Medición con sensores ópticos en máquina-herramienta: cómo hacer fácil lo difícil

En este contexto, la integración de sistemas metrológicos directamente en el entorno de fabricación ha despertado un interés creciente como complemento a los esquemas de verificación tradicionales. Entre las distintas tecnologías disponibles, se destacan los sensores ópticos por adquirir información geométrica y dimensional de forma rápida y sin contacto, incluso sobre geometrías complejas. Su aplicación en máquina-herramienta permite incorporar la medición dentro del propio proceso productivo, aportando información geométrica en etapas intermedias y favoreciendo una detección más temprana de desviaciones respecto a las especificaciones de diseño [2].

No obstante, medir en máquina supone compartir tiempo con la fabricación, lo que incrementa los tiempos dedicados a tareas no productivas en comparación con una inspección externa tradicional. Además, las condiciones ambientales propias del entorno productivo, como los gradientes térmicos o la presencia de vibraciones, hacen que las mediciones sean menos estables, lo que se traduce en mayores niveles de incertidumbre metrológica [3]. Estas variaciones, que en muchos casos escapan al control directo del usuario, añaden un grado adicional de complejidad al proceso de medición.

A pesar de ello, este enfoque ofrece ventajas claras, como la reducción de costes logísticos, la eliminación de manipulaciones innecesarias de la pieza y la posibilidad de analizar el comportamiento del proceso de mecanizado de forma continua, en lugar de limitar el control a una verificación final.

En este escenario, el interés de la medición óptica en máquina-herramienta no reside únicamente en la precisión del sensor o en la sofisticación de la tecnología empleada, sino en cómo se integra el proceso de medición dentro del entorno productivo. En muchos casos, las soluciones disponibles requieren configuraciones específicas para cada aplicación y flujos de trabajo complejos, lo que dificulta su adopción en producción y traslada una carga técnica significativa al usuario. Asimismo, una parte relevante del software metrológico existente está concebida para entornos especializados, con interfaces y funcionalidades avanzadas que no siempre se ajustan a los requisitos operativos de la máquina-herramienta. Estructurar adecuadamente los flujos de trabajo y reducir la intervención técnica requerida por parte del usuario resulta fundamental para garantizar mediciones reproducibles y fiables, compatibles con los ritmos de producción.

Con este objetivo, el CFAA está trabajando en distintas líneas de investigación orientadas a facilitar la captura y el tratamiento de datos geométricos mediante sensores ópticos en máquina-herramienta. Estas líneas abordan el alineamiento de piezas en máquina, la anticipación de zonas críticas, el análisis de la calidad de las nubes de puntos esperada y el filtrado automático de las nubes de puntos mediante la eliminación de outliers y la reducción del ruido. El objetivo común de estas líneas es reducir la complejidad de la medición en el entorno productivo y minimizar la dependencia de soluciones altamente específicas o de conocimientos metrológicos avanzados, sentando las bases para una medición óptica más robusta y accesible para el usuario.

El alineamiento de piezas constituye un paso esencial en los procesos que se desarrollan en máquina-herramienta, tanto para operaciones de mecanizado como para tareas de medición. Antes de iniciar cualquier operación, la máquina debe conocer con precisión la posición y la orientación reales de la pieza dentro de su volumen de trabajo. Un alineamiento incorrecto no solo puede provocar errores dimensionales, sino también situaciones críticas como colisiones o la fabricación de piezas irrecuperables, con el consiguiente impacto en costes, tiempos de producción y fiabilidad del proceso.

Desde un punto de vista conceptual, alinear una pieza implica establecer la relación entre el sistema de coordenadas de la máquina y el sistema de coordenadas de la pieza. Esta relación se describe mediante una matriz de transformación que permite vincular ambos sistemas y definir de forma unívoca el origen y la orientación de la pieza (figura 1). Sobre esta base se construyen tanto las trayectorias de mecanizado como las posteriores estrategias de medición y verificación, lo que convierte al alineamiento en un elemento transversal del proceso productivo.

Tradicionalmente, el alineamiento se ha realizado mediante medición por contacto, apoyándose en referencias geométricas simples como planos, aristas o taladros. En aplicaciones con mayor complejidad geométricas, la definición de alineamientos más avanzados suele requerir el uso de software metrológico externo al CNC, ya que las funcionalidades disponibles directamente en el control de la máquina resultan limitadas para abordar piezas complejas.

En este contexto, el trabajo del CFAA se orienta a aprovechar los propios ciclos del CNC para la captura y extracción de puntos, evitando la necesidad de herramientas de medición externas. Este enfoque permite implementar directamente en máquina-herramienta métodos de alineamiento habituales en metrología, como el alineamiento 3-2-1 o RPS (Reference Point System), integrándolos en el flujo de trabajo de producción y reduciendo la dependencia de software especializado.

La integración de sensores ópticos amplía estas posibilidades. El digitalizado completo de la pieza mediante nubes de puntos permite aplicar enfoques de alineamiento basados en la geometría global, como el alineamiento por mejor ajuste (best-fit), que no dependen de referencias individuales. Este tipo de estrategias resulta especialmente útil para la puesta en posición inicial de piezas complejas y ofrece una representación más completa del estado real de la pieza en máquina.

En conjunto, estas aproximaciones persiguen simplificar una tarea tradicionalmente crítica, trasladando la complejidad matemática y metrológica al sistema y no al usuario. De este modo, el alineamiento en máquina-herramienta se convierte en un proceso más accesible, robusto y repetible, estableciendo una base sólida para las siguientes etapas del proceso de medición, en las que la calidad y la planificación de las estrategias de adquisición de datos adquieren un papel determinante.

En la medición con sensores ópticos, la calidad de la nube de puntos depende en gran medida del modo en que se produce la interacción entre la luz y la superficie de la pieza durante la adquisición. Esta interacción está condicionada tanto por los parámetros de escaneado [4], el color [5] y la geometría de la superficie como por la posición y la orientación relativas entre el sensor y la pieza [6]. Por lo tanto, distintas estrategias de medición pueden dar lugar a nubes de puntos sensiblemente diferentes incluso para una misma pieza. La figura 2 muestra un claro ejemplo de cómo cuatro estrategias de escaneado similares pueden resultar en nubes de puntos con diferencias evidentes.

Cuando esta relación no se controla adecuadamente, pueden aparecer fenómenos inherentes a la medición óptica, como reflexiones especulares u oclusiones, que afectan directamente a la calidad de los datos adquiridos. Las reflexiones especulares suelen dar lugar a niveles elevados de ruido y a la aparición de outleirs, mientras que las oclusiones provocan zonas con baja densidad de puntos o pérdida parcial de información geométrica [7]. Aunque estos efectos no siempre impiden obtener una nube de puntos globalmente completa, sí comprometen su precisión y exactitud, limitando su idoneidad para el análisis metrológico.

Este tipo de situaciones puede darse, por ejemplo, en escaneos a priori empleados para obtener un alineamiento por mejor ajuste (best-fit). En estos casos, la posición y la orientación reales de la pieza en máquina aún es desconocida, lo que impide un control riguroso de la configuración relativa entre el sensor y la superficie a lo largo de toda la adquisición. Como resultado, la nube de puntos puede ser suficiente para capturar la geometría global de la pieza y calcular el alineamiento, pero no ofrecer la suficiente calidad metrológica para la evaluación de características geométricas con tolerancias ajustadas.

Cuando la posición y la orientación de la pieza en máquina son conocidas, es posible definir y controlar con mayor precisión la configuración relativa entre el sensor y la superficie [8]. Este control permite plantear estrategias de escaneado orientadas a minimizar la aparición de reflexiones especulares y oclusiones, dando lugar a nubes de puntos más adecuadas para el análisis metrológico.

Sin embargo, en la práctica industrial, la definición de estas estrategias se apoya con frecuencia en un enfoque de prueba y error directamente en máquina, basado en la experiencia del usuario. Este procedimiento implica un mayor consumo de tiempo productivo, lo que reduce la eficiencia global del proceso y aumenta la dependencia del criterio metrológico del usuario.

Con el objetivo de superar estas limitaciones, el CFAA está desarrollando una herramienta de simulación orientadas a identificar zonas críticas en función de la geometría de la pieza y de la configuración del sensor. Este enfoque permite planificar las estrategias de escaneado en entornos off-line, reduciendo la necesidad de iteraciones en máquina, mejorando la calidad de las adquisiciones y facilitando el trabajo del operario.

Independientemente de cómo se haya definido la estrategia de adquisición o del entorno en el que se realice la medición, las nubes de puntos obtenidas a partir de sensores ópticos requieren un tratamiento previo antes de su análisis metrológico [9]. Incluso en entornos controlados, como los laboratorios de medición, es habitual la presencia de ruido y outleirs, si bien en máquina-herramienta estos efectos suelen verse acentuados por las condiciones propias del entorno productivo.

Los outleirs suelen manifestarse como puntos aislados o pequeños grupos de puntos que no representan la geometría real de la pieza [10]. Su presencia puede tener un impacto significativo en el cálculo de características geométricas, desplazando ajustes, alterando referencias y generando resultados erróneos, especialmente en tolerancias exigentes. El ruido, por su parte, se traduce en pequeñas variaciones locales en la posición de los puntos que, aunque menos evidentes, reducen la precisión y la repetibilidad de la medición. En la figura 3 se muestra una sección de la pieza en el instante de adquisición mediante un escáner de triangulación láser. donde se identifican claramente los puntos válidos de medición, así como la presencia de ruido y valores atípicos generados durante el proceso de digitalizado.

Estos puntos críticos suelen detectarse únicamente durante el análisis de los datos. En muchos casos, su corrección se apoya en ajustes manuales o en criterios empíricos del usuario. Este enfoque introduce variabilidad en el proceso y aumenta la dependencia del nivel de experiencia y conocimiento metrológico del operario.

En este contexto, el trabajo del CFAA se ha centrado en integrar el filtrado de nubes de puntos directamente en la interfaz de la aplicación, de modo que el proceso pueda realizarse de forma rápida, guiada y consistente. A partir del conocimiento previo de la nube teórica asociada a la pieza, es posible detectar y eliminar automáticamente ‘outleirs’, así como reducir el ruido presente en la nube real, sin necesidad de ajustes complejos ni decisiones subjetivas.

Este enfoque permite que operarios sin formación específica en metrología puedan obtener nubes de puntos limpias y fiables de manera sencilla, reduciendo la carga técnica del proceso y mejorando la calidad de los datos antes de la evaluación dimensional. De este modo, el filtrado deja de ser una tarea especializada y pasa a integrarse de forma natural dentro del flujo de medición en máquina-herramienta.

La integración de sensores ópticos en máquina-herramienta ofrece un notable potencial para ampliar las capacidades de medición en el entorno productivo. No obstante, para que estas tecnologías aporten un valor real en producción resulta imprescindible facilitar su integración y simplificar su uso con el fin de reducir la carga técnica que recae sobre el operario.

Las líneas de trabajo presentadas en este artículo (alineamiento de piezas, planificación del escaneado, identificación de zonas críticas y filtrado de nubes de puntos) comparten un objetivo común: facilitar la obtención de datos geométricos de calidad, minimizando la dependencia de conocimientos metrológicos avanzados y evitando enfoques basados en prueba y error directamente en máquina. En este contexto, la herramienta desarrollada por el CFAA se concibe como un apoyo centrado en la captura, tratamiento y preparación de los datos, permitiendo al operario trabajar de forma más guiada, consistente y alineada con las condiciones reales del entorno productivo.

Es importante subrayar que esta aproximación no pretende sustituir al software metrológico especializado. La evaluación de características geométricas sigue requiriendo el uso de herramientas metrológicas externas y acreditadas que garanticen la trazabilidad y la validez de los resultados. La herramienta desarrollada actúa, por tanto, como un paso previo fundamental, asegurando que los datos que se transfieren a estas herramientas sean coherentes, limpios y adecuados para su posterior análisis.

De este modo, se establece una separación clara entre la obtención fiable de datos y la evaluación metrológica formal, permitiendo que cada etapa se realice con la herramienta más apropiada. Este enfoque contribuye a hacer la medición óptica en máquina-herramienta más accesible y operativa, manteniendo al mismo tiempo el rigor técnico exigido por la metrología industrial.

Agradecimientos

Esta publicación es parte del proyecto de I+D+i PID2024-160031OB-I00, financiado por MCIN/AEI/10.13039/501100011033 y por FEDER, una manera de hacer Europa.

Referencias

[1] Behera, A. (2020). Processes and applications in additive manufacturing: Practices in aerospace, automobile, medical, and electronic industries. En Additive manufacturing applications for metals and composites (pp. 25–47). IGI Global.

[2] Catalucci, S., Thompson, A., Piano, S., Branson, D. T., & Leach, R. (2022). Optical metrology for digital manufacturing: A review. The International Journal of Advanced Manufacturing Technology, 121, 1925–1953.https://doi.org/10.1007/s00170-022-09084-5

[3] Zhuang, Q., Wan, N., Guo, Y., Chang, Z., & Wang, Z. (2022). Uncertainty propagation and assessment of five-axis on-machine measurement error. Journal of Manufacturing Science and Engineering, 144(10), 101010.

https://doi.org/10.1115/1.4054286

[4] Gong, J., et al. (2025). Systematic error reduction in laser triangulation on-machine measurement: A study on measurement parameters and compensation techniques. Measurement, 247, 116802.

https://doi.org/10.1016/j.measurement.2025.116802

[5] Owczarek, D., et al. (2025). The impact of an object’s surface material and preparatory actions on the accuracy of optical coordinate measurement. Materials, 18(15), 3693.https://doi.org/10.3390/ma18153693

[6] Ding, D., Ding, W., Huang, R., Fu, Y., & Xu, F. (2023). Research progress of laser triangulation on-machine measurement technology for complex surfaces: A review. Measurement, 215, 113001.https://doi.org/10.1016/j.measurement.2023.113001

[7] Wang, Y., & Feng, H. Y. (2014). Modeling outlier formation in scanning reflective surfaces using a laser stripe scanner. Measurement, 57, 108–121.

https://doi.org/10.1016/j.measurement.2014.08.010

[8] Ding, D., et al. (2021). Error modeling and path planning for freeform surfaces by laser triangulation on-machine measurement. IEEE Transactions on Instrumentation and Measurement, 70, 1–11.

[9] Zhou, L., Sun, G., Li, Y., Li, W., & Su, Z. (2022). Point cloud denoising review: From classical to deep learning-based approaches. Graphical Models, 121, 101140.

https://doi.org/10.1016/j.gmod.2022.101140

[10] Schmitt, R. H., et al. (2016). Advances in large-scale metrology – Review and future trends. CIRP Annals, 65(2), 643–665.