grúa por unidad Vibración cruda/Temperatura/Corriente/Encoder/Peso Cinco categorías | 25,600× Relación de compresión de datos en el borde 25.6kHz1Hz, RMS/Valor pico/Característica de curtosis | 5PB+ Volumen de datos operativos acumulados 200+puentes grúa, Adquisición continua superior a3años |
96.3% falla de rodamiento Precisión de alerta temprana LSTM-Attention, Anticipación7~14días | 40~60% parada no programada Reducción Mantenimiento predictivo+Beneficio integral de optimización de programación | 128Dimensión del vector de características por segundoacterísticas por segundo Dominio del tiempo+Dominio de la frecuencia, Volumen completocobertura |
5. Panel de Visualización y Sistema de Informes
El resultado final del análisis de datos se materializa en paneles visuales e informes. La plataforma de datos masivos de Kelude Industrias Pesadas utiliza el stack de monitoreo Grafana + Prometheus, con actualización de datos en tiempo real (latencia ≤2s), permitiendo mostrar en una misma pantalla la visión general de operación de todos los puente grúa de la planta, el panel de salud de cada puente grúa, la comparación de tendencias históricas y la lista de alertas de fallos. El sistema admite aislamiento de permisos multiinquilino, de modo que cada rol (director de planta / jefe de equipos / personal de mantenimiento / operador) visualiza una vista de panel diferente.
Niveles de panel: Panel de visión general operativa (tasa de disponibilidad de todos los puente grúa / OEE / tendencia de consumo energético / número de alertas), panel por equipo (espectro de vibración en tiempo real / tendencia de temperatura / forma de onda de corriente / horas de funcionamiento acumuladas / estimación de vida residual) y panel de análisis histórico (comparación de tendencias en cualquier período / reproducción de eventos / trazabilidad de datos de los 15 minutos previos al fallo). Las notificaciones de alerta se envían a través de tres canales: WeChat Enterprise, SMS y correo electrónico. Las alertas críticas (temperatura de rodamiento >85°C, vibración >10mm/s) se escalan automáticamente al jefe de equipos. La plataforma de datos masivos de Kelude Industrias Pesadas ha desarrollado 6 categorías y 28 paneles personalizados para una importante acería, y genera automáticamente un informe mensual de eficiencia energética (formato PDF) que incluye el ranking de consumo por grúa, recomendaciones de mantenimiento y estimación de costes.
Para más casos de aplicación de datos en puente grúa, consulte: Comparativa de tres soluciones de recuperación de energía de frenado en puente grúa (optimización del consumo de energía) y Arquitectura del sistema de control colaborativo nube-edge para puente grúa (soporte de computación en el borde). Kelude Industrias Pesadas ofrece la plataforma de datos masivos en versión estándar y versión empresarial. La versión estándar incluye paneles básicos y notificaciones de alerta; la versión empresarial incluye AutoML, paneles personalizados y desarrollo de modelos de IA a medida.
Preguntas frecuentes sobre el sistema de monitoreo
P: ¿Es necesario reformar los puente grúa existentes para la adquisición de datos?
R: Kelude Industrias Pesadas ofrece dos opciones: para puente grúa nuevos, los sensores y la caja de computación en el borde se instalan de fábrica (plug & play); para puente grúa existentes, se ofrece una solución de reforma que consiste en añadir un kit de sensores (sin modificar el sistema eléctrico original; los sensores se montan mediante base magnética o fijación), la caja de borde lee las señales existentes (corriente, velocidad, etc.) a través de la interfaz de comunicación del variador de frecuencia (RS485/Profinet), y los nuevos sensores de vibración y temperatura transmiten de forma inalámbrica. El plazo típico de reforma de un puente grúa existente es de 3 a 5 días por unidad, sin afectar a la producción normal.
P: Con 30~50 GB de datos al día, ¿es suficiente el ancho de banda de la red?
R: Los datos brutos no se suben directamente a la nube. La caja de computación en el borde realiza la compresión y extracción de características, y solo se suben los datos de características (aproximadamente 1,2 GB/día por unidad). Para una estación con 20 puente grúa, el volumen diario de subida es de unos 24 GB. La planta debe disponer de un ancho de banda de Internet de al menos 100 Mbps. El requisito de ancho de banda ascendente para los datos de características es de aproximadamente 2 Mbps (24 GB/86400 s × 8 = 2,2 Mbps), suficiente con una conexión empresarial estándar. Los datos brutos se conservan localmente en la planta durante 30 días y se eliminan automáticamente; si se requiere conservación a largo plazo, se puede optar por un almacenamiento NAS local.
P: La precisión del modelo es del 96%, pero las falsas alarmas siguen afectando a la producción. ¿Qué se puede hacer?
R: La estrategia de alertas de Kelude Industrias Pesadas utiliza una clasificación en tres niveles: alerta de nivel 1 (confianza del modelo ≥95%) genera automáticamente una orden de mantenimiento y la envía al teléfono del responsable; alerta de nivel 2 (80% ≤ confianza <95%) se marca en el panel como "requiere atención" y se recomienda inspección durante una parada programada; aviso de nivel 3 (confianza <80%) solo se registra en el informe histórico sin notificación activa. Además, las falsas alarmas se retroalimentan al conjunto de entrenamiento: las muestras marcadas como "falsa alarma" por el usuario entran en el pool de ejemplos difíciles (Hard Negative Mining), y en el reentrenamiento quincenal se reduce automáticamente la puntuación de anomalía de muestras similares. En la práctica, la tasa de falsas alarmas se redujo del 4,2% al 2,1% en 6 meses.
P: ¿Cómo se factura la plataforma de datos masivos de Kelude Industrias Pesadas?
R: La versión estándar se factura por número de puente grúa: una tarifa de conexión de datos por unidad (pago único) de 3.000~8.000 CNY (según el número de sensores) más una tarifa anual de servicio de plataforma de 2.000~5.000 CNY por unidad y año (incluye almacenamiento de datos, paneles, notificaciones de alerta y mantenimiento del modelo). La versión empresarial se cotiza por proyecto e incluye AutoML, paneles personalizados y despliegue privado. Kelude Industrias Pesadas ofrece una prueba gratuita de 14 días de la versión estándar; durante la prueba, la conexión de 2 puente grúa no tiene coste.
La solución técnica integral que abarca desde la adquisición de datos de operación del puente grúa hasta la toma de decisiones constituye la infraestructura para que las fábricas avancen hacia la actualización inteligente. La plataforma de datos masivos de Kelude Industrias Pesadas ya presta servicio a más de 200 puente grúa en sectores como el acero, la química, los materiales de construcción y la fabricación mecánica. Para más información sobre la plataforma o para solicitar una demo gratuita, contacte con el equipo técnico de Kelude Industrias Pesadas para obtener una solución personalizada.
Normas recomendadas
• FEM 9.221 «Especificación del mecanismo de traslación de puente»
• ISO 24445:2020 «Sensor inteligente para grúas — Especificaciones técnicas»
• ISO 4301 / FEM 1.001 — Interpretación de los requisitos esenciales de diseño de grúas: carga, estructura, mecanismo, sistema eléctrico y seguridad
