Imagine que su herramienta de par lleva tres semanas ofreciendo lecturas que se acercan lenta pero constantemente al límite de tolerancia superior. Cada valor individual sigue siendo válido. Sin alarma. Sin intervención. Hasta que el proceso se desborda y hay que retrabajar un lote entero.
Ese escenario es exactamente el punto ciego de la ventana de tolerancia clásica. Y es el punto de partida de un enfoque que está ganando peso real en la informática de fabricación: la detección de anomalías en datos de par basada en datos.
El problema de los límites fijos
La lógica de una ventana de tolerancia rígida es sencilla: si el valor medido se encuentra entre el límite inferior y el superior, el apriete es correcto. Si queda fuera, no lo es. Esa lógica binaria tiene su lugar: es robusta, conforme a normas y suficiente para aplicaciones de apriete simples.
Pero presenta limitaciones estructurales que generan problemas recurrentes en la práctica:
La deriva gradual permanece invisible. Un proceso puede desplazarse de forma continua a lo largo de cientos de aprietes sin vulnerar nunca un límite. El enfoque más habitual evalúa el resultado únicamente en función de los umbrales de par y ángulo; la forma de la curva no se analiza. Una meseta en el ascenso del par que indica relajación por asentamiento pasa desapercibida mientras el valor final de par parezca correcto.
Falsas alarmas por variación natural. Ajustar los límites de forma estrecha para detectar problemas pronto genera inevitablemente falsas alarmas debidas a la dispersión propia del proceso. La fuerza de apriete resultante del par de apriete está significativamente influida por los coeficientes de fricción fluctuantes y la dispersión de par de la propia herramienta; el efecto combinado de estas influencias de fricción variables puede producir una variación de la fuerza de apriete del 50 % o más, incluso con una alta repetibilidad del par. Ampliar los límites significa perder fallos reales.
Ceguera al contexto. Las ventanas fijas no distinguen entre un cambio de material, un cambio de lote o el inicio del desgaste de la herramienta. Reaccionan al valor final, no al patrón que lo precede.
El problema central: Un proceso de apriete puede desviarse sistemáticamente durante semanas sin activar ni una sola infracción de límite. Las ventanas de tolerancia fijas detectan estados, no tendencias.
En qué se diferencia del SPC clásico
Conviene trazar aquí una distinción clara. El Control Estadístico de Procesos (SPC) apoya la monitorización en proceso combinando medición continua con métodos de análisis estadístico, lo que permite detectar de forma temprana desviaciones críticas de parámetros y tomar medidas correctoras a tiempo. Los gráficos de control SPC, como los gráficos de Shewhart o los gráficos CUSUM, suponen un paso importante más allá de las simples ventanas de tolerancia: detectan tendencias y desplazamientos de la media.
Pero el SPC clásico también tiene sus límites: normalmente trabaja con una única característica (por ejemplo, el par de corte final), asume una distribución de proceso estacionaria y requiere la configuración manual de los límites de control. Elegir las reglas con cuidado es fundamental: demasiadas reglas generan demasiadas falsas alarmas. Cada regla conlleva su propio riesgo de falsa alarma: con el tiempo suficiente, incluso un proceso perfectamente aleatorio acabará disparando una infracción de regla.
La detección de anomalías basada en datos va más lejos: analiza no solo los valores finales individuales, sino la curva de par completa, y aprende qué es normal para este proceso, esta herramienta y este lote de componentes.
Qué hace diferente a la detección de anomalías basada en datos
Los métodos clásicos suelen examinar únicamente puntos de medición individuales o valores finales. La detección de anomalías asistida por IA, en cambio, analiza la curva de par completa, haciendo visibles patrones sutiles, tendencias e irregularidades que de otro modo pasarían desapercibidos.
En términos prácticos para datos de par, esto no significa solo "¿Ha alcanzado el apriete 25 Nm?", sino más bien "¿Qué aspecto tiene la curva par-ángulo en comparación con los últimos 500 aprietes? ¿Ha cambiado la pendiente? ¿Existe una meseta inusual? ¿Se está desplazando sistemáticamente el centro de gravedad de la curva?"
Métodos estadísticos: el primer paso
El punto de entrada más sencillo a la monitorización basada en datos son los métodos estadísticos. Los métodos estadísticos constituyen la base de la detección de anomalías. La puntuación Z mide cuántas desviaciones estándar se aleja un punto de datos de la media; para datos con distribución normal, los valores que superan ±3 desviaciones estándar se señalan habitualmente como anomalías.
Para datos de series temporales como las curvas de par, los métodos de detección de deriva y tendencias también resultan muy adecuados: la Detección de Puntos de Cambio identifica momentos de cambio distribucional significativo mediante pruebas estadísticas como CUSUM o la Detección Bayesiana de Puntos de Cambio. Estos métodos son interpretables, computacionalmente eficientes y pueden integrarse directamente en los sistemas de análisis existentes.
Aprendizaje no supervisado: modelar el comportamiento normal
El siguiente paso es el aprendizaje automático no supervisado. La ventaja clave: en entornos industriales, normalmente se dispone de muchas mediciones de un sistema en funcionamiento correcto, pero de muy pocos datos de fallo, porque los fallos son poco frecuentes. El algoritmo aprende un modelo del comportamiento normal y señala las desviaciones respecto a él.
Métodos relevantes para datos de par:
| Método | Fortaleza | Caso de uso típico |
|---|---|---|
| Isolation Forest | Eficiente, escala bien, sin supuesto distribucional | Valores atípicos finales, anomalías de lote |
| CUSUM / Detección de Puntos de Cambio | Detecta desplazamientos graduales | Deriva de herramienta, desplazamiento de media |
| Autoencoder (LSTM) | Aprende formas de curva complejas | Análisis de curva completa, datos multivariantes |
| One-Class SVM | Modelado robusto de fronteras | Conjuntos de datos pequeños, rango normal bien definido |
Los límites de control son variables y pueden ser ajustados por algoritmos de autoaprendizaje ante un cambio de proceso o de producto. La diferenciación de procesos se basa en la segmentación del proceso mediante métodos de reconocimiento de patrones.
Imagen generada por IAValor práctico: qué hace visible realmente la detección de anomalías
El siguiente resumen muestra los cambios de proceso típicos en el apriete por par que una ventana de tolerancia rígida pasa por alto sistemáticamente y que un modelo basado en datos puede señalar de forma temprana:
Deriva de la herramienta: El análisis de tendencias de la pendiente de la curva a lo largo de la producción puede servir como alerta temprana del desgaste de la herramienta, antes de que se vulnere el primer límite. El seguimiento de los cambios de pendiente a lo largo de la producción proporciona una señal de alerta temprana del desgaste de la herramienta.
Cambios de lote y de material: Las características de fricción alteradas por un nuevo proveedor de elementos de fijación o un recubrimiento superficial diferente desplazan todo el perfil de la curva. El análisis del coeficiente de fricción ofrece información sobre los factores de fricción de sus elementos de fijación y permite optimizar la calidad del apriete. Un modelo de anomalías entrenado con el comportamiento normal previo detecta este desplazamiento de inmediato, incluso si todos los valores finales siguen dentro de la banda de tolerancia.
Componentes modificados: El desgaste diferencial entre cavidades en moldes de fundición produce roscas con variaciones dimensionales significativas entre sí, aunque todas dentro de las tolerancias admisibles. Un componente puede tener su punto de apriete en el límite de tolerancia superior, mientras que el mismo componente procedente de una cavidad diferente se sitúa en el límite inferior. Un modelo entrenado puede identificar estas diferencias sistemáticas entre lotes de componentes.
Cambios de fricción: Las fluctuaciones de temperatura en planta, la aplicación de lubricante o la corrosión en insertos roscados alteran el perfil de la curva de forma característica, mucho antes de que cualquier valor final levante una alerta.
La monitorización de procesos de par basada en IA puede reducir el tiempo de análisis en caso de retirada de producto en más de un 90 %, porque cada curva está vinculada a un número de serie y los patrones pueden evaluarse de forma retrospectiva.
Requisitos previos: qué necesita realmente
Aquí importa más la honestidad que el entusiasmo. La detección de anomalías es tan buena como los datos sobre los que se construye.
No solo los valores finales: debe registrarse el perfil completo de par-ángulo de cada apriete. Las comprobaciones puntuales son insuficientes para los modelos de tendencias. Los datos deben vincularse al ID de la herramienta, la marca de tiempo y la referencia del componente.
El modelo aprende cómo es lo «normal», por lo que el conjunto de datos de entrenamiento debe reflejar un proceso estable y validado. Los datos de fases de arranque, cambios de herramienta o perturbaciones conocidas deben marcarse o excluirse.
Regla general: cuanto más complejo sea el caso de apriete (apriete multietapa, piezas de unión blandas, formación de rosca), más aprietes de referencia se necesitan. Para casos simples, pueden bastar unos pocos cientos de aprietes; para modelos de curvas multivariantes, se recomiendan varios miles.
Los datos brutos deben poder exportarse desde la herramienta o el controlador, idealmente en tiempo real o con baja latencia. Los silos de datos propietarios bloquean todos los pasos posteriores.
Ningún modelo sustituye el criterio del ingeniero de proceso. Las alertas deben evaluarse, confirmarse o descartarse; esta retroalimentación mejora el modelo de forma iterativa y previene la fatiga por alertas causada por falsos positivos.
Nombrar las limitaciones con claridad
La detección de anomalías basada en datos no es una solución milagrosa. Tenga en cuenta las siguientes restricciones al planificar:
- Las falsas alarmas son inevitables. Todo modelo estadístico tiene una tasa de falsos positivos. Si el modelo es demasiado amplio, las anomalías reales se clasifican como normales; por el contrario, si es demasiado sensible, genera falsas alarmas que erosionan la confianza del operario.
- El contexto no se conoce automáticamente. El modelo detecta una desviación en la curva, pero no si está causada por un cambio de material, un error del operario o un fallo de proceso genuino. El etiquetado y los datos contextuales del MES son imprescindibles.
- No sustituye al conocimiento del proceso. La clasificación de anomalías mediante métodos de autoaprendizaje combinados con conocimiento de dominio formalizado permite al sistema emitir recomendaciones accionables para el usuario o el operario de la máquina. Pero ese conocimiento de dominio tiene que existir y estar formalizado de antemano.
- Distinción respecto al Mantenimiento Predictivo: Este artículo se centra en anomalías de calidad y de proceso, concretamente en si la unión fue ensamblada correctamente. La cuestión de cuándo hay que sustituir una herramienta es un tema relacionado, pero diferente.
La base de datos: OPERATOR® y QUANTEC MCS® como fundamento
La detección de anomalías comienza con la adquisición de datos, y aquí la calidad de la herramienta determina la calidad del análisis.
El OPERATOR® captura par y ángulo de forma continua a través de WLAN y transmite los datos en tiempo real a EasyWin® o QuanLab Pro®. El OPERATOR® EST01 se comunica directamente con el sistema de producción mediante SPS y Open Protocol, el requisito previo para una trazabilidad completa basada en número de serie.
El QUANTEC MCS® proporciona datos de curva precisos gracias a su medición de ángulo festpunktlos con una precisión de ±1 % entre el 10 y el 100 % del rango nominal, libre de los errores de medición que los sistemas con punto fijo introducen por los pares de reacción. Esta precisión es el requisito fundamental para que un modelo de anomalías pueda distinguir cambios de proceso reales del ruido de medición.
Ambos sistemas se conectan a plataformas MES y de análisis mediante interfaces abiertas. Los datos suministrados por OPERATOR® y QUANTEC MCS® no solo son utilizables para la evaluación en tiempo real de aprobado/rechazado, sino que constituyen la base de entrenamiento para modelos estadísticos y la base de inferencia para la detección continua de anomalías.
¿Quiere saber si sus datos de apriete actuales ya ofrecen la base necesaria para la detección de anomalías basada en datos? Analizamos su panorama de datos y le mostramos qué métodos tienen sentido para su proceso.
Solicitar análisis de proceso de atornillado gratuitoInteractivo: ¿qué método se adapta a su proceso?
El método de detección de anomalías adecuado depende del volumen de datos, la complejidad del proceso y la infraestructura de TI disponible. La siguiente herramienta le ayuda a encontrar su punto de partida:
Conclusión: sin promesas vacías, pero un avance real
La detección de anomalías en datos de par basada en datos no es una promesa de IA para el futuro. Los métodos existen, las herramientas están disponibles y la base de datos ya está en su lugar en muchos entornos de fabricación; simplemente no se está aprovechando todavía.
La transición de una ventana de tolerancia rígida a una monitorización de procesos adaptativa no es una elección entre una cosa u otra. Los límites fijos siguen siendo indispensables para la evaluación en tiempo real de aprobado/rechazado. La detección de anomalías añade una capa superior que hace visibles los cambios graduales antes de que conduzcan a desechos o retiradas de producto.
El requisito previo es una adquisición de datos limpia, completa y trazable, y la voluntad no solo de recibir alertas, sino de evaluarlas y convertirlas en conocimiento del proceso.
Accuracy by GWK.
