Monitorización inteligente del desgaste de herramientas mediante modelos XGBoost, SVR y DNN en un entorno MQL

Por qué esto importa en la fabricación real

Cualquier producto que dependa de metales de alto rendimiento —desde motores a reacción hasta centrales eléctricas— necesita herramientas de corte afiladas y duraderas. Pero el mecanizado de aleaciones resistentes a menudo desgasta rápidamente las herramientas, desperdicia energía y requiere grandes cantidades de refrigerante a base de aceite. Este estudio muestra cómo la combinación de pequeñas partículas de carbono en un aceite «verde» con inteligencia artificial moderna puede tanto prolongar la vida útil de las herramientas como hacer el mecanizado más limpio e inteligente.

Facilitar la conformación de un metal difícil

Los investigadores se centraron en Hastelloy X, una superaleación basada en níquel valorada por su resistencia y estabilidad a alta temperatura, pero conocida por ser difícil de cortar. En condiciones normales, el mecanizado de este metal genera calor y fricción intensos, que dañan rápidamente las herramientas de corte. Tradicionalmente, los fabricantes confían en abundantes fluidos de corte para mantener las herramientas frías y lubricadas, pero estos fluidos pueden ser sucios, caros y problemáticos para el medio ambiente. Como alternativa más sostenible, el equipo empleó una estrategia denominada lubricación de cantidad mínima (MQL), en la que se pulveriza una niebla de aceite muy pequeña y dirigida en la zona de corte.

Potenciar un aceite ecológico con nanotecnología

Para que este enfoque de bajo consumo de aceite fuera efectivo en un material tan exigente, los autores crearon un lubricante especial dispersando nanotubos de carbono —estructuras cilíndricas de unos pocos nanómetros de diámetro— en una base de aceite de palma químicamente modificada. Pasos de preparación cuidadosos, incluidos agitación magnética, ultrasonicación y aditivos estabilizantes, garantizaron que las nanopartículas permanecieran uniformemente suspendidas en lugar de aglomerarse y sedimentar. Mediciones ópticas mostraron que una concentración del 0,6 por ciento de nanotubos producía la mezcla más estable, por lo que se eligió esa fórmula para las pruebas de corte detalladas en Hastelloy X.

Vigilar el desgaste de las herramientas bajo diferentes condiciones

El equipo llevó a cabo una serie de experimentos de fresado utilizando plaquitas de carburo recubiertas para cortar placas de Hastelloy X en una máquina controlada por ordenador. Compararon varias condiciones de lubricación, incluyendo corte en seco, aire comprimido, aceite de palma sin aditivos bajo MQL y el nuevo aceite enriquecido con nanotubos. Al examinar las herramientas desgastadas con microscopios y análisis elementales, encontraron que los modos de daño dominantes eran el desgaste adhesivo, donde fragmentos de la pieza se adhieren y desgarran la superficie de la herramienta, y el desgaste abrasivo, donde partículas duras arañan y surcan la herramienta. Con el lubricante de nanotubos de carbono al 0,6 por ciento, el desgaste máximo en el filo de la herramienta tras 25 minutos de corte se redujo en casi una cuarta parte frente al corte en seco y se disminuyó sustancialmente respecto al aceite simple, gracias a una mejor disipación del calor y a una película protectora en la zona de contacto.

Enseñar a las máquinas a predecir el daño de las herramientas

Además de mejorar la lubricación, el estudio abordó un reto clave de la Industria 4.0: predecir cuándo está a punto de fallar una herramienta para reemplazarla justo a tiempo. En lugar de montar sensores adicionales, los investigadores entrenaron modelos de aprendizaje automático para estimar el desgaste de la herramienta directamente a partir de parámetros básicos de corte: velocidad, avance y profundidad de corte. Evaluaron tres enfoques avanzados —un método de ensamblado conocido como Extreme Gradient Boosting, una red neuronal profunda con múltiples capas y un modelo de regresión por vectores de soporte (SVR). Todos se entrenaron con 81 puntos de datos experimentales y se ajustaron con cuidado. Un análisis estadístico mostró que la velocidad de corte fue con diferencia la variable con mayor influencia sobre el desgaste, seguida del avance, mientras que la profundidad de corte tuvo poco efecto dentro del rango probado.

Encontrar el «pronosticador» digital de desgaste más preciso

Al comparar los modelos, el método de boosting destacó. Sus predicciones del desgaste de la herramienta coincidieron extremadamente bien con los valores medidos, con errores muy pequeños y una puntuación de desempeño (R²) cercana al máximo teórico. Los otros dos modelos, a pesar de su potencia teórica, funcionaron mal con este conjunto de datos en particular, a veces rindiendo peor que la suposición de un desgaste medio constante. Este contraste subraya que, en la práctica, la elección del algoritmo adecuado y las características de los datos importan más que la mera complejidad del modelo.

Qué implica esto para fábricas más limpias e inteligentes

En términos sencillos, el estudio muestra que un aceite «verde» mejorado con nanomateriales y diseñado con cuidado puede mantener las herramientas de corte más frías y con mejor superficie, de modo que duren más al mecanizar una aleación notoriamente difícil. Al mismo tiempo, un modelo de IA bien seleccionado puede prever de forma fiable la velocidad de desgaste de esas herramientas usando sólo los ajustes básicos de la máquina. Juntos, estos avances apuntan a sistemas de mecanizado que desperdician menos lubricante, cambian las herramientas sólo cuando es necesario y mantienen la calidad con mínima intervención humana —un paso importante hacia una fabricación más sostenible y basada en datos.

Cita: Almomani, O., Venkatesh, B., Chaudhary, S.P. et al. Intelligent tool wear monitoring using XGBoost, SVR, and DNN models in NMQL environment. Sci Rep 16, 10030 (2026). https://doi.org/10.1038/s41598-026-40968-8

Palabras clave: predicción del desgaste de herramientas, nano-lubricación, mecanizado de Hastelloy, aprendizaje automático en fabricación, corte de metales sostenible