Control por aprendizaje por refuerzo integrado con conocimiento del dominio de un absorbedor de vibraciones afinable no lineal bajo excitación no estacionaria

Máquinas más silenciosas para un mundo ruidoso

Desde trenes de alta velocidad hasta compresores industriales, muchas máquinas viven en un mundo de vibraciones constantes. Esas vibraciones desperdician energía, desgastan componentes y hacen que nuestro entorno sea ruidoso e incómodo. Este artículo explora una nueva forma de calmar esas oscilaciones usando una combinación de caucho inteligente y un programa de aprendizaje automático, con el objetivo de construir absorbedores de vibración que se ajusten automáticamente a medida que cambian las condiciones.

Por qué los amortiguadores convencionales se quedan cortos

Los absorbedores de vibración tradicionales suelen estar afinados para un rango estrecho de condiciones. Funcionan bien cuando la máquina vibra en un tono único y estable, pero los entornos industriales reales están lejos de ser estables. Las temperaturas suben y bajan, los componentes envejecen, la humedad cambia y el patrón de vibración puede desplazarse entre muchos tonos a la vez. Los absorbedores semiactivos modernos hechos de materiales inteligentes, como el caucho controlado magnéticamente, pueden cambiar su rigidez y amortiguamiento en tiempo real. Sin embargo, debido a que estos materiales se comportan de forma compleja y cambiante, es extremadamente difícil construir un modelo matemático fijo que se mantenga preciso con el tiempo, y la mayoría de los controladores basados en reglas no dan la talla.

Enseñar a un amortiguador a aprender

Los autores proponen una estrategia diferente: en lugar de modelar detalladamente cada aspecto del absorbedor y su entorno, permiten que el sistema aprenda directamente de los datos de vibración. Utilizan una rama de la inteligencia artificial llamada aprendizaje por refuerzo, en la que un controlador prueba distintas acciones y recibe una "recompensa" cuando las vibraciones disminuyen. Aquí, la acción es la intensidad con que se aplica un campo magnético al caucho inteligente, lo que modifica su rigidez y su amortiguamiento. En lugar de trabajar con trazas temporales crudas, el controlador convierte las mediciones en contenido en frecuencia —cuánta energía de vibración hay en cada tono— para razonar en el mismo lenguaje que los ingenieros usan para describir el comportamiento vibratorio.

Usar la física para hacer el aprendizaje más inteligente

Aprender de forma ingenua a partir de todos los patrones posibles de vibración llevaría demasiado tiempo, porque las máquinas reales afrontan combinaciones innumerables de tonos y amplitudes. Para evitarlo, los autores incorporan física básica de vibraciones en el proceso de aprendizaje. Usan una idea simple pero poderosa: la energía medida en el tiempo es igual a la energía medida en frecuencia. Esto les permite definir el problema de aprendizaje en torno a la energía vibratoria total en lugar de cada oscilación de la señal. También se centran en aprender la respuesta en frecuencia del sistema —cómo cada posible ajuste del absorbedor cambia el nivel de vibración en cada tono— en lugar de memorizar respuestas a escenarios individuales. Esto reduce enormemente el problema y convierte cada medición en un episodio de aprendizaje rápido y autocontenido, acelerando el entrenamiento mientras se mantiene independiente de cualquier modelo material detallado.

Pruebas reales con caucho inteligente

Para comprobar si el enfoque funciona en la práctica, los investigadores lo probaron en un sistema real formado por un compresor lineal acoplado a un bloque de elastómero magnetorreológico, un caucho cargado con partículas de hierro que se endurece bajo un campo magnético. El controlador observó las vibraciones mediante sensores, ajustó el campo magnético en ocho pasos discretos y actualizó su descripción interna de cómo se comportaba el absorbedor. Con el tiempo aprendió la respuesta real del sistema con muy alta precisión, a pesar de que la rigidez del caucho derivó lentamente a lo largo de varios días de operación. Cuando se enfrentó a patrones complejos y cambiantes de vibración construidos con múltiples tonos cuyas frecuencias e intensidades variaban en minutos, el controlador aprendido redujo la energía de vibración hasta en un 58 por ciento en comparación con el caso sin control y alcanzó casi el mejor rendimiento posible que se obtendría probando exhaustivamente todos los ajustes fijos posibles.

Qué significa esto para las máquinas del futuro

En términos cotidianos, el estudio muestra que se puede enseñar a un amortiguador de vibraciones a "escuchar" una máquina, entender cómo vibra en cada momento y reconfigurarse sin un plano detallado del hardware. Al combinar una intuición física simple con un algoritmo de aprendizaje, los autores crean un controlador que es eficiente y adaptable, capaz de afrontar materiales cambiantes y patrones de vibración complejos y desordenados del mundo real. Este enfoque podría conducir a máquinas más silenciosas y duraderas en vehículos, fábricas y otros entornos donde las condiciones son demasiado complicadas para el control de vibraciones tradicional diseñado a mano.

Cita: Park, JE., Kang, H. & Kim, YK. Domain knowledge-integrated reinforcement learning control of nonlinear tunable vibration absorber under nonstationary excitation. Sci Rep 16, 10849 (2026). https://doi.org/10.1038/s41598-026-45189-7

Palabras clave: control de vibraciones, materiales inteligentes, aprendizaje por refuerzo, amortiguación adaptable, elastómero magnetorreológico