IA para Monitoreo de Prensas Hidráulicas: Detección de Anomalías de Presión en Tiempo Real

Una prensa hidráulica de 600 toneladas en una planta de estampado en Michigan comenzó a mostrar una desviación del 2,3% en su presión de permanencia durante un ciclo de conformado en marzo pasado. El operador no lo notó porque las piezas seguían cumpliendo con las especificaciones. El sistema de monitoreo con IA detectó la desviación como consistente con un desgaste temprano en el carrete de una válvula proporcional. Dos semanas después, durante un cambio de herramienta planificado, el equipo de mantenimiento reemplazó la válvula. Costo: $3.400 en piezas y 45 minutos de tiempo de inactividad adicional durante una parada ya programada.

El gerente de planta estimó posteriormente que si la válvula hubiera fallado en plena producción, el pico de presión resultante podría haber dañado la matriz, una herramienta de $180.000 con un plazo de entrega de 16 semanas.

Cómo Son los Datos de Presión Hidráulica

Una prensa hidráulica moderna genera una forma de onda de presión en cada ciclo. En una prensa de estampado típica que opera a 15 golpes por minuto, eso equivale a 900 formas de onda por hora, cada una conteniendo datos sobre las fases de aproximación, contacto, conformado, permanencia y retorno del golpe. Cada fase tiene firmas de presión características que reflejan el estado del sistema hidráulico y la condición del herramental.

El sistema de IA muestrea la presión a 1.000 Hz o más a través de transductores montados en el cilindro principal, los cilindros de cojín y el colector hidráulico. Con un muestreo de 1 kHz durante un ciclo de 4 segundos, cada golpe genera aproximadamente 4.000 puntos de datos por sensor. Con 3 a 6 sensores por prensa, el sistema procesa de 12.000 a 24.000 puntos de datos por ciclo.

Lo que hace que estos datos sean interesantes para el aprendizaje automático es que los sistemas hidráulicos son altamente repetibles cuando están en buen estado. La misma pieza, la misma matriz, el mismo material, los mismos ajustes de prensa deberían producir formas de onda de presión casi idénticas ciclo tras ciclo. Las desviaciones de esta línea base son casi siempre significativas.

Tipos de Anomalías que Detecta la IA

La degradación de válvulas proporcionales se manifiesta como una mayor variabilidad en el control de presión durante la fase de permanencia. Una válvula en buen estado mantiene la presión de permanencia dentro de más o menos 0,5% del punto de ajuste. A medida que el carrete se desgasta, esa variabilidad aumenta al 1%, luego al 2%, y eventualmente la válvula no puede mantener la presión en absoluto. La IA rastrea esta tendencia y proyecta cuándo la variabilidad superará el umbral de calidad aceptable de la pieza.

Las fugas de sellos producen una firma característica de caída de presión. Las fugas internas (bypass del sello del pistón) causan una caída lenta de presión durante la permanencia que es proporcional a la tasa de fuga e inversamente proporcional al volumen de aceite.

La cavitación de la bomba crea oscilaciones de presión de alta frecuencia durante la fase de aproximación, cuando la demanda de flujo es máxima. La IA detecta estas oscilaciones en frecuencias entre 200 y 800 Hz, muy por encima de la frecuencia operativa normal de la prensa. La cavitación típicamente indica una restricción en la línea de succión, nivel bajo del depósito o problemas de viscosidad del aceite.

La pérdida de precarga del acumulador es otro problema común. La precarga de nitrógeno en los acumuladores se fuga lentamente durante meses, reduciendo la capacidad del sistema para entregar flujo máximo durante la aproximación rápida. La IA detecta esto como un aumento gradual en el tiempo de aproximación y un cambio en la forma de la onda de presión.

Arquitectura del Modelo para Análisis de Formas de Onda de Presión

La mayoría de los sistemas en producción utilizan uno de dos enfoques. El primero es la comparación con plantillas mediante control estadístico de procesos. El sistema construye una forma de onda de referencia a partir de cientos o miles de ciclos correctos, luego calcula métricas de desviación para cada nuevo ciclo. Las desviaciones que superan los umbrales estadísticos activan alertas.

El segundo enfoque utiliza modelos de secuencia, típicamente redes neuronales convolucionales 1D o redes LSTM, entrenados con datos de fallas etiquetados. Estos modelos aprenden a clasificar patrones de formas de onda asociados con modos de falla específicos, permitiendo no solo la detección de anomalías sino también el diagnóstico de fallas. Una planta de estampado con monitoreo impulsado por IA puede recibir tanto una alerta como una causa probable en la misma notificación.

Integración y Tiempo de Respuesta

El tiempo real importa para el monitoreo de prensas hidráulicas de una manera que no aplica para muchas otras aplicaciones de mantenimiento predictivo. Una falla de rodamiento te da días o semanas de advertencia. Una falla hidráulica puede progresar de anomalía detectable a falla catastrófica en minutos si un sello revienta o una manguera se rompe.

Los sistemas actuales logran análisis ciclo por ciclo con una latencia inferior a 500 milisegundos. Si la severidad de la anomalía supera un umbral crítico, el sistema puede interactuar con el controlador de la prensa para activar una parada automática o una desaceleración controlada.

La mayoría de las plantas implementan un sistema de alertas escalonado. Las alertas de Nivel 1 (desviaciones en tendencia) van al planificador de mantenimiento. Las alertas de Nivel 2 (anomalías significativas) notifican al supervisor de mantenimiento y al operador de la prensa. Las alertas de Nivel 3 (anomalías críticas) activan una parada automática de la prensa. Ajustar correctamente los umbrales requiere de 2 a 3 meses de calibración.

Costos y Consideraciones Prácticas

Instrumentar una prensa hidráulica para monitoreo con IA cuesta entre $8.000 y $15.000 por prensa, dependiendo del número de cilindros y la infraestructura de sensores existente. La plataforma de software añade entre $12.000 y $25.000 por año dependiendo del número de prensas y el proveedor.

Un beneficio poco valorado son los datos que estos sistemas generan para la ingeniería de procesos. Las formas de onda de presión contienen información sobre variación de materiales, desgaste del herramental y deriva del proceso que es útil mucho más allá del mantenimiento. Varias plantas han reportado el uso de datos históricos de formas de onda para optimizar los parámetros de la prensa y reducir las tasas de desperdicio entre un 3% y un 8%, una ganancia de eficiencia que no formaba parte de la justificación original pero resultó ser significativa.