En la era de la economía circular, los productos devueltos a las fábricas no son simplemente desechos: vuelven al proceso productivo con estados de degradación variables, historiales de uso únicos y una capacidad restante que es difícil de evaluar. Esta complejidad obliga a los fabricantes a replantearse cómo decidir si un componente puede ser reutilizado sin comprometer la seguridad ni el rendimiento. Un estudio reciente publicado en arXiv (2606.05334v1) propone una solución innovadora que combina predicción funcional basada en IA con evaluación de fatiga de materiales, enfocándose en un caso práctico: una amoladora angular.
El desafío tradicional de la monitorización de salud de los equipos (PHM, por sus siglas en inglés) ha estado limitado a predecir la degradación bajo condiciones operativas fijas o a analizar componentes aislados. Rara vez se ha logrado conectar la evaluación de la fatiga del material con una prognosis funcional a nivel de sistema. El nuevo marco metodológico cierra esa brecha al integrar dos ramas complementarias: una red neuronal que estima la evolución futura de variables funcionales y un modelo de mecánica de materiales que calcula la vida útil restante del eje bajo carga.
La arquitectura del modelo se alimenta de datos de sensores en tiempo real: fuerzas de la herramienta y torque del eje durante los últimos ciclos de uso. Un codificador convolucional extrae patrones de carga relevantes, mientras que una LSTM (Long Short‑Term Memory) predice nueve variables funcionales, como temperatura, corriente del motor y velocidad de carga, entregando no solo una media, sino también una varianza que cuantifica la incertidumbre de la predicción. Paralelamente, la misma serie histórica de cargas se procesa mediante reconstrucción de esfuerzos basada en elementos finitos, seguida de una evaluación de daño S‑N/Miner con la extensión Haibach y un análisis de crecimiento de grietas por la ley de Paris. El resultado son trayectorias de fiabilidad que combinan la probabilidad de fallo funcional con la progresión de la fatiga del material.
Los resultados experimentales son prometedores. En pruebas con datos reservados, el modelo alcanzó una precisión media del 96,5 % dentro de un margen de tolerancia del 2 % para los nueve outputs. Las variables térmicas se predijeron casi a la perfección, mientras que la corriente del motor y la velocidad de carga mostraron los mayores retos, aunque mantuvieron coeficientes de determinación (R²) superiores a 0,97. El estudio también reveló que, en escenarios con historiales cortos, la LSTM superó a otras arquitecturas como GRU y xLSTM, subrayando la importancia de capturar dependencias temporales precisas.
¿Por qué es relevante este avance para la comunidad tecnológica hispanohablante? Primero, aporta una herramienta práctica para la gestión de activos en fábricas que adoptan modelos circulares, reduciendo el desperdicio y los costos asociados a la sustitución prematura de componentes. Segundo, el enfoque de incertidumbre consciente permite a los ingenieros tomar decisiones basadas en riesgos cuantificados, algo crítico en sectores donde la seguridad es prioritaria, como la construcción, la automoción o la energía. Finalmente, la integración de IA con simulaciones de mecánica de materiales abre la puerta a nuevos estándares de mantenimiento predictivo, donde los algoritmos no solo avisan de un posible fallo, sino que también explican el proceso físico subyacente.
En términos de futuro, este trabajo sugiere varias líneas de investigación. La extensión a otros equipos con patrones de carga más complejos, la incorporación de datos de inspección visual mediante visión por computadora, y la adaptación a entornos industriales con conectividad limitada son áreas que podrían beneficiarse de esta arquitectura híbrida. Además, la calibración de la fiabilidad basada en probabilidades de excedencia abre posibilidades para desarrollar seguros paramétricos y contratos de mantenimiento basados en datos reales.
En conclusión, la combinación de predicción funcional con evaluación de fatiga de materiales representa un paso decisivo hacia fábricas más inteligentes y sostenibles. Al ofrecer una visión integral del estado del equipo y sus perspectivas de vida útil, esta metodología permite a los gestores de operaciones optimizar la reutilización, minimizar riesgos y contribuir a los objetivos de economía circular que cada vez cobran más fuerza a nivel global.
