Homelowertripezone500x180px.png)
Modelos híbridos basados en inteligencia artificial para la estimación de vida útil remanente de componentes electromecánicos
Jokin Cuesta
Investigador
Ikerlan Technology Research Centre, Basque Research and Technology Alliance (BRTA)
Universitat Politècnica de Catalunya
Urko Leturiond, PhD.
Responsable de investigación
Ikerlan Technology Research Centre, Basque Research and Technology Alliance (BRTA)
Yolanda Vidal, PhD.
Profesora Contratada Doctora
Universitat Politècnica de Catalunya
Francesc Pozo, PhD.
Catedrático Contratado
Universitat Politècnica de Catalunya
1. INTRODUCCIÓN
Cualquier sistema, subsistema o componente electromecánico cuenta con una vida útil limitada desde el momento de su puesta en marcha. En entornos industriales altamente competitivos, minimizar los costes de operación y mantenimiento se vuelve prioritario. En este contexto, la transición desde estrategias tradicionales de mantenimiento (correctivo o preventivo) hacia un mantenimiento inteligente se posiciona como una necesidad estratégica. Esta evolución permite optimizar recursos, reducir paradas no planificadas y, en definitiva, alargar la vida útil de los activos críticos.
El uso de técnicas de inteligencia artificial (IA) para predecir la vida útil remanente (RUL, por sus siglas en inglés: Remaining Useful Life) representa un avance significativo para la fiabilidad
industrial. Sectores como energía, automoción o manufactura ya están integrando estos modelos en sus estrategias de mantenimiento, con resultados prometedores. No obstante, su aplicación real plantea retos importantes. Uno de los principales desafíos es la falta de interpretabilidad de los modelos, considerados muchas veces como "cajas negras" por no ofrecer explicaciones claras de sus predicciones. Para abordar esto, se está explorando la incorporación de modelos fisicomatemáticos que describen los mecanismos de degradación del activo, aportando así mayor fiabilidad y robustez al sistema predictivo. Además, la variabilidad de las condiciones operativas, habitual en entornos reales como la energía eólica, introduce incertidumbre en las predicciones de RUL que a menudo no está correctamente cuantificada.
Este estudio propone soluciones novedosas de predicción de RUL mediante la integración de modelos físicos en arquitecturas avanzadas de IA, como los Transformers, adaptados para tratar señales de sensores en serie temporal. Estas arquitecturas, conocidas por su uso en sistemas generativos como los chatbots, se reorientan en el estudio hacia el mantenimiento industrial. Asimismo, se implementan técnicas de estimación probabilística que permiten cuantificar la incertidumbre de las predicciones, ofreciendo una información más completa para la toma de decisiones en planta. Las soluciones desarrolladas cuentan con una interfaz de usuario amigable que permite al personal no experimentado aplicar algoritmos y procesos.
2. METODOLOGÍA PROPUESTA
La metodología desarrollada tiene como finalidad estimar de manera precisa la RUL de componentes sometidos a desgaste progresivo, como son los casquillos, combinando principios físicos y modelos avanzados de IA. Este enfoque se inscribe dentro del marco del Prognostics and Health Management (PHM), orientado a la monitorización continua de la condición de los sistemas, la detección temprana de fallos y la predicción de la evolución futura. La propuesta busca superar las limitaciones de los modelos tradicionales, que asumen un proceso de desgaste lineal y estacionario, mediante un modelo dinámico capaz de capturar la naturaleza no lineal y dependiente del tiempo del fenómeno de degradación. Se aprecia la metodología en la Figura1: metodología propuesta. Las etapas amarillas resaltan la novedad de la metodología: la utilización de los modelos híbridos para predicciones de ventana probabilística.
Figura 1: metodología propuesta
La metodología se estructura en dos fases principales. En la fase offline, se lleva a cabo la recopilación y preprocesamiento de los datos experimentales obtenidos en el banco de pruebas instrumentado. Las señales de sensores de fuerza, posición, velocidad o par motor son filtradas y sincronizadas para garantizar su coherencia temporal. Posteriormente, estos datos son utilizados para entrenar un modelo de estimación de RUL que combina la ecuación de desgaste de Archard con un modelo de aprendizaje profundo orientado al tratamiento de series temporales. Esta combinación da lugar a una arquitectura híbrida físico-informada, en la que los parámetros derivados del modelo físico sirven como base o restricción para el aprendizaje de las relaciones no lineales que capturan los efectos dinámicos y las variaciones reales de las condiciones de operación.
Durante el proceso de entrenamiento, el modelo aprende a identificar patrones en la evolución del desgaste a lo largo del tiempo, estableciendo correspondencias entre las variaciones en las señales sensoriales y el estado de degradación del componente. Para ello se emplean técnicas de segmentación temporal que permiten analizar tramos sucesivos de operación, simulando cómo evoluciona el daño en el tiempo. El objetivo es que el modelo aprenda no solo la magnitud del desgaste, sino también la velocidad de su progresión y los momentos en los que se producen cambios en el régimen de degradación. De este modo, el sistema no se limita a reproducir tendencias históricas, sino que predice de forma proactiva la evolución futura del componente, estimando con antelación cuándo alcanzará su límite funcional.
La arquitectura propuesta incorpora además mecanismos de cuantificación de incertidumbre, que permiten asociar un intervalo de confianza a cada predicción. Este aspecto resulta especialmente relevante en el ámbito industrial, ya que proporciona una medida explícita del riesgo asociado a las decisiones de mantenimiento. Asimismo, se aplican procedimientos de validación cruzada para evaluar la robustez del modelo y garantizar su capacidad de generalización ante nuevas condiciones de operación.
Una de las principales ventajas de este enfoque híbrido es su capacidad para mantener la coherencia física en las estimaciones, incluso en situaciones con conjuntos de datos limitados o incompletos. Esta información resulta clave en entornos industriales, donde las decisiones de mantenimiento deben basarse en estimaciones robustas y justificadas.
En la fase online, el modelo entrenado se integra en el sistema de monitorización, operando en tiempo real. A medida que el sistema funciona, los sensores continúan generando datos que se procesan de manera continua, actualizando las estimaciones del desgaste y recalculando la vida útil restante del componente. Cuando el modelo detecta que la tasa de degradación se acelera o que el componente se aproxima a su umbral crítico, emite alertas tempranas que permiten programar las tareas de mantenimiento antes de que se produzca el fallo.
Este enfoque ofrece múltiples ventajas frente a las técnicas tradicionales de pronóstico. Al combinar el conocimiento físico con la capacidad predictiva de la IA, el modelo logra una representación más realista del proceso de desgaste, reduciendo la dependencia de ensayos prolongados o mediciones directas del daño. Además, su estructura adaptable permite extender su aplicación a otros tipos de mecanismos y condiciones de carga, lo que la convierte en una herramienta versátil para el mantenimiento predictivo en entornos industriales.
3. BANCO DE PRUEBAS PARA EL DESGASTE DE CASQUILLOS
Las soluciones desarrolladas se validan en un banco de ensayos sensorizado del sistema de control de deslizamiento, donde el motor hace rotar el sistema a 50 rpm, obteniendo el desplazamiento del deslizador que, a su vez, tira de un muelle con una rigidez de 0,21 N/mm. El punto de conexión entre la biela y el cigüeñal es una junta rotativa con un casquillo de latón que, a medida que el sistema opera, experimenta un desgaste progresivo. La Figura 2: banco de pruebas de desgaste de casquillos muestra el banco de pruebas instalado, donde pueden identificarse los componentes y equipos mencionados. El sistema de monitorización está compuesto por:
- Un motor eléctrico de corriente continua (MAXON EC-i40 BL Y 100W KL 2WE A) con caja de engranajes (relación de transmisión 15,88:1) y un codificador incremental (ENC 16 EASY MK2 1024Imp 6mm) controlado por una tarjeta de accionamiento (EPOS4 50/5).
- Una célula de carga de tracción (RSCC C3/50kg) para monitorizar la fuerza opuesta al movimiento del deslizador.
- Un sensor láser de desplazamiento (LK-G402) apuntando al deslizador, combinado con un controlador (LK-GD300 1P).
Figura 2: banco de pruebas de desgaste de casquillos
3.1. Adquisición y preprocesamiento de datos
Además del equipamiento mencionado, se incluyen componentes de National Instruments que forman parte del sistema de adquisición de datos: cDAQ 9178, NI 9239 y NI 9237 con adaptador Ethernet NI 9949. Estos módulos permiten la recolección de datos de los sensores mencionados. El control del banco de pruebas se programó utilizando el software de adquisición de datos LabVIEW®. Todos los datos recopilados se muestran en la Tabla 1: variables registradas en cada archivo guardado periódicamente
Tabla 1: variables registradas en cada archivo guardado periódicamente
Después de la adquisición, se realizan tareas de preprocesamiento, como la fusión y estandarización de frecuencias de muestreo, para asegurar la coherencia del conjunto de datos.
3.2. Pruebas en banco
Utilizando los datos recopilados, se propone un método que permite estimar rápidamente el desgaste del cojinete basado en los datos del sensor láser de desplazamiento. Por experiencia previa, se conoce que el daño máximo producido en el banco es en el punto de 180° del casquillo, donde se estudiará la evolución del desgaste producido en ese punto. Para capturar una evolución significativa del desgaste, se realizaron pruebas durante una semana a 50 rpm, resultando en 504.000 ciclos por prueba. Se efectuaron seis pruebas, designadas como unidades 1 a 6, como se muestran en la Figura 3: datos recogidos de ensayos. Se ha observado que la curva de desgaste en cada prueba varía significativamente bajo las mismas condiciones iniciales, introduciendo una incertidumbre considerable en los modelos entrenados. Por tanto, los modelos desarrollados deben ser precisos y, además, capaces de cuantificar eficazmente la incertidumbre.
Figura 3: datos recogidos de ensayos
Tradicionalmente, la ecuación de Archard ha sido ampliamente utilizada en ingeniería mecánica para modelizar el desgaste. Sin embargo, presenta limitaciones, ya que asume un proceso de desgaste en estado estacionario, donde la tasa de desgaste permanece constante en el tiempo. Contrariamente, diversos estudios han demostrado que el desgaste real no sigue un comportamiento lineal, sino que pasa por tres etapas diferenciadas (se aprecia en la Figura 4: tres etapas de progresión del desgaste):
- Rodaje o asentamiento inicial, donde el desgaste es rápido.
- Desgaste estable, en el que el proceso se mantiene prácticamente constante.
- Desgaste acelerado, etapa final donde la degradación se intensifica.
Los modelos tradicionales, que suponen un coeficiente de desgaste constante, tienden a simplificar en exceso este comportamiento. Para superar esta limitación, la metodología propuesta incorpora técnicas de IA y modelos de predicción basados en series temporales, capaces de capturar el comportamiento no lineal del desgaste con mayor precisión.
4. DEMOSTRADOR DE SOLUCIONES
Se ha desarrollado un demostrador de esta tecnología a través de una aplicación interactiva que integra la adquisición de datos, el preprocesado (fusión y sincronización de señales), los modelos predictivos híbridos (físico-informados + modelos de series temporales) y una capa de visualización y explotación por el personal de planta o laboratorio. Su propósito es facilitar la interpretación de las predicciones de RUL y ofrecer herramientas de soporte a la decisión (evaluación de riesgo, selección de umbrales de fallo y análisis de escenarios operativos). El demostrador se ha diseñado para usarse en el banco sensorizado descrito anteriormente y se ha desplegado físicamente en el DIGILAB de IKERLAN para pruebas de usuario y validación experimental.
4.1. Arquitectura del demostrador
La arquitectura del demostrador contempla varias capas que interactúan de forma coordinada:
- Capa de adquisición: LabVIEW® controla el banco y guarda archivos periódicos con las variables de sensores (posición láser, velocidad del motor, fuerza en célula de carga, par, etc.) mediante los módulos NI cDAQ.
- Capa de preprocesado: Servicio de ingesta que realiza sincronización temporal, remuestreo, filtrado y extracción de ventanas temporales; guarda datos estandarizados listos para inferencia.
- Capa de inferencia: Modelos entrenados (arquitecturas Transformer adaptadas a series temporales y módulos físico-informados basados en Archard) que generan predicciones puntuales y probabilísticas de desgaste y RUL.
- Interfaz de usuario: Panel web con pestañas para visualización de datos, configuración de experimentos y visualización de resultados RUL.
4.2. Interfaz de usuario y visualización de resultados
La interfaz del demostrador se organiza en pestañas principales que facilitan tanto la inspección de la señal como la ejecución de pronósticos. La pestaña Data Visualization permite monitorizar las series temporales en tiempo real o reproducir ensayos almacenados; en esta vista se muestran la posición del láser (Laser Position), la velocidad del motor (Motor Speed) y la fuerza medida por la célula de carga (Load Cell Force), además de herramientas interactivas para hacer zoom, seleccionar intervalos temporales y superponer las ventanas de entrada empleadas por los modelos. Se puede apreciar esta pestaña en la Figura 5: data visualization (captura de la pestaña con las señales del láser).
La pestaña RUL concentra las herramientas de pronóstico y permite configurar los parámetros de inferencia: el usuario puede seleccionar el modelo a emplear (por ejemplo, un Transformer puro o una variante híbrida físico-informada), ajustar la longitud de la ventana de entrada (window length), definir el horizonte de proyección (projection length), simular distintas condiciones operativas mediante el parámetro de velocidad del motor (motor speed) y fijar el umbral de fallo (failure threshold). Tras ejecutar la predicción, la interfaz muestra el RUL estimado (en ciclos o tiempo), una puntuación o probabilidad de riesgo que resume la probabilidad de alcanzar el umbral en el horizonte considerado, y la curva pronosticada de desgaste con su incertidumbre asociada.
En las Figuras 6 y 7: predicciones de desgaste y RUL con el umbral en 1,3 mm. se incluyen ejemplos gráficos que ilustran escenarios habituales: con un umbral de fallo fijado en 1,3 mm la predicción arroja un RUL de 42.736 ciclos y un riesgo elevado (89%, según la escala usada en la herramienta), mientras que con un umbral de 1,8 mm el mismo ensayo no alcanza dicho umbral en el horizonte de proyección, resultando en riesgo nulo. Estas figuras permiten al usuario contrastar decisiones sobre distintos criterios de fallo.
Figura 6: predicciones de desgaste y RUL con el umbral en 1,3 mm.
Figura 7: predicciones de desgaste y RUL con el umbral en 1,8 mm.
La aplicación permite también comparar en paralelo diferentes modelos y configuraciones, lo que facilita la comparación visual de curvas pronosticadas. Asimismo, incorpora una funcionalidad de análisis de sensibilidad que automatiza la variación de parámetros como la longitud de ventana, el horizonte de proyección o la velocidad de motor para estudiar su impacto sobre el RUL y el riesgo. Además, la herramienta guarda un historial completo de predicciones con los parámetros empleados y permite exportar resultados y gráficos para generar informes técnicos.
El sistema entrega diversas métricas útiles para evaluar la calidad de las predicciones y el estado del componente. Entre ellas se encuentran el RUL estimado (expresado en ciclos o en tiempo) acompañado de un intervalo de confianza, un índice normalizado de riesgo de fallo que combina la probabilidad de alcanzar el umbral y el riesgo de rapidez de aproximación (escala 0–100 en el demostrador) y métricas de error calculadas durante las validaciones offline (MAE, RMSE). En las visualizaciones de ejemplo se han mostrado explícitamente los valores tal como aparecen en la interfaz: RUL = 42.736 ciclos y Riesgo = 89 para el umbral de 1,3 mm (Figura 4); Riesgo = 0 para el umbral de 1,8 mm cuando no se proyecta su alcanzamiento (Figura 5).
En un uso típico, el técnico inicia la inspección en la pestaña de visualización de datos para revisar las señales recientes o reproducir una campaña de ensayos. A continuación, accede a la pestaña de RUL, selecciona el modelo y configura parámetros como la longitud de ventana, el horizonte de proyección, la velocidad del motor y el umbral de fallo. Al ejecutar la predicción, obtiene la curva de desgaste, el RUL y la puntuación de riesgo. Si el riesgo es elevado, el técnico puede planificar una intervención desde el sistema de gestión de mantenimiento o usar la funcionalidad de simulación para estudiar alternativas; finalmente, el resultado se guarda con anotaciones y queda registrado para trazabilidad.
5. CONCLUSIONES
Este trabajo presenta una metodología híbrida para la estimación de la vida útil remanente (RUL) en componentes sometidos a desgaste, combinando modelos físicos y técnicas de IA. Estas soluciones se han validado en un banco de pruebas, que es un sistema de biela-manivela donde se desgasta el casquillo situado en la junta. La integración de la ecuación de Archard en arquitecturas de aprendizaje profundo basadas en Transformers permite capturar el comportamiento no lineal del desgaste y cuantificar la incertidumbre asociada a las predicciones. Las validaciones experimentales en el banco de pruebas de casquillos han demostrado una alta correlación entre las mediciones láser y las de perfilómetro, confirmando la fiabilidad del enfoque propuesto. Además, la variabilidad observada entre ensayos resalta la importancia de incorporar mecanismos de estimación probabilística.
El demostrador desarrollado en el laboratorio DIGILAB de IKERLAN facilita la aplicación práctica de los modelos, ofreciendo una herramienta interactiva para la predicción del RUL y la evaluación del riesgo. El diseño también contempla un futuro modo headless para integraciones con sistemas externos, permitiendo generar alertas o crear órdenes de trabajo automáticas mediante reglas basadas en el RUL y el riesgo. Entre las limitaciones detectadas figura la necesidad de ampliar la biblioteca de modelos y de técnicas de cuantificación de incertidumbre (por ejemplo, métodos bayesianos completos). Otra línea de mejora es la integración con sistemas de gestión de mantenimiento (CMMS) para automatizar la creación de órdenes de trabajo y optimizar la respuesta operativa. Finalmente, se propone enriquecer el módulo de explicabilidad con técnicas de análisis causal.
En conjunto, la solución propuesta mejora la precisión y la interpretabilidad de los pronósticos, aportando una base sólida para avanzar hacia estrategias de mantenimiento predictivo más eficientes y fiables.
6. AGRADECIMIENTOS
Este estudio ha sido parcialmente financiado por la Agencia Estatal de Investigación (AEI), Ministerio de Ciencia e Innovación, Fondo Europeo de Desarrollo Regional (FEDER) a través de los proyectos de investigación PID2021-122132OB-C21, PID2021-122132OB-C22, y TED2021-129512B-I00; y por la Generalitat de Catalunya a través del proyecto de investigación 2021-SGR-01044.
