Cómo predecir el fallo del eje CNC con análisis de vibraciones y monitoreo de IA

PFT, Shenzhen

 La detección temprana de fallas inminentes en los husillos CNC es fundamental para minimizar el tiempo de inactividad no planificado y las costosas reparaciones. Este artículo detalla una metodología que combina el análisis de señales de vibración con inteligencia artificial (IA) para el mantenimiento predictivo. Los datos de vibración de los husillos operativos bajo cargas variables se recopilan continuamente utilizando acelerómetros. Se extraen características clave, incluyendo estadísticas en el dominio del tiempo (RMS, curtosis), componentes en el dominio de la frecuencia (picos del espectro FFT) y características tiempo-frecuencia (energía wavelet). Estas características sirven como entradas para un modelo de aprendizaje automático de conjunto que combina redes de memoria a corto plazo (LSTM) para el reconocimiento de patrones temporales y máquinas de aumento de gradiente (GBM) para una clasificación robusta. La validación en conjuntos de datos de centros de fresado de alta velocidad demuestra la capacidad del modelo para detectar fallas en los rodamientos en desarrollo y desequilibrios hasta 72 horas antes de la falla funcional con una precisión promedio del 92%. El enfoque proporciona una mejora significativa con respecto a la monitorización de vibraciones basada en umbrales tradicionales, lo que permite la programación proactiva del mantenimiento y la reducción del riesgo operativo.

1 Introducción

Las máquinas herramienta CNC forman la columna vertebral de la fabricación de precisión moderna. El husillo, posiblemente el componente más crítico y costoso, impacta directamente en la precisión del mecanizado, el acabado de la superficie y la productividad general. La falla repentina del husillo conduce a un tiempo de inactividad catastrófico, piezas de trabajo desechadas y costosas reparaciones de emergencia, lo que cuesta a los fabricantes miles por hora. Los programas de mantenimiento preventivo tradicionales, basados en intervalos de tiempo fijos o simples contadores de tiempo de ejecución, son ineficientes, lo que podría implicar la sustitución de componentes sanos o la omisión de fallas inminentes. El mantenimiento reactivo después de la falla es prohibitivamente costoso. En consecuencia, la monitorización basada en la condición (CBM), particularmente el análisis de vibraciones, ha ganado protagonismo. Si bien es eficaz para identificar fallas graves, la monitorización de vibraciones convencional a menudo tiene dificultades con la detección temprana de fallas incipientes. Este artículo presenta un enfoque integrado que utiliza el procesamiento avanzado de señales de vibración junto con análisis impulsados por IA para predecir con precisión las fallas del husillo con mucha antelación.

2 Métodos de investigación

2.1 Diseño y adquisición de datos

El objetivo principal es identificar firmas de vibración sutiles indicativas de la degradación en etapa temprana antes de la falla catastrófica. Los datos se recopilaron de 32 husillos de fresado CNC de alta precisión que operaban en la producción de componentes automotrices en 3 turnos durante 18 meses. Los acelerómetros piezoeléctricos (sensibilidad: 100 mV/g, rango de frecuencia: 0,5 Hz a 10 kHz) se montaron radial y axialmente en cada carcasa del husillo. Las unidades de adquisición de datos muestrearon las señales de vibración a 25,6 kHz. Los parámetros operativos (velocidad del husillo, par de carga, velocidad de avance) se registraron simultáneamente a través de la interfaz OPC UA del CNC.

2.2 Ingeniería de características

Las señales de vibración sin procesar se segmentaron en épocas de 1 segundo. Para cada época, se extrajo un conjunto completo de características:

• Dominio del tiempo: Raíz cuadrada media (RMS), factor de cresta, curtosis, asimetría.

• Dominio de la frecuencia (FFT): Amplitudes y frecuencias de pico dominantes dentro de las bandas de falla características de los rodamientos (BPFO, BPFI, FTF, BSF), energía general en bandas específicas (0-1 kHz, 1-5 kHz, 5-10 kHz), curtosis espectral.

• Dominio tiempo-frecuencia (Transformada de paquete wavelet - Daubechies 4): Entropía de energía, niveles de energía relativa en nodos de descomposición asociados con las frecuencias de falla.

• Contexto operativo: Velocidad del husillo, porcentaje de carga.

2.3 Desarrollo del modelo de IA

Se empleó una arquitectura de modelo de conjunto:

1. Red LSTM: Procesó secuencias de 60 vectores de características consecutivos de 1 segundo (es decir, 1 minuto de datos operativos) para capturar patrones de degradación temporal. La capa LSTM (64 unidades) aprendió dependencias a lo largo de los pasos de tiempo.

2. Máquina de aumento de gradiente (GBM): Recibió las mismas características agregadas a nivel de minuto (media, desviación estándar, máximo) y el estado de salida de la LSTM. El GBM (100 árboles, profundidad máxima 6) proporcionó una alta robustez de clasificación y conocimientos sobre la importancia de las características.

3. Salida: Una neurona sigmoide que proporciona la probabilidad de falla dentro de las siguientes 72 horas (0 = Sano, 1 = Alta probabilidad de falla).
   Entrenamiento y validación: Los datos de 24 husillos (incluidos 18 eventos de falla) se utilizaron para el entrenamiento (70%) y la validación (30%). Los datos de los 8 husillos restantes (4 eventos de falla) constituyeron el conjunto de pruebas de retención. Los pesos del modelo están disponibles a pedido para estudios de replicación (sujeto a NDA).

3 Resultados y análisis

3.1 Rendimiento predictivo

El modelo de conjunto superó significativamente las alarmas de umbral RMS tradicionales y los enfoques de modelo único (por ejemplo, SVM, CNN básica) en el conjunto de pruebas:

• Precisión promedio: 92%

• Recuperación (tasa de detección de fallas): 88%

• Tasa de falsas alarmas: 5%

• Tiempo de anticipación medio: 68 horas
  Tabla 1: Comparación del rendimiento en el conjunto de pruebas
  | Modelo | Precisión promedio | Recuperación | Tasa de falsas alarmas | Tiempo de anticipación medio (horas) |
  | :------------------- | :------------- | :----- | :--------------- | :------------------- |
  | Umbral RMS (4 mm/s) | 65% | 75% | 22% | < 24 |
  | SVM (Kernel RBF) | 78% | 80% | 15% | 42 |
  | CNN 1D | 85% | 82% | 8% | 55 |
  | Conjunto propuesto (LSTM+GBM) | 92% | 88%| 5% | 68 |

3.2 Hallazgos clave e innovación

• Detección temprana de la firma: El modelo identificó de forma fiable aumentos sutiles en la energía de alta frecuencia (banda de 5-10 kHz) y el aumento de los valores de curtosis 50+ horas antes de la falla funcional, lo que se correlaciona con el inicio microscópico de la picadura del rodamiento. Estos cambios a menudo se enmascaraban por el ruido operativo en los espectros estándar.

• Sensibilidad al contexto: El análisis de la importancia de las características (a través de GBM) confirmó el papel fundamental del contexto operativo. Las firmas de falla se manifestaron de manera diferente a 8.000 RPM frente a 15.000 RPM, lo que la LSTM aprendió eficazmente.

• Superioridad sobre los umbrales: La monitorización RMS simple no proporcionó suficiente tiempo de anticipación y generó frecuentes falsas alarmas durante las operaciones de alta carga. El modelo de IA adaptó dinámicamente los umbrales en función de las condiciones de funcionamiento y aprendió patrones complejos.

• Validación: La Figura 1 ilustra la probabilidad de salida del modelo y las características clave de vibración (Curtosis, Energía de alta frecuencia) para un husillo que desarrolla una falla en la pista de rodadura exterior. El modelo activó una alerta (Probabilidad > 0,85) 65 horas antes del bloqueo completo.

4 Discusión

4.1 Interpretación

La alta precisión predictiva se deriva de la capacidad del modelo para fusionar características de vibración multidominio dentro de su contexto operativo y aprender trayectorias de degradación temporal. Las capas LSTM capturaron eficazmente la progresión de las firmas de falla a lo largo del tiempo, una dimensión que a menudo se pasa por alto en los análisis instantáneos. El predominio de la energía de alta frecuencia y la curtosis como indicadores tempranos se alinea con la teoría de la tribología, donde los defectos superficiales incipientes generan ondas de tensión transitorias que impactan en frecuencias más altas.

4.2 Limitaciones

• Alcance de los datos: La validación actual se centra principalmente en las fallas de los rodamientos y el desequilibrio. El rendimiento en fallas menos comunes (por ejemplo, fallas en el bobinado del motor, problemas de lubricación) requiere un estudio más profundo.

• Dependencia del sensor: La precisión depende del montaje y la calibración adecuados del acelerómetro. La deriva o el daño del sensor pueden afectar los resultados.

• Carga computacional: El análisis en tiempo real requiere hardware de computación de borde cerca de la máquina.

4.3 Implicaciones prácticas

• Tiempo de inactividad reducido: Las alertas proactivas permiten la programación del mantenimiento durante las paradas planificadas, minimizando las interrupciones.

• Costos más bajos: Evita daños catastróficos (por ejemplo, ejes de husillo destruidos), reduce las necesidades de inventario de piezas de repuesto (reemplazo justo a tiempo) y optimiza la mano de obra de mantenimiento.

• Implementación: Requiere una inversión inicial en sensores, pasarelas de borde e integración de software. Las soluciones basadas en la nube están surgiendo, lo que reduce las barreras para los fabricantes más pequeños. El ROI se suele lograr en un plazo de 6 a 12 meses para los husillos de alta utilización.

5 Conclusión

Este estudio demuestra la eficacia de la integración de la extracción exhaustiva de características de vibración con un modelo de IA de conjunto LSTM-GBM para la predicción temprana de fallas del husillo CNC. El enfoque logra una alta precisión (92%) y un tiempo de anticipación significativo (promedio de 68 horas), superando sustancialmente los métodos tradicionales de monitorización de vibraciones. Las innovaciones clave incluyen la fusión de características multidominio, el modelado explícito de patrones de degradación temporal a través de LSTM y la robustez proporcionada por el aprendizaje de conjunto GBM.