Mantenimiento predictivo e IA: qué muestra un caso de fresado CNC

La IA puede estimar una condición definida a partir de datos de sensores en un caso concreto. El artículo de Ferguson et al., depositado en el repositorio NIST, aplicó un proceso gaussiano a señales de aceleración y audio para estimar la condición de una herramienta.

No demuestra que un modelo detecte cualquier avería ni que una alerta deba convertirse automáticamente en una orden de trabajo. Ferguson et al., A Data Processing Pipeline for Prediction of Milling Machine Tool Condition from Raw Sensor Data, PDF pp. 1–2, líneas 13–27 y 56–64.

Para valorar un modelo, pregunta primero qué pretende estimar. “Predecir fallos” puede referirse a preguntas muy distintas: cuánto desgaste tiene una herramienta, cuánto tiempo queda antes de un límite, si aparecerá una anomalía o qué pieza podría fallar. Ese artículo no responde a todas ellas. El estudio estima una medida de condición para herramientas usadas en un experimento de fresado concreto; su resultado debe leerse desde esa definición hasta la prueba del modelo.

Primero, definir qué significa “condición”

En el estudio, el valor objetivo se representó entre 0 y 1. La etiqueta se relacionaba con la vida restante estimada a partir de una inspección manual con microscopio y tomaba como referencia la flauta de la herramienta con mayor desgaste. El artículo describe 1 como herramienta nueva y 0,5 como el punto en que un operador comercial la reemplazaría.

Es la escala operacional de aquel trabajo; no es una recomendación de cambio para cualquier herramienta. Ferguson et al., PDF pp. 5–6, líneas 160–169 y 223–244.

Esta definición importa porque una señal no trae consigo su significado de mantenimiento. El sensor registra una variación física; la etiqueta expresa la condición que el equipo investigador decidió estimar. Si se cambia de herramienta, material, operación o método de inspección, puede cambiar la relación entre señal y etiqueta. El modelo podría seguir produciendo un número, pero ese número ya no tendría necesariamente la misma interpretación.

También conviene separar tres cosas que a menudo se mezclan. La señal es el dato capturado por un sensor. La etiqueta es la referencia que se usa para entrenar o comparar una estimación. La decisión es lo que una persona responsable concluye después de revisar esa estimación y el contexto del activo.

En el estudio de Ferguson et al., las inspecciones manuales ayudaron a construir etiquetas; eso no convierte automáticamente cada lectura del modelo en diagnóstico confirmado o instrucción de reemplazo.

La escala tampoco representa una probabilidad de avería. Un valor estimado de 0,5 no significa “50 % de probabilidad de fallo”: expresa el lugar que ocupa la medida de condición definida por los autores. Si una aplicación local utiliza otra magnitud —por ejemplo, desgaste medido en una dimensión física— debe documentar su propia unidad y referencia. Traducir una escala a otra sin una relación validada puede dar una falsa sensación de precisión.

El equipo y la operación que se estudiaron

El experimento empleó un centro de mecanizado Mori Seiki NVD1500DCG, una pieza de acero 1018 y una fresa de carburo sólido Atrax de cuatro filos. La configuración incluyó refrigerante continuo y las operaciones de corte se organizaron en piezas. El artículo describe veinte operaciones de corte por pieza.

Los autores aceleraron el desgaste aumentando el avance y reduciendo la velocidad, de modo que la vida observada quedó entre 30 y 60 minutos. Ferguson et al., PDF pp. 3–6, líneas 110–123, 140–169 y 192–225.

Los parámetros descritos son condiciones del ensayo, no ajustes para trasladar a producción. Los autores aceleraron el desgaste para observarlo en menos tiempo; esa elección limita la comparación con un régimen normal. Otra herramienta, material, carga u operación puede cambiar la relación entre señal y desgaste, aunque ambos casos se llamen “fresado CNC”. Conviene guardar con el dato el contexto pertinente —herramienta, material, operación, refrigerante y método de inspección—, pero la lista de este estudio no es un formulario universal.

Qué señales entraron al modelo

El artículo de Ferguson et al. describe una unidad sensora montada en la mordaza. Recogió audio y aceleración en tres ejes; la configuración informó frecuencias de muestreo de 8.000 Hz para audio y 1.000 Hz para aceleración. El controlador FANUC aportó información de posición y rotación. MTConnect ayudó a alinear señales y marcas temporales.

Los autores también usaron una simulación para separar operaciones de corte de otros movimientos de la máquina. Ferguson et al., PDF pp. 3–4 y 8, líneas 111–133 y 258–275.

La alineación también forma parte del método: si una ventana mezcla corte y movimiento en vacío, reúne condiciones distintas. El artículo usó datos del controlador y una simulación para separar movimientos, pero no afirma que otras máquinas tengan esos datos. Las frecuencias, sensores y montaje son del experimento, no valores recomendados; antes de replicarlo habría que comprobar señal, ubicación, sincronización y etiqueta en el activo concreto.

El conjunto de datos se organizó alrededor de operaciones de corte y señales asociadas. El pipeline transformó señales al dominio de frecuencia mediante FFT y método de Welch; los periodogramas de aceleración y audio se utilizaron como características.

El modelo también incorporó la estimación previa de condición de la herramienta, así que la salida dependía de una secuencia anterior y no solo de una lectura aislada. Ferguson et al., PDF pp. 8, 10 y 13–15, líneas 258–282, 298–311, 411–417, 438–457 y 471–483.

Ese último punto limita la interpretación. Una estimación que usa el estado anterior forma parte de una serie; los errores o diferencias de una etapa pueden influir en las siguientes. No es lo mismo que clasificar una muestra independiente. Para entender el resultado, importa saber cómo se construyó cada unidad de muestra y qué información temporal recibió el modelo.

Las etiquetas son una parte del sistema de medición

Los autores asignaron manualmente condiciones para los datos de entrenamiento y prueba, y reconocieron la posibilidad de error aleatorio en esas etiquetas. También modelaron ruido en la salida. Ferguson et al., PDF p. 15, líneas 484–493.

Una inspección manual puede servir de referencia, pero conviene documentar cómo se obtuvo: instrumento, punto de medida, momento y criterio aplicado. Son campos que un equipo local puede revisar al investigar variaciones; Ferguson et al. solo indican que la asignación manual podría contener error aleatorio y no identifican sus causas. El artículo incorpora ruido en la salida del modelo como parte del análisis.

En una aplicación local, el equipo debería decidir quién inspecciona, con qué criterio, cómo registra desacuerdos y qué dato se conserva cuando la inspección no puede repetirse.

Ejemplo esquemático hipotético; equipo, etiquetas y proceso inventados. Un taller ficticio podría capturar señales de aceleración y sonido durante una operación, pero no haber definido cómo se traduce una inspección de herramienta en la variable objetivo. En ese estado, la colección de señales todavía no permite saber si el modelo estima desgaste, vida restante o una categoría de inspección.

El ejemplo solo ilustra la diferencia entre tener datos y tener una referencia etiquetada; no describe un resultado del artículo citado ni asigna métricas.

Si dos personas califican una misma herramienta de forma distinta, conviene conservar esa discrepancia y revisar el método antes de entrenar una clasificación como si la etiqueta fuese exacta. El propio estudio reconoce posible error en sus asignaciones manuales. La forma de resolver un desacuerdo en otra organización debe definirse localmente y no se desprende de la publicación.

Cómo separaron entrenamiento y prueba

En datos de serie temporal, repartir al azar puntos vecinos puede dejar ejemplos muy parecidos tanto en entrenamiento como en prueba. Ferguson et al. reservaron tres experimentos completos para prueba y utilizaron los quince restantes para entrenar. También desarrollaron modelos separados para corte climb y convencional. Ferguson et al., PDF p. 18, líneas 633–658.

La decisión de separar por experimento ayuda a leer el resultado: el modelo se evaluó en corridas distintas a las usadas para ajustar sus parámetros, no en una mezcla aleatoria de todas las muestras de una serie. Eso no demuestra validación en otra fábrica o en otra máquina. Las corridas pertenecen al mismo estudio y a las condiciones experimentales descritas antes.

La métrica reportada fue RMSE, raíz del error cuadrático medio. La tabla 5 compara tres kernels para las condiciones de corte estudiadas. El artículo interpreta el kernel sum of squared exponential (SSE) como una generalización razonable; el squared exponential (SE) como infraajustado; y el automatic relevance determination squared exponential (ARD SE) como sobreajustado.

El resumen del trabajo califica el modelo como preciso, sobre todo al estimar herramientas con poco desgaste; esa conclusión describe sus propios datos y no anticipa el comportamiento en otra máquina. Los valores se muestran aquí como resultados del experimento, no como una precisión esperada para un sistema productivo. Ferguson et al., resumen, PDF p.1, líneas 13–27; PDF pp. 18–19, líneas 633–693.

El tercer renglón ayuda a ver por qué no basta con comparar el error de entrenamiento. ARD SE obtuvo el menor RMSE en ese grupo de entrenamiento, pero el mayor error de prueba de los tres modelos presentados. Esto no demuestra que ARD SE sea una mala opción en general; muestra que en esta comparación un ajuste favorable al entrenamiento no se trasladó igual a las corridas reservadas.

Los números describen la evaluación de ese estudio y su división de datos. No son porcentajes de averías detectadas, horas de anticipación, falsos positivos, ahorro ni una probabilidad de reemplazo. Tampoco comparan el modelo con una política operativa de mantenimiento. Mantener el nombre de la métrica y la población evita convertir un RMSE en una promesa comercial distinta.

Portabilidad: el mejor RMSE no garantiza representación

El kernel SSE, que obtiene el menor RMSE de prueba en la tabla 5, plantea otra cuestión: si puede representarse en el formato de intercambio descrito por los autores. Un buen resultado experimental no implica que el modelo sea serializable en ese formato.

El §7 explica que transferir un proceso gaussiano entrenado requiere trasladar la media y el kernel de covarianza elegidos, los hiperparámetros y los datos de entrenamiento. En la descripción del artículo, PMML 4.3 representa los kernels SE y ARD SE, pero no los compuestos. Como SSE combina kernels SE, los autores indican que no podía representarse con esa edición y proponen considerar un elemento CompositeKernel en futuras versiones. Ferguson et al., §7, PDF p. 20, líneas 707–736.

Para leer una afirmación de portabilidad, identifica el kernel exacto y la versión del formato: ese estudio no demuestra que SSE tenga la misma representación estandarizada en PMML 4.3 que SE o ARD SE. Elegir otro kernel por facilidad de exportación tampoco queda justificado por el artículo; su rendimiento debe evaluarse por separado.

El pasaje describe PMML 4.3 según la publicación de 2018 y presenta CompositeKernel como propuesta para una versión futura, no como función adoptada. Trata la representación del modelo; no demuestra que un archivo PMML transfiera también la adquisición, segmentación y preparación de señales del pipeline completo.

La incertidumbre también cambia con el desgaste

El artículo informa que el intervalo de confianza se amplía cuando la herramienta está muy desgastada. Los autores lo relacionan con cambios o roturas más rápidos, menos datos de desgaste severo porque algunos ensayos terminaron antes y mayor varianza de amplitud cuando una flauta se desgastaba de manera desigual.

Señalan que el desgaste acelerado pudo agravar estos límites y que en una producción normal no se dejaría habitualmente avanzar más allá de y=0,5. Ferguson et al., PDF p. 18, líneas 659–672, y p. 19, líneas 696–703.

La incertidumbre aumentó en la zona de mayor desgaste; y=0,5 es la referencia descrita para esta herramienta, no un umbral legal ni una instrucción transferible. En otra aplicación, la revisión debería conocer el intervalo que entrega el modelo, su rango de evaluación y quién analiza los casos fuera de ese rango. Es una pauta local, no un umbral propuesto por los autores.

Qué falta para trasladar un modelo a otra máquina

El estudio deja abierta la generalización entre máquinas y operaciones. Los autores describen modelos separados para las operaciones climb y convencional y señalan como trabajo futuro evaluar distintas operaciones y máquinas. Ferguson et al., PDF pp. 22–23, líneas 779–805.

Por tanto, una demostración dentro de una serie experimental no resuelve la pregunta de transferencia. Antes de usar un modelo en otro activo, habría que contrastar la máquina, el proceso, la herramienta, la señal, la sincronización, la etiqueta y el rango de operación con los de la evidencia disponible. Si alguno cambia, la aplicación puede necesitar datos nuevos y una evaluación separada. La lista es una pauta de análisis local; los autores no la presentan como protocolo.

Una revisión publicada en 2025 por Dadfarnia, Sharp y Herrmann, alojada en el repositorio NIST, examinó estudios industriales de mantenimiento basado en condición y encontró pocas evaluaciones en fabricación, descripciones insuficientes de los modelos en parte de la literatura y métodos económicos heterogéneos. Los autores destacan que esas diferencias dificultan valorar y comparar los resultados. Dadfarnia et al., Comprehensive evaluations of condition monitoring-based technologies in industrial maintenance: A systematic review, PDF pp. 1–2, líneas 32–43.

La revisión no ofrece un veredicto universal sobre el mantenimiento predictivo. Señala límites en la cantidad y comparabilidad de evaluaciones manufactureras disponibles. Si una oferta afirma un ahorro o una precisión concreta, pide la base de comparación, el activo, las condiciones, la etiqueta y el método de evaluación. Sin ese contexto, la cifra no se puede comparar con el resultado del estudio de Ferguson et al. ni trasladar a una planta.

De una estimación a una decisión de mantenimiento

La estimación puede ser un dato para que una persona responsable revise junto con el estado del activo, su historial y las instrucciones aplicables. Ferguson et al. evalúan un sistema experimental; Dadfarnia et al. revisan estudios. Ninguno fija cuándo abrir una OT, parar o cambiar la herramienta.

Una ficha local puede anotar salida y fecha, activo/operación, rango validado, evidencia de inspección y decisión con su justificación. Si modelo e inspección discrepan, conserva ambos datos y revisa si cambió la etiqueta o el proceso. La salida no activa por sí sola una intervención: seguridad, criticidad y permisos se rigen por el procedimiento del activo, no por umbrales universales de estas fuentes.

Qué puede concluirse y qué no

Ferguson et al. describen un proceso gaussiano que estima una variable definida de condición de herramienta en fresado CNC; Dadfarnia et al. revisan una literatura industrial heterogénea. Estos trabajos no demuestran transferencia universal, intervención automática, ahorro fijo ni obligación de adoptar IA en España. Para comparar otra solución, pide su variable objetivo, activo, etiqueta, prueba separada y condiciones de validación; sin esos datos, los resultados no son comparables.

Preguntas frecuentes

¿Qué aporta la IA en el artículo alojado en NIST?

Ferguson et al. aplicaron un proceso gaussiano a señales de aceleración y audio para estimar una condición definida de herramienta de fresado CNC; no cualquier fallo.

¿Qué datos y etiquetas utilizó?

El estudio combinó aceleración, audio y datos del controlador con etiquetas construidas mediante inspección manual de desgaste de herramienta.

¿Cómo validar otro activo?

Define objetivo y activo, reúne datos etiquetados representativos y evalúa en condiciones relevantes; esta secuencia es una pauta editorial, no un protocolo de esas publicaciones.

¿Garantiza detectar fallos o ahorrar?

No. Las fuentes no establecen precisión universal, transferencia entre activos, intervención automática ni retorno económico general.