Inspección no destructiva de alta precisión de la superficie de palas mediante redes transformadoras autoaprendidas

Mantener seguros los motores a reacción en el cielo

Cada vuelo comercial depende de palas de turbina que giran en el interior de los motores a temperaturas extremas y a velocidades enormes. Si el recubrimiento protector de estas palas comienza a agrietarse, a formar picaduras o a desprenderse, la eficiencia disminuye y aumenta el riesgo de fallo. Este estudio explora cómo un sistema de inteligencia artificial puede detectar automáticamente pequeñas imperfecciones en las superficies de las palas a partir de imágenes, prometiendo inspecciones más rápidas y fiables y viajes aéreos más seguros y económicos.

Por qué importan las pequeñas imperfecciones en la superficie

Las palas dentro de un motor a reacción están expuestas a un calor abrasador, cambios rápidos de presión y una mezcla corrosiva de gases y partículas. Para sobrevivir, están cubiertas con recubrimientos especiales que actúan como una armadura térmica y pintura anticorrosiva. Con el tiempo, sin embargo, estos recubrimientos pueden desarrollar microgrietas, picaduras, áreas con desprendimiento y pequeñas inclusiones atrapadas en la superficie. Si pasan desapercibidas, estas fallas pueden crecer, debilitar la pala, aumentar el consumo de combustible y, en casos extremos, contribuir a la avería del motor. Las inspecciones actuales dependen en gran medida de inspectores humanos que usan cámaras, ultrasonidos o termografía. Estos métodos funcionan, pero son lentos, requieren mucha mano de obra y pueden pasar por alto los defectos más pequeños en superficies curvas y brillantes.

De las comprobaciones manuales a las máquinas que aprenden

En los últimos años, los sistemas de visión por computador basados en aprendizaje profundo han empezado a ayudar en tareas de inspección industrial. Las redes profundas tradicionales llamadas redes neuronales convolucionales son buenas reconociendo patrones locales, como una grieta en una pequeña zona plana. Pero tienen dificultades cuando la superficie es curva, la iluminación es desigual o los defectos están dispersos en distintas partes de la misma imagen. Investigaciones previas se habían centrado mayoritariamente en materiales planos como placas de circuito o chapas de acero, que no reflejan las complicaciones visuales de las palas reales de motores a reacción. Modelos más recientes conocidos como transformadores de visión, desarrollados originalmente para reconocimiento de imágenes, pueden analizar una imagen completa a la vez, aprendiendo cómo se relacionan partes distantes de la misma. Esta visión más amplia los hace prometedores para problemas de inspección difíciles donde importan tanto el detalle fino como la estructura global.

Una nueva forma de ver las palas dentro de los motores

Los autores proponen un sistema de inspección centrado en un modelo llamado Swin Transformer, adaptado específicamente para palas de turbina y compresor. Primero, se reúnen imágenes de alta resolución de palas reales procedentes de montajes de laboratorio, boroscopios dentro de motores y conjuntos de datos públicos. Cada defecto —como una grieta, un golpe, una picadura o una inclusión— es delineado cuidadosamente por expertos para que el modelo pueda aprender de ejemplos claros. Antes del entrenamiento, las imágenes pasan por un proceso de limpieza a medida: se iguala la iluminación, se reduce el ruido sin difuminar los bordes de los defectos y se convierten los colores a una forma que haga más evidentes los cambios sutiles en la superficie. A continuación, las imágenes se variabilizan artificialmente rotándolas, volteándolas, cambiando el brillo y sobreponiendo defectos sintéticos, para que el sistema aprenda a enfrentarse a muchas condiciones del mundo real.

Cómo funciona el inspector inteligente

Una vez preparadas, cada imagen de pala se divide en pequeños parches cuadrados que alimentan al Swin Transformer. Dentro del modelo, grupos de parches vecinos se examinan mediante “ventanas” deslizantes que se desplazan entre las capas, lo que permite al sistema captar tanto detalles diminutos como su contexto más amplio. Esta estructura de atención por capas permite al modelo conectar una línea tenue a lo largo de la pala con patrones más amplios de daño en el recubrimiento. Sobre este esqueleto, un módulo adicional combina información de diferentes escalas para que se puedan detectar, en una misma pasada, tanto picaduras muy pequeñas como áreas de desprendimiento mayores. El sistema entrenado puede entonces, en una fracción de segundo, marcar dónde está cada defecto en una pala y decidir a qué categoría pertenece.

Qué revelaron las pruebas

Para evaluar el rendimiento, los investigadores compararon su enfoque con redes profundas de referencia ampliamente usadas en análisis de imágenes. Su Swin Transformer alcanzó cerca del 98 % de precisión al distinguir regiones dañadas de no dañadas y al etiquetar cuatro tipos principales de defecto: abolladura, grieta, porosidad e inclusión. Detectó casi todos los defectos reales manteniendo bajas las alarmas falsas, y localizó los defectos con precisión, incluso cuando las fallas medían solo décimas de milímetro. Los experimentos también mostraron que cada parte de la tubería de procesamiento importaba: añadir un mejor preprocesado de imagen y expansión de datos mejoró los resultados, pero el mayor salto se logró al cambiar a la propia arquitectura Swin Transformer. El sistema ofreció este rendimiento con tiempos de procesamiento rápidos, adecuados para su uso durante el mantenimiento de rutina.

Qué significa esto para los vuelos futuros

En términos sencillos, este trabajo demuestra que un “inspector” de IA puede vigilar las palas de motores a reacción con una precisión y consistencia que supera muchos métodos actuales, especialmente para los defectos más difíciles de ver. Al señalar automáticamente microgrietas y picaduras antes de que se agraven, estos sistemas podrían reducir los tiempos de inspección, disminuir la dependencia de expertos escasos y ayudar a prevenir fallos costosos o peligrosos. Los autores imaginan que su modelo se integre en líneas de mantenimiento automatizadas, trabajando junto a cámaras robóticas y, eventualmente, con gemelos digitales que monitoricen la salud del motor a lo largo de toda su vida útil. Para los pasajeros, el resultado final no son solo algoritmos más inteligentes: son vuelos más silenciosos, limpios y seguros.

Cita: Kannusamy, P., Gayathri, D., Mirdula, S. et al. High-precision non-destructive blade surface inspection via self learning transformer networks. Sci Rep 16, 10288 (2026). https://doi.org/10.1038/s41598-026-41373-x

Palabras clave: inspección de palas de motores a reacción, detección de defectos en superficies, modelos basados en transformadores, mantenimiento aeroespacial