Un marco de gemelo digital desplegable para la compresión de especificaciones de par de apriete en el ensamblaje de chasis de vehículos eléctricos

Por qué importa para los coches eléctricos de uso cotidiano

Los vehículos eléctricos modernos (VE) están sujetos por miles de tornillos. Si estos tornillos se aprietan demasiado flojos, las piezas pueden vibrar o fallar; si se aprietan demasiado, los componentes se desgastan o la producción se ralentiza. Los fabricantes afrontan esto con largas y complejas tablas de valores de par—una para casi cada tipo de tornillo. Este artículo muestra cómo un “gemelo digital” tanto del coche como de la fábrica puede simplificar drásticamente esas tablas de par manteniendo los VE seguros, silenciosos y económicos de fabricar.

Cómo se relacionan los tornillos y el ritmo de la fábrica

En un chasis de VE, los tornillos deben soportar años de vibraciones, curvas, frenadas y las fuerzas pulsantes del tren motriz eléctrico. Los ingenieros suelen actuar con cautela asignando muchos objetivos de par ligeramente distintos a diferentes familias de tornillos. Pero cada par único requiere programas específicos de herramienta y efector final, lo que enlentece la producción y complica la programación de los vehículos guiados automatizados (AGV) que suministran piezas. Los autores replantean esto como un problema del sistema completo: ¿podemos estandarizar los ajustes de par en todo el coche manteniendo los márgenes de seguridad y conservando una línea de ensamblaje fluida y económica?

Una fábrica virtual que predice, optimiza y verifica

El equipo construye un gemelo digital desplegable que refleja tanto la mecánica de las uniones atornilladas como las realidades del taller. Una capa modela cómo un par mandado se traduce en la fuerza de apriete que mantiene las piezas unidas, teniendo en cuenta la fricción, la geometría del tornillo, el desgaste por reutilización y el entorno de vibración tridimensional alrededor de cada unión. Verifica que los tornillos cumplan los límites de fatiga y seguridad bajo cargas en el peor escenario. Una segunda capa supervisa las “firmas” de apriete—las curvas par‑fricción registradas mientras se atornilla—y usa un modelo moderno de aprendizaje de secuencias para estimar la probabilidad de que un apriete sea rechazado posteriormente. Una tercera capa representa la logística de la línea, incluidos los tiempos de desplazamiento de los AGV, el equilibrio entre estaciones de trabajo y el impacto de cambiar herramientas o ajustes de par en la eficacia global del equipo.

Buscando mejores tablas de par, no una sola «mejor» respuesta

Dado que no existe un único equilibrio perfecto entre calidad, coste y velocidad, los autores emplean un algoritmo de búsqueda multiobjetivo inspirado en el movimiento de enjambres. Cada “partícula” en este enjambre codifica una tabla de par completa más decisiones relacionadas, como cuántas estaciones de trabajo son necesarias y cómo se enrutan los AGV. El enjambre explora combinaciones que reducen los rechazos esperados y el coste por unidad respetando reglas de seguridad estrictas, un límite de tasa de rechazo y límites prácticos sobre vibración y fricción. Las soluciones cercanas a violar los límites se empujan de nuevo a la región segura mediante pequeños ajustes de par, y un archivo externo conserva los compromisos más prometedores. Crucialmente, los mejores candidatos se vuelven a evaluar periódicamente con una versión de mayor fidelidad del gemelo digital que propaga incertidumbres, actuando como una puerta de liberación antes de que cualquier ajuste sea aprobado para el taller.

De la simulación a VE reales en la carretera

El flujo de trabajo se prueba en tres plataformas de VE relacionadas y luego se despliega durante un año completo en una línea industrial que ensambló 5.524 vehículos. El gemelo digital aprende detalles específicos de cada plataforma, como masa y distancia entre ejes, y aun así encuentra puntos de “rodilla” muy similares—regiones operativas donde un pequeño aumento del coste consigue una gran mejora de calidad. Con estas ideas, los ingenieros comprimen la tabla de par de 23 ajustes distintos a 8, reduciendo las variantes de herramienta y programa en aproximadamente dos tercios. Esta simplificación disminuye los cambios de efector final en un 31% y el tiempo de inactividad de los AGV en un 14%, todo ello manteniendo las tasas medidas de aflojamiento de tornillos entre 0,01% y 0,05%, dentro del objetivo interno de la empresa. Contrapruebas en carretera sobre superficies variadas confirman que los pares estandarizados siguen protegiendo frente al aflojamiento bajo vibraciones del mundo real.

Qué significa esto para conductores y fábricas

Para un profano, el mensaje es que modelos virtuales más inteligentes permiten a los fabricantes tocar menos perillas sin relajar la seguridad. Al unir modelos basados en física, predicción de calidad basada en datos y logística de fábrica en un bucle cerrado, el marco propuesto encuentra calendarios de par que mantienen seguros los tornillos del chasis de los VE mientras racionalizan la producción. El resultado es un proceso de montaje más consistente, menos tiempo y herramientas desperdiciados y vehículos silenciosamente fiables—beneficios que se aplican no solo a un modelo de coche sino a varias plataformas relacionadas.

Cita: Wang, H., Huang, Z., Lan, Z. et al. A deployable digital twin framework for bolt-torque specification compression in EV chassis assembly. Sci Rep 16, 13164 (2026). https://doi.org/10.1038/s41598-026-43641-2

Palabras clave: ensamblaje de vehículos eléctricos, apriete de tornillos, gemelo digital, optimización de fábrica, algoritmos multiobjetivo