Aprendizaje automático e inteligencia artificial en tribología

Ian Farrell. Traducción por Roberto Trujillo Corona, Noria Latín América

Casi todos los días, se informan nuevos desarrollos impresionantes en aprendizaje automático (Machine Learning) e inteligencia artificial (IA), como:

• Un programa informático que se enseñó por sí mismo el juego de estrategia “Go” y venció al actual campeón mundial
• Impresionantes avances en software de reconocimiento facial
• Traducción casi instantánea de un idioma a otro (escrito o hablado) utilizando software en línea disponible gratuitamente

Con todos estos avances, es natural preguntarse si tales técnicas podrían aplicarse eficazmente a los problemas de lubricación.

El aumento de estos muchos ejemplos de aprendizaje automático/inteligencia artificial está directamente relacionado con la disponibilidad de datos de alta calidad (y gran cantidad de estos).

El aprendizaje automático y la inteligencia artificial generalmente se pueden dividir en dos tipos: modelos supervisados ​​y modelos no supervisados. En pocas palabras, los modelos supervisados ​​generalmente encuentran modelos estadísticos (o de regresión) que relacionan los datos de entrada con los datos de salida y proporcionan nuevos datos de entrada que están cubiertos por el conjunto de datos de entrenamiento. Estas técnicas deberían funcionar bien, aunque no pueden extrapolar de manera confiable si los nuevos datos de entrada están fuera de los del conjunto de entrenamiento.

Los modelos no supervisados ​​suelen utilizar redes neuronales. Las redes neuronales, también conocidas como “aprendizaje profundo”, son una colección de algoritmos modelados libremente en el cerebro humano, diseñados para reconocer patrones. Estos modelos sin supervisión pueden “elaborar” efectivamente el mejor modelo por sí mismos; sin embargo, una vez que se ha encontrado un buen modelo, no siempre es obvio por qué funciona. En otras palabras, el algoritmo subyacente que ha encontrado el modelo de aprendizaje automático no es fácil de desentrañar. Existen numerosos ejemplos en los que la inteligencia artificial y el aprendizaje automático ya se han aplicado dentro de la comunidad de lubricación/tribología, que incluyen:

Monitoreo de condición: Las máquinas ahora cuentan con un número creciente de sensores que pueden informar sus condiciones de operación (velocidades, cargas, temperaturas del lubricante) al OEM y/o al propietario de la máquina. Estas máquinas pueden equiparse con sensores adicionales para monitorear las vibraciones y corrientes eléctricas que entran y salen de la máquina. Los sensores de lubricante también pueden detectar partículas de desgaste o monitorear la degradación del lubricante (como sensores basados ​​en dieléctricos).

Figura 1: Tipos de eventos que preceden a la falla de la máquina.

Figura 1: Tipos de eventos que preceden a la falla de la máquina.

Al monitorear una gran cantidad de máquinas, se pueden predecir las señales de advertencia de posibles fallas futuras basándose en fallas anteriores y correlacionando dichas fallas con los datos de varios sensores. Se puede recomendar a los clientes que den servicio a sus máquinas o que sustituyan componentes específicos una vez que se detecten los primeros signos de falla. Aún mejor, pueden detectar las causas raíz antes de que produzcan síntomas de falla. El esquema de la Figura 1 muestra el tipo de señales que se pueden captar antes de que ocurra la falla.

Las técnicas más comúnmente utilizadas para el monitoreo de condiciones son el monitoreo de vibraciones y la termografía (buscando “puntos calientes”). En la actualidad, se encuentran disponibles varias soluciones comerciales que utilizan inteligencia artificial y aprendizaje automático para el monitoreo de condiciones (de compañías como SKF, GE, Siemens y Bosch). También hay numerosas empresas de nueva creación que utilizan técnicas más especializadas, como el ultrasonido (Tribosonics con sede en el Reino Unido; UE Systems con sede en EE. UU., Con su sistema OnTrak SmartLube). Para máquinas de alto valor, también se pueden utilizar otras técnicas especializadas, como el monitoreo de lubricantes por infrarrojosy sensores de partículas de desgaste. Aunque la aplicación general es informar a los clientes sobre máquinas que pueden necesitar servicio o cambio de componentes, estas técnicas también se pueden utilizar para monitorear el consumo de energía.

Chatbots para líneas de ayuda de lubricantes: Shell ofrece un chatbot en línea (Lubechat) que puede responder consultas sencillas de los clientes y proporcionar datos técnicos sobre productos lubricantes. El servicio 24 horas al día, 7 días a la semana está disponible en doce países y en varios idiomas diferentes (incluidos el chino, ruso, alemán, etc.) Las preguntas que el Asistente virtual no puede responder se transmiten a expertos humanos para que las respondan.

Telemática de flotas: Hay empresas comerciales (como Microlise) que extraen datos de unidades de control electrónico de vehículos pesados ​​(de forma remota). Los datos contienen datos de velocidad, carga, temperatura, datos de ruta y datos de consumo de combustible. Al combinar datos de muchos camiones, se pueden identificar las rutas más eficientes entre dos o más lugares. Estos datos también pueden identificar mejoras en la eficiencia logística y los conductores que consumen mucho combustible (que luego pueden recibir capacitación sobre cómo reducir su consumo de combustible).

Visualización y clasificación de partículas de desgaste: La inteligencia artificial y las técnicas de aprendizaje automático son particularmente poderosas para la identificación y clasificación de imágenes. Varios investigadores han utilizado estas técnicas en partículas de desgaste. El tamaño, la textura, la forma y el color son todos parámetros que contienen información sobre el mecanismo de desgaste y dónde ocurre. Se han utilizado algoritmos de redes neuronales para identificar si la partícula de desgaste es metálica o de óxido; y si el desgaste se debe a fatiga o deslizamiento severo.

Diseño de nuevos materiales: Varios investigadores han utilizado el aprendizaje automático para optimizar las propiedades de las aleaciones metálicas y los recubrimientos duros depositados por vapor. Para los recubrimientos, el espesor, la composición, la dureza y el módulo de Young contribuyen al desempeño tribológico. Por lo general, se utilizan revestimientos duros para reducir el desgaste. De manera similar, para las aleaciones metálicas, propiedades como la densidad, la dureza, el módulo de Young y la vida de fatiga son propiedades que los investigadores están tratando de optimizar.

Predicción de las propiedades del lubricante: Los lubricantes suelen ser una mezcla compleja de dos o tres bases lubricantes diferentes, un paquete de aditivos (que podría comprender del 1% al 15% del lubricante final) y, en algunas aplicaciones (como el aceite de motor), grandes polímeros conocidos como modificadores de índice de viscosidad. No es sencillo predecir las distintas viscosidades del lubricante para diferentes temperaturas y velocidades de corte; históricamente, estas propiedades se han medido experimentalmente en una serie de mezclas ligeramente diferentes para encontrar el óptimo.

Este tipo de problema es susceptible de inteligencia artificial y aprendizaje automático, ya que solo hay un conjunto limitado de bases lubricantes, paquetes de aditivos y modificadores de índice de viscosidad de uso generalizado, y tales técnicas serían útiles para que las empresas de lubricantes y aditivos mejoren la eficiencia de su diseño de lubricantes. También es probable que estas empresas tengan buenos datos viscométricos sobre una amplia gama de formulaciones de lubricantes para probar sus modelos de IA. Desafortunadamente, dado que la composición de los lubricantes suele ser un secreto muy bien guardado o puede cambiar sin previo aviso, es probable que estas técnicas se mantengan “en la empresa” y que los proveedores de lubricantes las utilicen para sus propios productos.

Predicción del régimen de lubricación: Recientemente, los investigadores han utilizado el aprendizaje automático para predecir el régimen de lubricación de un cojinete de deslizamiento. Se registraron parámetros clave como velocidad, carga, temperatura del aceite y de la superficie, condiciones de contacto y coeficiente de fricción. Se encontraron frecuencias características para los diferentes regímenes de lubricación, y el modelo desarrollado fue capaz de distinguir entre los cojinetes en los regímenes de lubricación hidrodinámica, mixta o límite.

Numerosos investigadores han intentado utilizar la inteligencia artificial y el aprendizaje automático para predecir la fricción y el desgaste. Este es un problema mucho más complejo, ya que la fricción y el desgaste son propiedades del sistema completo y no de sus componentes individuales. La siguiente figura muestra un esquema de la naturaleza complicada de un contacto lubricado simple. A menudo, el “asentamiento” tiene lugar durante varias horas, durante las cuales cambian las condiciones de contacto. El simple paso de una bola o un rodillo cargados sobre una pieza plana de metal puede inducir dureza y otros cambios en los metales, que pueden influir en la fricción y el desgaste.

Además, existen tribopelículas complejas formadas por el lubricante, cuya composición y otras propiedades no se conocen con precisión. Las condiciones de contacto (lubricación hidrodinámica, mixta o límite) están determinadas por las condiciones de funcionamiento (velocidad, carga, temperatura del lubricante, rugosidad de la superficie) y, si se produce desgaste, el tipo de desgaste (abrasivo o adhesivo) depende fundamentalmente de las cargas y velocidades. Se necesita una gran cantidad de datos para caracterizar el sistema completo; estos datos normalmente no se informan con suficiente detalle en los artículos de investigación para que se aplique el aprendizaje automático. Además, la composición de los lubricantes es patentada y, por lo general, solo la conocen los proveedores de lubricantes y aditivos.

Figura 2: La naturaleza compleja de un contacto lubricado típico

Figura 2: La naturaleza compleja de un contacto lubricado típico

Investigadores, como el profesor Daniele Dini en el Imperial College, están intentando desarrollar activamente un “gemelo digital” de un contacto tribológico, pero es probable que este sea un proyecto a largo plazo que requiera avances en una serie de áreas clave (modelado del desgaste, triboquímica de lubricantes, cambios del material durante el deslizamiento, etc.). Además, cualquier modelo de aprendizaje automático exitoso deberá distinguir entre el “desgaste benéfico” que se produce durante el “asentamiento” del “desgaste perjudicial” que se produce cerca del final de la vida útil de un componente.

Mirando más hacia el futuro, los investigadores de la Universidad de Central Lancashire, dirigidos por el profesor Ian Sherrington, están trabajando activamente en el campo de la tribotrónica, en la que se monitorean los sistemas tribológicos individuales y las condiciones de contacto pueden cambiarse según los datos del sensor. Por ejemplo, en motores marinos de dos tiempos, el espesor de la película de aceite entre el anillo del pistón y la camisa se puede medir usando un sensor capacitivo, y la tasa de alimentación de aceite al cilindro se puede aumentar o disminuir dependiendo del espesor de la película de aceite. Estos sistemas también podrían beneficiarse de los algoritmos de aprendizaje automático.

Los algoritmos de inteligencia artificial y aprendizaje automático ya se han utilizado para muchas aplicaciones en lubricación y tribología. Para seguir avanzando, la comunidad de lubricantes y tribología deberá desarrollar formas de compartir la gran cantidad de datos que necesitan dichos modelos. Hasta la fecha, la mayoría de las pruebas de tribología generan cantidades relativamente pequeñas de datos (en comparación, por ejemplo, con la cantidad de fotografías o texto en línea, utilizados para el reconocimiento facial y la traducción de idiomas); el material clave, la rugosidad de la superficie y las propiedades lubricantes generalmente no están disponibles para análisis posteriores.

En un futuro próximo, cuando las máquinas estén conectadas y envíen información de forma rutinaria a sus fabricantes (y clientes) sobre su desempeño, el uso de inteligencia artificial y aprendizaje automático para dar una advertencia temprana de posibles problemas o fallas en la máquina permitirá un mantenimiento proactivo, y los clientes evitarán averías potencialmente costosas y tiempos de inactividad no programados de la máquina.

Lectura adicional:

• Monitoreo de condición: consulte, por ejemplo, https://www.ge.com/digital/iiot-platform, https://www.skf.com/uk/products/condition-monitoring-systems, https://www.boschrexroth .com/en/xc/company/press/index2-31872, https://www.tribosonics.com/, https://www.machinerylubrication.com/Read/31982/ue-systems-ontrak-smartlube
• Shell Lubechat: https://www.shell.com/business-customers/lubricants-for-business/shell-expertise/lubrication-services-for-your-industry/shell-lubechat.html
• Telemática de flotas: https://www.microlise.com/
• Clasificación de partículas de desgaste: https://www.sciencedirect.com/science/article/abs/pii/S0888327015004732
• Diseño de nuevos materiales y propiedades lubricantes: https://www.mdpi.com/2075-4442/9/1/2/pdf
• Régimen de lubricación: https://www.mdpi.com/2075-4442/6/4/108
• Predicción de la fricción y el desgaste: https://my.demio.com/recording/X4TOkK8i
• Tribotronics: https://www.sciencedirect.com/science/article/abs/pii/S0301679X07000631