Qué puede extraer realmente el Machine Learning de las curvas de par - y qué no

Quien hable hoy de IA en tecnología de apriete escuchará rápidamente promesas como "control de calidad totalmente automatizado" o "líneas de montaje que aprenden solas". La realidad es más sobria - y más interesante. El machine learning puede leer en las curvas par-ángulo cosas que la monitorización convencional por límites simplemente no detecta. Pero existen fronteras claras que cualquier persona que trabaje en serio con este tema necesita comprender.

Este artículo está dirigido a responsables de digitalización y aseguramiento de la calidad que quieren conocer el estado del arte - sin el barniz del marketing.

La curva de par como huella dactilar de la unión

Cada curva par-ángulo es un reflejo de todo el proceso de apriete. Muestra cómo evolucionan el par y el ángulo a lo largo de la secuencia de apriete - desde la fase de asentamiento, pasando por la región elástica lineal, hasta el punto de parada. La geometría del componente, las condiciones de fricción, la rigidez del material, el lubricante, la presencia o ausencia de arandela, la integridad o el daño del hilo: todo ello deja una firma característica en la curva.

El método proporciona una técnica significativa para evaluar el estado actual de una unión atornillada. Una curva de apriete típica comienza con una zona de asentamiento no lineal en la que los componentes se alinean, seguida de la región elástica lineal donde se genera la fuerza de apriete. Las desviaciones respecto a este patrón - mesetas, codos, fases de pendiente ausentes - no son aleatorias. Son indicadores de fallos específicos.

Aquí es exactamente donde entra el machine learning: no como sustituto de la comprensión física de estas curvas, sino como herramienta que detecta patrones en grandes conjuntos de datos de curvas que el ojo humano pasaría por alto.

Imagen generada por IA

Qué puede hacer realmente el ML

Clasificación OK/NOK más allá de los límites fijos

La monitorización convencional por límites pregunta: ¿está el par final dentro de la ventana de tolerancia? ¿Está el ángulo de giro dentro del rango definido? Eso es necesario - pero no suficiente. Una curva puede cumplir ambos límites y aun así presentar una firma de fallo; por ejemplo, cuando un efecto de asentamiento a mitad de curva fue compensado, o cuando el par final cae dentro de la banda de tolerancia por coincidencia debido a un efecto de cruce de hilo.

Los clasificadores de ML - entrenados con miles de curvas anotadas - aprenden a evaluar la forma completa de la curva como patrón, no solo los valores finales. En un estudio con 2,8 millones de puntos de datos par-ángulo procedentes de producción industrial real, métodos no supervisados como Isolation Forest y Autoencoder alcanzaron tasas de detección de anomalías de hasta el 99 % y el 95-96 %, respectivamente. No son resultados de laboratorio: provienen de datos de fabricación en producción real.

Detección de patrones de fallo específicos

Ciertos tipos de fallo dejan firmas características en la curva de par:

La aplicación del machine learning a la detección de fallos en procesos de apriete automatizados se complica por el hecho de que las firmas de fallo frecuentemente son desconocidas de antemano. Los métodos de autoaprendizaje que primero establecen una línea base del comportamiento normal de apriete pueden después señalar las desviaciones como anomalías.

La validación con datos reales de montaje de motores muestra una mejora sustancial en la detección de fallos en comparación con la monitorización puramente basada en reglas - especialmente para tipos de fallo que no generan una violación clara de límites.

Reconocimiento de patrones en grandes conjuntos de curvas

Otra ventaja real: el ML puede detectar patrones de deriva que se desarrollan gradualmente a lo largo de miles de curvas. El desgaste de la herramienta, los cambios en las condiciones de fricción debidos a modificaciones del lubricante, las fluctuaciones de temperatura estacionales - todo ello desplaza las características de la curva de forma incremental. La inspección de calidad tradicional analiza las curvas manualmente, lo que resulta lento y propenso a errores. Los modelos basados en LSTM pueden analizar automáticamente la calidad de las curvas de apriete, mejorando tanto la oportunidad como la precisión de la inspección.

Los límites - expuestos con claridad

1. La calidad de los datos y el etiquetado son el cuello de botella

Un modelo de ML es tan bueno como los datos con los que fue entrenado. En la práctica, los proyectos raramente fracasan por culpa del algoritmo - fracasan por la base de datos.

En términos concretos: las curvas deben estar calibradas de forma trazable. Una medición sin registro de calibración no es una medición - es un número. Las curvas deben estar correctamente anotadas: ¿qué curva muestra cruce de hilo? ¿Cuál es genuinamente OK? ¿Quién lo decidió y con qué criterio? Y las curvas deben estar capturadas de forma consistente - misma frecuencia de muestreo, misma configuración de herramienta, metadatos trazables.

El objetivo de un análisis de apriete es definir parámetros robustos y reproducibles - porque las hipótesis teóricas de la fase de diseño divergen con frecuencia de las condiciones reales en la línea de producción. Es precisamente esta brecha entre la hipótesis y la realidad lo que hace tan exigente el etiquetado limpio.

2. El problema de la caja negra

Las redes neuronales y los métodos de ensemble ofrecen resultados de clasificación, pero no una explicación física. En el aseguramiento de la calidad, esto es un problema serio: para que los sistemas de IA se ganen la confianza que necesitan, son imprescindibles explicaciones comprensibles para el ser humano sobre sus predicciones y decisiones - porque solo cuando los procesos son transparentes se confía en ellos.

Para aplicaciones de apriete críticas para la seguridad de Clase A según VDI/VDE 2862 - uniones cuyo fallo pone vidas en riesgo - "el modelo dice NOK" no es una justificación suficiente. La falta de transparencia y explicabilidad puede hacer que fallos graves pasen desapercibidos o que el modelo resulte inutilizable.

Los métodos de IA explicable (XAI) como los valores SHAP o los modelos sustitutos ayudan, pero no sustituyen completamente la comprensión física del proceso. Técnicas como LIME crean modelos interpretables para predicciones individuales; los valores SHAP y los mapas de saliencia proporcionan explicaciones intuitivas de las decisiones de la IA. Eso es un avance - pero no un cheque en blanco.

3. Clases de fallo poco frecuentes

Cruce de hilo, doble apriete, componentes incorrectos: estos fallos son raros en un entorno de producción bien gestionado. Eso es bueno para la calidad - y malo para el modelo de ML. Un clasificador entrenado con 10.000 curvas OK y 12 curvas NOK aprenderá, en la mayoría de los casos, simplemente: "Todo está OK". La falta de conjuntos de datos equilibrados por datos insuficientes sobre uniones defectuosas supone un reto significativo para desarrollar modelos de detección robustos.

Técnicas como la generación de datos sintéticos, el sobremuestreo o la clasificación de una sola clase pueden ayudar - pero requieren experiencia y añaden complejidad al proyecto.

4. Transferibilidad limitada entre aplicaciones de apriete

Un modelo entrenado con tornillos M8 en una carcasa de aluminio no funciona automáticamente para tornillos M10 en un conjunto de acero. Cada aplicación de apriete tiene sus propias características de curva. La dificultad para identificar y monitorizar uniones atornilladas radica en la variabilidad y los efectos no lineales inherentes a las conexiones atornilladas.

Esto significa: cada aplicación de apriete relevante requiere su propio conjunto de datos, su propio modelo y su propia validación. Esto no es un defecto del enfoque - es la realidad física de la tecnología de apriete.

5. No sustituye a la física ni a las normas

El ML reconoce patrones. No entiende la física. No conoce las normas. Un modelo entrenado con datos históricos no puede evaluar si un método de apriete es siquiera adecuado para una nueva aplicación. La VDI 2862 define los requisitos técnicos mínimos para la tecnología de apriete en función del riesgo asociado a cada unión y al proceso de montaje. Estos requisitos normativos no pueden ser reemplazados por el reconocimiento de patrones.

Requisitos previos para un despliegue significativo del ML

Antes de lanzar un proyecto de ML, deben estar establecidas las siguientes bases:

• Tecnología de medición trazable: Los datos de curva procedentes de herramientas sin calibrar no son aptos para el entrenamiento de ML. La incertidumbre de medición debe ser conocida y documentada.
• Captura de datos consistente: Misma frecuencia de muestreo, misma configuración de herramienta, metadatos completos (ID de aplicación de apriete, número de pieza, marca de tiempo, ID de herramienta).
• Etiquetado estructurado: Los tipos de fallo deben ser anotados por personal cualificado - idealmente con referencia al hallazgo físico (p. ej., inspección visual tras desmontaje).
• Volumen de datos suficiente: Para el aprendizaje supervisado, se requieren al menos varios cientos de ejemplos anotados por clase de fallo.
• Estabilidad de la aplicación de apriete: El modelo es válido para una aplicación de apriete definida - los cambios en el componente, el tornillo o el proceso requieren reentrenamiento.

La base de datos: el papel del OPERATOR® y el QUANTEC MCS®

Los datos de curva precisos y trazables son el requisito previo para cualquier despliegue significativo de ML - y aquí es exactamente donde reside la diferencia entre datos de entrenamiento utilizables e inutilizables.

El OPERATOR® transmite los datos de curva vía WLAN directamente a la plataforma de análisis. El sistema de cuadrado de intercambio permite utilizar el mismo cuerpo de herramienta en diferentes aplicaciones de apriete sin interrumpir la cadena de medición. El OPERATOR® EST01 se comunica mediante SPS y Open Protocol - las curvas se almacenan en la base de datos en formato estructurado con metadatos completos, no como archivos CSV aislados.

El QUANTEC MCS® con medición de ángulo sin punto de referencia fijo entrega datos de curva con una precisión de ±1 % entre el 10 y el 100 % del rango nominal - un nivel de precisión crítico para el entrenamiento de ML. Entrenar con curvas ruidosas o sistemáticamente desplazadas produce un modelo que aprende errores de medición, no patrones de fallo. Las interfaces abiertas hacia plataformas de análisis como QuanLab Pro®, Ceus y QS-Torque permiten el procesamiento directo de los datos brutos sin ninguna ruptura de medios.

Conclusión: despliegue realista, sin sobreestimaciones

El machine learning no es una panacea para el aseguramiento de la calidad en tecnología de apriete - pero es una herramienta seria cuando se dan las condiciones adecuadas. Las aplicaciones más prácticas hoy en día son:

1. Clasificación OK/NOK basada en la forma completa de la curva, no solo en los valores finales
2. Detección de patrones de fallo para tipos de fallo conocidos con datos de entrenamiento suficientes
3. Detección de deriva de proceso en grandes conjuntos de datos de curvas

Lo que el ML no puede hacer: explicar relaciones físicas, sustituir requisitos normativos, funcionar de forma fiable con datos limitados ni transferir modelos entre diferentes aplicaciones de apriete.

El factor de éxito decisivo no es el algoritmo. Es la calidad de los datos con los que se entrena el algoritmo. Comprender esto lleva a hacer las preguntas correctas - e invertir primero en tecnología de medición, no en la plataforma de IA.

Accuracy by GWK.