El monitoreo remoto ha cambiado. La pregunta ya no es "cómo vemos lo que ocurre sin estar en el sitio." Es "cómo capturamos suficientes datos de activos distribuidos para actuar antes de que algo falle — y hacerlo a un coste que tenga sentido por punto de monitoreo."
Los parques eólicos, los campos solares y las líneas de fabricación comparten un reto común: activos dispersos en grandes áreas físicas, cada uno generando datos que importan, sin una forma rentable de recopilarlos de forma continua. Un fallo no planificado — un rodamiento en la góndola de un aerogenerador, un string degradado en un campo solar, una bomba camino a la cavitación — cuesta mucho más que el sistema de monitoreo que lo habría detectado.
Este post cubre la arquitectura de monitoreo que Industrial Shields despliega en estos sectores: ESP32 PLC 14 como nodo de captura de datos de campo, GateBerry como concentrador de conectividad y procesamiento edge.
Por qué la arquitectura ha migrado hacia edge-first
La generación anterior de monitoreo remoto enviaba datos brutos de sensores a una plataforma cloud y dejaba que la plataforma hiciera el análisis. El problema: la mayoría de activos industriales en campo — aerogeneradores, inversores solares, bombas, compresores — no están junto a una conexión a internet fiable. E incluso donde existe conectividad, enviar datos brutos de forma continua aguas arriba genera costes de ancho de banda, latencia y un único punto de fallo en la cadena de control.
Edge-first significa que el procesamiento ocurre a nivel de dispositivo o gateway. Las anomalías se detectan localmente. Solo los eventos relevantes y las métricas agregadas se envían aguas arriba. El resultado: menores requisitos de conectividad, tiempos de respuesta inferiores al segundo para alertas locales, y un sistema que sigue funcionando cuando se interrumpe el acceso a internet.
Este cambio es visible en todo el sector energético. Los operadores de parques eólicos están pasando de intervalos de mantenimiento programados a un monitoreo continuo del estado con detección local de anomalías. Los equipos de O&M solar están reemplazando las inspecciones manuales de strings con alertas automáticas de desviación de rendimiento por inversor. En ambos casos, la inteligencia reside en el edge, no en la nube.
El nodo de monitoreo: ESP32 PLC 14
es la capa de captura de datos. Su conjunto de I/O cubre las principales señales de monitoreo en los tres sectores:
- Vibración: acelerómetros MEMS (ADXL345, MPU-6050) vía I2C o SPI — vibración en 3 ejes para la salud de equipos rotativos
- Temperatura: PT100/PT1000 vía entradas analógicas, DS18B20 vía 1-Wire, o transmisores industriales 4–20 mA
- Corriente: transformadores de corriente no invasivos en entradas analógicas — carga del motor, corriente de salida del inversor
- Tensión: entradas analógicas con divisores resistivos para monitoreo del bus DC, estado de la batería, tensión de salida del panel
- Estado digital: disparos de interruptores, contactos de puerta, señales de parada de emergencia, retroalimentación de relés
El WiFi y Bluetooth nativos del ESP32 PLC 14 le proporcionan conectividad directa para despliegues de corto alcance y configuración local sin acceso físico. Para parques eólicos y campos solares — donde los activos están a kilómetros de distancia — el módulo LoRa amplía el rango hasta 5–15 km, transmitiendo al GateBerry.
El formato compacto del ESP32 PLC 14 y su rango de alimentación 12–24 VDC permiten la instalación directamente dentro de armarios eléctricos existentes, góndolas o envolventes de inversores — sin añadir carcasa externa.
El concentrador de conectividad: GateBerry
actúa como gateway LoRaWAN y servidor edge simultáneamente. Basado en Raspberry Pi y alojado en un enclosure para carril DIN, se instala en un armario eléctrico existente en la subestación del parque eólico, la sala de control de la planta solar o el panel del cuadro de fábrica — sin necesidad de carcasa adicional.
Un GateBerry cubre un radio de 5–10 km en terreno abierto, gestionando más de 250 nodos ESP32 PLC 14. En cada emplazamiento ejecuta:
- ChirpStack: servidor de red LoRaWAN — gestión de dispositivos, deduplicación de paquetes, ADR
- Broker MQTT: bus de mensajes local para el enrutamiento de datos de sensores
- Node-RED: procesamiento basado en flujos — verificación de umbrales, análisis FFT, enrutamiento de alertas, agregación de datos
- Conector SCADA: reenvía datos procesados aguas arriba a las plataformas de monitoreo existentes
El GateBerry procesa los datos de sensores localmente antes de reenviarlos. Una anomalía en el rodamiento de un aerogenerador detectada a las 3 de la madrugada dispara una alerta local de inmediato — sin esperar la latencia de ida y vuelta a la nube.
Energía eólica: monitoreo del estado de los aerogeneradores
Cada aerogenerador genera datos que predicen fallos con semanas de antelación: firmas de vibración en el tren de transmisión, temperatura del rodamiento principal, relación entre velocidad del rotor y potencia de salida. El monitoreo continuo de estos parámetros detecta la degradación de rodamientos, el desgaste de la caja multiplicadora y el desequilibrio de palas mucho antes de una parada forzada.
Un despliegue típico sitúa un ESP32 PLC 14 en el armario eléctrico de la góndola. Lee un acelerómetro MEMS de 3 ejes para la vibración del tren de transmisión, un transmisor de temperatura de 4–20 mA en el rodamiento principal y la corriente del generador mediante un transformador de corriente. Los datos se transmiten por LoRa al GateBerry en la subestación cada 5 minutos.
El GateBerry ejecuta análisis FFT sobre los datos de vibración localmente. Cuando las firmas espectrales se desvían de la línea base establecida — indicador clásico de desgaste de rodamiento — dispara una alerta vía MQTT sin necesitar conexión a la nube. El mantenimiento se programa antes de que falle el rodamiento, no después.
Energía solar: seguimiento del rendimiento de inversores y strings
El O&M solar depende de identificar rápidamente los strings con bajo rendimiento y los inversores degradados — antes de que la pérdida de energía se acumule durante semanas. Un campo solar grande puede tener cientos de cajas combinadoras de strings, cada una requiriendo monitoreo individual para detectar efectos de sombreado parcial, degradación de conexiones o diodos de bypass fallidos.
Un ESP32 PLC 14 por banco de inversores lee la corriente y tensión DC de las entradas de la caja combinadora y la potencia de salida AC. Un piranómetro conectado a un nodo dedicado proporciona la irradiancia de referencia. El GateBerry correlaciona la producción real con la esperada para el nivel de irradiancia actual en tiempo real. Cualquier string o inversor que se desvíe más de un umbral configurable genera una alerta con la ubicación exacta — dando a los equipos de mantenimiento un objetivo concreto en lugar de una inspección general del campo.
El sistema también rastrea los parámetros de salud del inversor — temperatura de funcionamiento, estado del ventilador, cumplimiento de frecuencia de red — para detectar la degradación del inversor antes de que se convierta en una parada forzada.
Maquinaria industrial: mantenimiento predictivo en equipos rotativos
Motores, bombas, compresores, ventiladores y cajas multiplicadoras siguen patrones de fallo predecibles que aparecen en los espectros de vibración y las tendencias de temperatura días o semanas antes de que ocurra el fallo. Monitorear estas señales de forma continua transforma el mantenimiento de reactivo a predictivo.
Un ESP32 PLC 14 montado cerca del motor lee un acelerómetro MEMS de 3 ejes, un sensor de temperatura de rodamiento y la corriente del motor mediante un transformador de corriente. Durante la puesta en marcha, el GateBerry registra las firmas de vibración de referencia. A partir de ese momento, cualquier desviación — aumento de componentes de frecuencia 1x o 2x que indican desequilibrio o desalineación, componentes de alta frecuencia que indican desgaste de rodamiento — dispara una alerta de mantenimiento.
El monitoreo de corriente añade una segunda capa diagnóstica: el análisis de firma de corriente del motor (MCSA) detecta defectos en las barras del rotor, excentricidad y anomalías de carga que no siempre aparecen en los datos de vibración. Juntos, el monitoreo de vibración y corriente proporcionan una imagen completa del estado del tren de transmisión sin inspección invasiva.
Notas de despliegue
- Selección del sensor de vibración: los sensores MEMS I2C/SPI (ADXL345, MPU-6050) se conectan directamente al ESP32 PLC 14 a bajo coste. Para análisis de alta frecuencia por encima de 1 kHz — necesario para las frecuencias de defecto de caja multiplicadora y rodamiento — use acelerómetros industriales 4–20 mA en las entradas analógicas.
- Estrategia de muestreo: los valores RMS promediados en 10 minutos transmitidos por LoRa cubren el monitoreo de estado estándar. Las capturas en ráfaga a mayores tasas de muestreo pueden activarse localmente al detectar anomalías sin aumentar el tráfico LoRa de referencia.
- Configuración LoRa: SF10–12 para despliegues en parques eólicos y campos solares (rango multi-km). SF7–8 para planta de fabricación (menos de 500 m, mayor tasa de datos para transmisiones en ráfaga).
- Ubicación del GateBerry: uno por emplazamiento en el armario eléctrico existente — subestación para eólica, sala de control para solar, sala MCC para fábricas.
- Período de referencia: ejecutar en modo de solo monitoreo durante 2–4 semanas para capturar firmas normales en diferentes condiciones de carga y temperatura antes de activar las alertas de anomalía.