⚡ ingeniería eléctrica

Longitudinal Segmentation and Terminal Classification of WAAM Single Beads from 3D Point Clouds

Este estudio introduce un flujo de trabajo impulsado por la geometría e informado por expertos que utiliza un algoritmo cuadrático–lineal–cuadrático (Q–L–Q) para segmentar y clasificar automáticamente las regiones de INICIO, MEDIO y FINAL de cordones únicos de WAAM a partir de nubes de puntos 3D, preservando con éxito los comportamientos geométricos transitorios que quedan ocultos por el promedio longitudinal tradicional.

Autores originales: Janez Gotlih, Kristijan Šket, Rok Belšak, Timi Karner

Publicado 2026-10-16

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Janez Gotlih, Kristijan Šket, Rok Belšak, Timi Karner

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagine una planta de fabricación donde gigantescos brazos robóticos construyen piezas metálicas masivas, capa por capa, utilizando un proceso que se parece un poco a un soplete de soldadura de alta temperatura muy preciso. Este método, conocido como fabricación aditiva por arco de alambre, se está convirtiendo en un favorito para la creación de estructuras metálicas grandes y complejas porque es rápido y relativamente barato. Sin embargo, para que los robots construyan estas piezas perfectamente, el metal que depositan debe ser consistente. Si el cordón de metal es demasiado ancho, demasiado alto o tiene la forma incorrecta, las capas no se apilarán correctamente y la pieza final podría ser débil o deforme. Durante mucho tiempo, los ingenieros han observado estos cordones de metal como si fueran tiras uniformes, midiendo el ancho y la altura promedio de toda la longitud para ver si el proceso funciona. Pero este enfoque tiene un punto ciego. Así como un corredor puede empezar despacio, esprintar en el medio y ralentizar para detenerse, un cordón de metal no se forma de la misma manera desde el principio hasta el final. El inicio y el final del camino del metal suelen ser caóticos e inestables, mientras que la sección media es constante. Si se promedia todo el conjunto, se pierden los detalles de esos momentos críticos, ocultando las variaciones mismas que podrían causar que una pieza falle.

Un equipo de investigadores de la Universidad de Maribor en Eslovenia decidió observar más de cerca estos cordones de metal para ver si podían separar el inicio y el final caóticos del medio constante. Trabajaron con cincuenta cordones de metal individuales, cada uno de unos 40 milímetros de largo, que habían sido depositados sobre placas de acero por un brazo robótico. Para ver la forma de estos cordones con un detalle increíble, utilizaron un escáner láser para crear un mapa tridimensional de la superficie, capturando miles de diminutos puntos que describen la altura y el ancho del cordón en cada punto de su longitud. En lugar de tratar cada cordón como un objeto único y largo, los investigadores quisieron dividirlo en tres zonas distintas: el principio, el medio y el final. Su objetivo era demostrar que estas zonas se comportan de manera diferente y crear un método informático que pudiera encontrar automáticamente dónde termina una zona y comienza la siguiente, sin necesidad de que un humano observe cada escaneo.

Antes de enseñar al ordenador cómo hacer esto, los investigadores primero pidieron a un experto humano que observara los datos y marcara los límites a mano. Este experto, guiado por la forma visual del metal, identificó dónde parecía estabilizarse el cordón y dónde todavía se estaba asentando o terminando de recorrer. Cuando el equipo analizó las secciones marcadas por el humano, surgió un patrón claro. La sección media de los cordones era notablemente estable, con muy pocos cambios en el ancho o la altura a medida que el robot se desplazaba. Era casi una línea recta y plana. Las secciones de inicio y final, sin embargo, eran de todo menos planas. Se curvaban y cambiaban de forma significativamente, mostrando una evolución rápida en la geometría que una simple línea recta no podría describir. Esta observación fue crucial. Les indicó a los investigadores que la parte media podía describirse con un modelo de línea recta simple, mientras que las partes de inicio y final necesitaban un modelo más complejo y curvo para capturar su forma cambiante.

Armados con esta idea, el equipo construyó un nuevo algoritmo informático basado en una idea de "curva-recta-curva". Enseñaron al software a mirar los datos del escaneo láser y encontrar los dos puntos donde la forma del cordón pasaba de la curva salvaje del inicio, a la línea recta tranquila del medio, y de vuelta a la curva del final. El ordenador no solo adivinaba; probaba millones de posibles puntos de división, buscando la combinación que hiciera que las matemáticas encajaran mejor con la forma real del metal. Prestó especial atención al área de la sección transversal, que es esencialmente cuánto metal hay en una rebanada del cordón, ya que esto resultó ser la pista más importante para encontrar los límites. El resultado fue un sistema que podía dividir automáticamente el cordón en sus tres partes funcionales con alta precisión.

Cuando los investigadores compararon el trabajo del ordenador con las marcas originales del experto humano, descubrieron que ambos coincidían muy bien, aunque no perfectamente. En promedio, los límites del ordenador diferían en unos 3,5 milímetros. Esta pequeña diferencia no es necesariamente un error; refleja que el ordenador y el humano estaban utilizando reglas ligeramente diferentes para definir exactamente dónde el "inicio" deja de ser el "inicio". Más importante aún, el ordenador identificó con éxito la sección media como la parte más estable en cada uno de los cincuenta cordones. De hecho, la variación en la sección media era mucho menor que en las secciones de inicio o final, de modo que el ordenador pudo distinguirlas con una certeza casi perfecta. Las secciones de inicio y final eran tan geométricamente diferentes entre sí que el ordenador incluso pudo distinguir qué extremo del cordón era el principio y cuál era el final, simplemente mirando la forma, incluso sin saber en qué dirección se movía el robot.

El estudio confirma que tratar un cordón de metal como un objeto único y uniforme es una simplificación que oculta realidades físicas importantes. Al separar el cordón en un medio estable y dos extremos cambiantes, los ingenieros pueden ahora analizar el proceso con mayor precisión. Pueden centrarse en el medio constante para entender cómo funciona la máquina bajo condiciones normales, mientras estudian el inicio y el final por separado para comprender los momentos complicados de iniciación y terminación. Este enfoque no solo describe mejor el metal; ofrece una nueva forma de controlar el proceso de fabricación. Si se puede enseñar a un robot a reconocer estas zonas específicas en tiempo real, podría ser capaz de ajustar su velocidad o calor exactamente cuando el cordón está comenzando o deteniéndose, asegurando que cada parte de la estructura metálica se construya con la misma alta calidad. Los investigadores señalan que, aunque su método funciona bien para los cordones de acero que probaron, la verdadera prueba vendrá cuando lo intenten con diferentes materiales y máquinas, pero la idea fundamental —que el principio, el medio y el final de un cordón de metal son mundos distintos— ahora cuenta con una base sólida y basada en datos.

Resumen Técnico: Segmentación Longitudinal y Clasificación de Terminales de Cordones Únicos de WAAM a partir de Nubes de Puntos 3D

Planteamiento del Problema
La Fabricación Aditiva por Arco de Alambre (WAAM) depende del control de la geometría depositada, ya que el ancho, la altura y el área de la sección transversal del cordón dictan la altura de capa, el solapamiento y la precisión dimensional. Sin embargo, los estudios actuales de proceso-geometría suelen resumir los cordones mediante descriptores globales o secciones transversales dispersas, lo que suprime la estructura longitudinal de las trayectorias de deposición individuales. Este enfoque oscurece los comportamientos geométricos transitorios que ocurren durante la iniciación (START) y la terminación (END) de la deposición, donde las condiciones difieren del régimen operativo cuasi-estacionario. En consecuencia, el promedio de todo el cordón puede enmascarar una evolución no lineal sistemática en los terminales y reducir la interpretabilidad física de los modelos de proceso basados en la geometría. Existe la necesidad de una definición operativa y reproducible para separar y caracterizar las regiones START, MID y END directamente a partir de nubes de puntos 3D densas de post-proceso.

Metodología
El estudio utilizó un conjunto de datos de 50 cordones únicos depositados en tres placas de acero estructural S355 utilizando una celda robótica de WAAM. Los cordones fueron medidos mediante un escáner de perfil láser para generar seis nubes de puntos 3D parcialmente superpuestas. La metodología procedió en tres etapas secuenciales:

Establecimiento de Referencia Informado por Expertos: Antes de desarrollar un algoritmo automático, un experto en la materia evaluó visualmente los 50 cordones para establecer una segmentación de referencia START–MID–END. Este proceso implicó definir regiones de interés espacial (ROI) y un intervalo MID inicial, que luego fueron refinados mediante reglas estandarizadas de longitud regional y muestreo.
Base Empírica y Formulación Q–L–Q: El análisis estadístico de las regiones informadas por expertos reveló que la región MID exhibía un comportamiento aproximadamente lineal y de baja variación, mientras que las regiones START y END mostraron una evolución no lineal sistemática. Esta observación motivó la formulación de un modelo Cuadrático–Lineal–Cuadrático (Q–L–Q).
Algoritmo de Segmentación Automática: Se desarrolló un algoritmo impulsado por la geometría para determinar automáticamente las coordenadas de transición ( $u_1$ $u_{1}$ y $u_2$ $u_{2}$ ) entre START, MID y END. El algoritmo minimiza una función objetivo que combina:
- Ajuste del Modelo Regional: Ajuste de polinomios cuadráticos mediante mínimos cuadrados para el ancho, la altura y el área de la sección transversal en START/END, y un polinomio lineal en MID.
- Continuidad: Penalización de discontinuidades en los valores ajustados en los puntos de transición.
- Penalización de Longitud: Desincentivo de regiones MID excesivamente cortas.
  El algoritmo busca exhaustivamente pares de transición admisibles para minimizar la función objetivo combinada.
Validación y Clasificación: La segmentación automática fue validada contra la referencia informada por expertos utilizando la Diferencia Absoluta Media de los Límites (MABD). Además, se entrenó un modelo de clasificación independiente de la posición (regresión logística con regularización L2) para distinguir START de END basándose únicamente en descriptores geométricos (media, mediana, desviación estándar y coeficiente de variación del ancho, la altura y el área), excluyendo la información posicional. La validación incluyó esquemas de validación cruzada de "dejar un cordón fuera" (LOBO) y "dejar una placa fuera".

Resultos Clave

Caracterización Geométrica: El análisis informado por expertos confirmó que la región MID tiene una variación longitudinal significativamente menor (coeficiente de variación promedio del área de la sección transversal $CV_A = 0.040$ ) en comparación con START ($0.319 $) y END ($ 0.369$). Los modelos cuadráticos superaron significativamente a los modelos lineales en la representación de las regiones terminales, particularmente para la altura y el área de la sección transversal.
Desempeño de la Segmentación Automática: El algoritmo Q–L–Q automático segmentó con éxito los 50 cordones. Las regiones MID resultantes exhibieron consistentemente los $CV_A$ más bajos (promedio de $0.054$) en comparación con START ($0.346 $) y END ($ 0.437$).
Correspondencia de Límites: Las coordenadas de transición automáticas mostraron una MABD combinada de 3.49 mm con respecto a la referencia informada por expertos. El método automático tendió a definir una región MID ligeramente más larga, desplazando el límite START–MID hacia coordenadas menores y el límite MID–END hacia coordenadas mayores.
Contribución de Descriptores: El análisis de ablación de "dejar un descriptor fuera" reveló que el área de la sección transversal fue el mayor contribuyente a la estimación de las coordenadas de transición (55.4% de la contribución total), seguida de la altura (24.0%) y el ancho (20.6%).
Clasificación de Terminales: El modelo de clasificación logró una precisión perfecta (1.00) al distinguir START de END utilizando regiones terminales originales de longitud desigual. Crucialmente, incluso después de extraer tramos físicos de longitud igual para eliminar el sesgo de longitud, el modelo mantuvo una alta precisión (0.94 bajo validación LOBO y 0.96 bajo validación de dejar una placa fuera). Esto indica que START y END poseen distribuciones geométricas distintas, independientes de su longitud física o posición.

Significancia y Reivindicaciones
El artículo afirma proporcionar un flujo de trabajo reproducible y dirigido por la geometría que preserva la información geométrica longitudinal que a menudo se pierde con el promedio de todo el cordón. Al establecer una formulación Q–L–Q basada en evidencia empírica, el estudio ofrece un método para separar los regímenes de deposición cuasi-estacionarios (MID) y transitorios (START/END).

Los autores enfatizan que este enfoque permite:

Modelado Específico por Región: Caracterizar el comportamiento de deposición estable en la región MID por separado de las respuestas transitorias en el inicio y el final.
Comparación de Estrategias de Proceso: Facilitar el análisis de las estrategias de inicio y parada mediante el aislamiento de los transitorios terminales.
Compensación de Trayectoria: Apoyar el desarrollo de estrategias de compensación dependientes de la ubicación.

El estudio señala explícitamente que sus resultados representan una validación interna dentro de una campaña experimental específica (acero S355, celda robótica específica y ventana de proceso). Los autores declaran que la generalización más amplia a través de diferentes materiales, sistemas de deposición y ventanas de proceso requiere una validación adicional con conjuntos de datos independientes. El trabajo no pretende reemplazar el control en tiempo real, sino que proporciona un marco de post-proceso para identificar regiones que puedan requerir diferentes estrategias de modelado o monitoreo.

Más como este