Skip to main content
Los modelos de simulación han evolucionado desde sus primeras aplicaciones en la década de 1960. Se han convertido de una tecnología utilizada por expertos en matemática e informática, a una herramienta estándar para todo ingeniero. Desde sus orígenes, las simulaciones se han utilizado para resolver una variedad de problemas de diseño e ingeniería. Permitieron el desarrollo, la validación y la prueba de soluciones para sistemas y elementos individuales de sistemas. Se volvieron herramientas de soporte indispensables para la toma de decisiones. Dieron lugar a un nuevo enfoque llamado ingeniería de sistemas basados ​​en modelos (MBSE). Estos modelos de simulación, siguen adaptándose al intensificarse su uso para la gestión del ciclo de vida de un producto. Especialmente ahora que es necesario tener sistemas de producción más flexibles, capaces de producir una mayor diversidad de productos personalizables.
Por eso, antes de continuar con este blog, quisiera hacer un apartado para invitarte a nuestro Curso En Línea “Industria 4.0 – Contexto, Conceptos y Aplicaciones” donde explicaremos con lujo de detalle lo que es la Industria 4.0, los Gemelos Digitales y los otros pilares que hacen de esta tendencia algo impresionante HAZ CLIC AQUÍ PARA SABER MÁS DE NUESTRO CURSO EN LÍNEA
La llegada de la Industria 4.0 también ha traído cambios a la manera en cómo se crean y ejecutan los modelos de simulación. Por un lado, la Industria 4.0 requiere modelos de fabricación y otros sistemas a través del concepto de fábrica virtual. Por otro lado, requiere el uso de inteligencia artificial avanzada (cognitiva) para el control del proceso. Finalmente, también requiere el ajuste autónomo de los sistemas de operación (autoorganización). De esta manera, los modelos de simulación de la Industria 4.0 serán definidos por el concepto “gemelo digital”. También conocido en inglés como “Digital Twin”. El concepto de Digital Twin extiende el uso de los modelos de simulación a todas las fases del ciclo de vida del producto. Donde los productos primero se desarrollan y prueban con todo detalle en un entorno virtual. Después, la información generada virtualmente será utilizada durante la fabricación y el resto del ciclo de vida del producto. De manera complementaria, los datos de fabricación serán utilizados para retroalimentar el entorno virtual. Combinar datos de la reales con los simulados, permitirá hacer predicciones realistas y precisas que mejoren la productividad y mantenimiento.
En la industria 4.0 se hará posible la gestión de grandes flujos de información relacionados a cada etapa del ciclo de vida de un producto. Una consecuencia positiva, será el desarrollo de modelos de alta fidelidad que serán utilizados en simulaciones del sistema. Así, los fabricantes podrán validar el diseño y requerimientos de producción desde las primeras etapas del proceso de producción. Como dato histórico, el término de “Digital Twin” viene de la época de las misiones espaciales. Visto que cualquier cambio podía ser fatal, todas las modificaciones de un vehículo, sonda o vehículo explorador en una misión se probaban en un modelo de simulación detallado. Con esto, se garantizaba que las modificaciones al sistema produjeran el efecto deseado.
La Industria 4.0 también prevé sistemas de fabricación autónomos y entrelazados que autoorganizan la producción de lotes. Para hacer realidad esta visión, son necesarios nuevos paradigmas en el diseño de sistemas de fabricación. Es aquí donde será indispensable el uso de modelos de simulación “Digital Twin”. ¿Pero qué es un “Digital Twin”?. En realidad, el concepto se refiere a la existencia de dos elementos, un “Digital Master” y un “Digital Shadow”. Un “Digital Master” es la representación digital de un producto, máquina, servicio, sistema de servicio del producto. Un “Digital Shadow” es la misma representación digital, pero que puede alterar sus propiedades, condición y comportamiento por medio de modelos, información y datos. Finalmente, es necesaria una vinculación inteligente entre el “Digital Master” y el “Digital Shadow”. Esta vinculación puede ser un algoritmo, correlación, etc.
La existencia de este concepto “Digital Twins” es la base de un CPPS (Sistema de Producción Ciber-Físico). Aquí, los datos del proceso se recopilan en tiempo real mediante la matriz de sensores y máquinas inteligentes en el proceso comercial. Los datos se almacenan en la base de datos central (Big Data) y luego se transfieren al “Digital Shadow”. De manera que podamos acumular información, evaluar y validar nuevas simulaciones de producción utilizando el “Digital Shadow”. Donde los parámetros de las simulaciones exitosas, serán después transferidos al “Digital Master” gracias a la vinculación inteligente..
Aunque probablemente ya se te hayan ocurrido aplicaciones a este tipo de sistemas. Aquí mencionaré algunas cuantas, por ejemplo:
• Un “Digital Twin” permite el entrenamiento de un operador en una máquina virtual hasta adquirir las habilidades y confianza necesarias. Con esto, ahorramos la compra de un simulador de entrenamiento dedicado. El uso de un Digital Twin en línea acelera el proceso de aprendizaje y minimiza el riesgo de daños a la máquina.
• Mediante el control óptimo y las técnicas de control predictivo del modelo, combinadas con capacidades avanzadas de aprendizaje automático. Se puede usar un Digital Twin para identificar posibles problemas en una máquina real. Si se tiene un modelo de física de alta fidelidad que se ejecuta en paralelo con la máquina real. Se puede identificar rápidamente fallas en la máquina real si hay diferencias entre el rendimiento real y el modelo predictivo. La información podría usarse para detener y reparar la máquina que funciona mal. O también podríamos usar el modelo para proporcionar una estrategia que compense el rendimiento sin ralentizar o detener la producción.
Para finalizar, hago un especial énfasis en la existencia de la retroalimentación de la información en todo el sistema. Es decir, la capacidad de poder transferir información real de procesos a la nube y de ahí al “Digital Shadow”. Para después poder retroalimentar las condiciones del modelo de simulación al “Digital Master” y a las máquinas.
¿Quieres saber más sobre nuestro curso en-línea “Industria 4.0- Contexto, Conceptos, Apliaciones? ¡HAZ CLIC AQUÍ PARA TENER MÁS INFORMES!
¿Qué tanto sabes sobre la Industria 4.0? Resuelve el siguiente quiz, si tu nota en el quiz es menor a 60% ¡te recomendamos que tomes nuestro curso en línea!
/13
3 votes, 4.7 avg
137
Created on

Quiz Industria 4.0

Este quiz te ayudará a saber si este curso es para tí

1 / 13

Este método de aprendizaje de Machine Learning enseña a las máquinas a tomar una secuencia decisiones de manera óptima y esto lo aprende por prueba y error:

2 / 13

La forma básica de una red neuronal tiene 3 capas, ¿cuáles son?

3 / 13

En una nube privada todo el servicio es gestionado por un proveedor externo, y que nuestra información o aplicaciones están repartidas entre varios servidores en uno o más centros de datos

4 / 13

La nube son todas las cosas a las que podemos acceder de manera remota a través del internet, como apps y bases de datos

5 / 13

En la Realidad Mixta podemos interactuar con objetos 3D superpuestos en el mundo real, no tan sólo verlos

6 / 13

La manufactura aditiva sólo permite fabricar piezas hechas con material polímero:

7 / 13

¿Cuál es la diferencia entre la Inteligencia Artificial y el Machine Learning?

8 / 13

¿A qué se refiere el procesamiento en Paralelo?

9 / 13

En un Gemelo Digital, a mayor número de parámetros o variables que se intercambian entre entre las entidades físicas y virtuales, decimos que el sistema tiene mayor fidelidad:

10 / 13

¿Qué es la Industria 4.0?

11 / 13

En un sistema ciberfísico, la capa de aplicación procesa todos los datos que le llegan de la capa de percepción, y los retroalimenta con instrucciones para optimizar el proceso.

12 / 13

Este concepto se refiere al uso de instrumentos inteligentes, máquinas inteligentes, sensores inteligentes y cualquier otro tipo de dispositivo inteligente en su proceso de manufactura

13 / 13

Estos son ejemplos de datos no estructurados:

Your score is

0%

Please rate this quiz

PhD. Jose NERI

Author PhD. Jose NERI

Evaluador Experto de la Comisión Europea para proyectos en AI, IoT, Industria 4.0. Consultor en IMEPI y socio fundador de Medusa Digital, una empresa que se dedica al uso de Inteligencia Artificial y Análisis de Datos para proyectos de Marketing 4.0 e Industria 4.0. Linkedin: jossneri

More posts by PhD. Jose NERI
Abrir chat
¿Necesitas ayuda?
Hola, ¿en qué podemos ayudarte?