Industria 4.0: Desarrollo de Sistemas Ciberfísicos para la Fabricación Avanzada de Estructuras Metálicas en Energía Eólica Offshore

Proyecto Fin de Carrera Ingeniería de Telecomunicación Formato de Publicación de la Escuela Técnica Superior de Ingeniería Autor: F. Javier Payán Somet Tutor: Juan José Murillo Fuentes Dep. Teoría de la Señal y Comunicaciones Escuela Técnica Superior de Ingeniería Universidad de Sevilla Sevilla, 2013 Tesis Doctoral Ingeniería Automática, Electrónica y de Telecomunicación Industria 4.0: Desarrollo de Sistemas Ciberfísicos para la Fabricación Avanzada de Estructuras Metálicas en Energía Eólica Offshore Autor: Cristian Javier Rocha Jácome Director 1: Ramón González Carvajal Director 2: Fernando Muñoz Chavero Ingeniería Electrónica Escuela Técnica Superior de Ingeniería Universidad de Sevilla Sevilla, 2024 Tesis Doctoral Ingeniería Automática, Electrónica y de Telecomunicación Industria 4.0: Desarrollo de Sistemas Ciberfísicos para la Fabricación Avanzada de Estructuras Metálicas en Energía Eólica Offshore Autor: Cristian Javier Rocha Jácome Director 1: Ramón González Carvajal Catedrático de la Universidad Director 2: Fernando Muñoz Chavero Catedrático de la Universidad Ingeniería Electrónica Escuela Técnica Superior de Ingeniería Universidad de Sevilla 2024 Tesis Doctoral: Industria 4.0: Desarrollo de Sistemas Ciberfísicos para la Fabricación Avanzada de Estructuras Metálicas en Energía Eólica Offshore Autor: Cristian Javier Rocha Jácome Director 1: Ramón González Carvajal Director 2: Fernando Muñoz Chavero El tribunal nombrado para juzgar la Tesis arriba indicada, compuesto por los siguientes doctores: Presidente: Vocales: Secretario: acuerdan otorgarle la calificación de: El Secretario del Tribunal Fecha: A mi familia A mis profesores Agradecimientos C on profunda emoción y gratitud, deseo iniciar este apartado de agradecimientos reflexionando sobre el camino que me llevó hasta la Universidad de Sevilla. Esta introspección breve no solo sirve como recordatorio personal, sino también como tributo a todas las personas e instituciones cuya generosidad y apoyo incondicional hicieron realidad la culminación de esta tesis doctoral. Durante 2019, mientras estaba comprometido con mi labor docente e investigativa en una universidad en la provincia de Chimborazo, Ecuador, participé en un concurso público de mérito y oposición. En este proceso, lamentablemente, me encontré con desafíos relacionados con la integridad, la injusticia y la corrupción, problemas que, desafortunadamente, parecen ser cada vez más comunes en estos contextos. Tras superar los desafíos surgidos de esa difícil experiencia con mi primera Alma Máter, mi sueño de perseguir estudios doctorales cobró fuerza nuevamente. Luego de una meticulosa búsqueda, donde la excelencia académica fue mi principal criterio de selección, decidí embarcarme en esta nueva etapa académica en la Universidad de Sevilla. Sin lugar a duda, puedo afirmar que esta elección ha sido la más acertada y enriquecedora que he tomado hasta el momento. El comienzo de mi travesía hacia Sevilla marcó el inicio de una experiencia única en una ciudad que cautiva a todos con su encanto indiscutible. Sentimientos encontrados invadieron mi corazón: la emoción de cumplir un sueño largamente acariciado contrastaba con la tristeza inevitable de separarme de mi amada familia. Quiero comenzar expresando mi profundo agradecimiento a mis directores, el Profesor Ramón González Carvajal y el Profesor Fernando Muñoz Chavero, quienes me recibieron con gran amabilidad en la Universidad de Sevilla. Me brindaron la invaluable oportunidad de formar parte de su distinguido equipo de investigación, el Grupo de Ingeniería Electrónica. El respaldo y la confianza que depositaron en mí desde el principio fueron fundamentales durante mi proceso de integración en la universidad. Tuve el privilegio de participar en un proyecto de investigación de gran envergadura bajo la dirección del Profesor Ramón González, quien no solo actuó como mi tutor, sino también como una guía constante en asuntos administrativos y científicos. Su profundo conocimiento y agudeza intelectual me dejaron asombrado, mientras que su amabilidad y apoyo incondicional me III XÍndice 2.2.1 Arquitectura IoT 14 Arquitectura de 3 capas 15 Arquitectura de 4 capas 16 Arquitectura de 5 capas 16 2.3 Ciberseguridad 16 2.4 Datos Masivos (Big Data) 17 Características principales "5V" 17 Big Data en la Industria 4.0 19 2.5 Gemelo Digital en Fabricación 21 2.6 Paradigmas de la Computación 22 Cloud Computing 24 Fog Computing 24 Edge Computing 25 2.7 Machine Learning en la Industria 4.0 25 2.8 Madurez digital 27 3 Bibliometría de la Industria 4.0 31 3.1 Materiales y métodos 31 Criterios de inclusión de documentos científicos 32 Criterios de exlusión de documentos científicos 33 3.2 Inclusión/Exclusión de contenido científico 35 3.3 Distribuición geográfica del contenido científico 36 3.4 Cronología del contenido científico 39 3.5 Palabras clave más frecuentes 42 3.6 Revistas científicas con mayores contribuciones 44 3.7 Idiomas 46 4 Una propuesta de esquemas de organización de la Industria 4.0 49 4.1 Objetivo del capítulo 50 4.2 Metodología 50 4.3 Esquema 1: Reorganización e Interrelación de Tecnologías y Paradigmas de la Industria 4.0 52 Descripción del Esquema 1: 54 4.4 Esquema 2: Matriz de CSCW adaptado a la Industria 4.0 56 4.4.1 Conceptualización 56 4.4.2 Adaptación y propuesta 57 5 Medición y análisis predictivo de parámetros geométricos de componentes industriales 61 5.1 Introducción 61 5.2 Descripción del problema 64 5.2.1 Incertidumbre de medición 65 5.2.2 Medición de la longitud de perfiles curvos 66 Índice XI 5.2.3 Problemas físicos clave en el entorno industrial 67 5.2.4 Defectos en el proceso de fabricación 67 5.3 Materiales y métodos 67 5.3.1 Rectificación de valores atípicos 69 5.3.2 Filtrado Digital 71 5.3.3 Cálculo de la longitud del perfil 72 5.3.4 Calibración de los parámetros de filtrado 74 5.3.5 Validación de parámetros de filtrado 76 5.3.6 Cálculo del radio de curvatura 76 5.3.7 Filtrado EMA para estabilizar las mediciones 80 5.3.8 Predicciones del radio de curvatura en el proceso de curvado 81 5.4 Resultados y Discusiones 83 5.4.1 Detalles de la Validación Experimental en un Entorno Industrial 83 5.4.2 Longitud de cuerda y longitud de arco 84 5.4.3 Radio de curvatura 86 5.4.4 Pronósticos de radio de curvatura 89 ARIMA 90 LSTM 92 Comparación cualitativa ARIMA frente a LSTM 96 Despliegue de la aplicación informática 96 5.4.5 Análisis Comparativo frente al Estado del Arte 98 5.5 Conclusiones 99 Apéndice A Contribuciones científicas 103 A.1 Revistas 103 A.1.1 Aceptadas 103 Publicaciones Relacionadas con la Investigación Principal de la Tesis 103 Publicaciones Derivadas de Aportes y Colaboraciones Externas 103 A.2 Congresos 104 A.3 Patentes 104 Índice de Figuras 107 Índice de Tablas 109 Índice de Códigos 111 Bibliografía 113 1 Introducción La investigación es ver lo que todo el mundo ha visto y pensar lo que nadie más ha pensado. Albert Szent-Györgyi, 1937 E n un contexto globalizado y altamente competitivo, la supervivencia y el éxito de una industria dependen en gran medida de su capacidad para adaptarse y evolucionar. La innovación continua, la mejora constante de los procesos y la adopción de tecnologías emergentes se han vuelto imperativas para mantenerse relevantes y competitivos en el mercado actual. En este sentido, el paradigma de la Industria 4.0 ha surgido como un fundamento esencial, tanto en la investigación como en la aplicación práctica dentro del sector industrial. El análisis de la competitividad digital, como lo establece el Ranking Mundial de Competitividad Digital del IMD 2023 [1], ofrece una perspectiva crucial sobre la posición relativa de los países industrializados en términos de adopción y exploración de tecnologías digitales. Este ranking, que se basa en estudios anuales exhaustivos, evalúa la capacidad y la disposición de 64 economías para aprovechar las oportunidades ofrecidas por las tecnologías digitales en la transformación económica y social. Factores clave como el nivel de conocimiento, la infraestructura tecnológica y la preparación para abrazar el futuro son cuidadosamente considerados en esta evaluación, proporcionando una valiosa guía para entender la dinámica y las tendencias en el ámbito industrial a nivel mundial. La transición hacia la Industria 4.0 representa un cambio paradigmático en el ámbito industrial, ofreciendo un vasto conjunto de oportunidades para redefinir las cadenas de suministro globales con un enfoque en la sostenibilidad. Este proceso implica una mejora significativa en los procesos de la cadena de suministro, con el objetivo de alcanzar resultados estratégicos óptimos. La digitalización, como motor principal de esta transición, ha adquirido un papel fundamental en las organizaciones de ingeniería, sin importar su escala. La adopción de principios y tecnologías de la Industria 4.0 promete impulsar el crecimiento sostenible de las organizaciones, generando valores económicos y ambientales superiores a través de un ciclo de vida de producto más ágil y eficiente, la creación de 1 2Capítulo 1. Introducción productos innovadores, la reducción del riesgo operativo y la minimización de residuos. Desde una perspectiva social, se anticipa que la modernización tecnológica asociada con la Industria 4.0 tendrá un impacto significativo en la transformación social, especialmente en los países en desarrollo, aunque su implementación enfrenta diversos desafíos, tanto tecnológicos como sociales. Por consiguiente, es crucial identificar y comprender las tendencias contemporáneas y futuras de la Industria 4.0 desde una perspectiva de sostenibilidad, así como investigar de manera rigurosa su efecto en el desarrollo sostenible, con el fin de abordar los retos emergentes y aprovechar plenamente las oportunidades potenciales [2]. El progreso en el desarrollo de los sistemas de fabricación industrial ha seguido una evolución marcada por lo que se conoce como las cuatro revoluciones industriales, ilustradas en la Figura 1.1. Esta progresión ha sido ampliamente analizada en la literatura científica, siendo documentada en numerosos trabajos, entre los cuales se destacan [3,4]. La Primera Revolución Industrial tuvo lugar a finales del siglo XVIII y principios del XIX, caracterizándose por la adopción de sistemas de fabricación mecánica que hacían uso del agua y del vapor como fuentes de energía. La Segunda Revolución Industrial se inició a fines del siglo XIX, simbolizada por la adopción de la producción en masa impulsada por la electricidad. La Tercera Revolución Industrial, que se desarrolló a mediados del siglo XX, introdujo la automatización y la tecnología microelectrónica en los procesos de fabricación. En la actualidad, nos encontramos inmersos en la cuarta revolución industrial, impulsada por el desarrollo de las Tecnologías de la Información y la Comunicación (TIC). Su base tecnológica radica en la automatización inteligente de sistemas ciberfísicos, los cuales cuentan con control descentralizado y conectividad avanzada, incluyendo funcionalidades de Internet de las cosas (IoT) [5,6]. Como resultado de esta nueva tecnología, los sistemas de producción industrial están siendo reorganizados, abandonando los modelos de automatización jerárquica clásica para adoptar sistemas de producción ciberfísicos autoorganizados. Estos sistemas permiten una producción en masa altamente personalizada y flexible en términos de cantidad de producción [7,8]. Industria 1.0 •Uso de Energía de Vapor •Mecanización de la Producción Industria 2.0 •Introducción de la electricidad como fuente de energía •Producción en masa •Desarrollo de la industria química •Organización del trabajo Industria 3.0 •Automatización y robótica •Avances en microelectrónica •Digitalización de la información •Avances en las comunicaciones globales •Flexibilidad en la producción Industria 4.0 •Inteligencia Artificial •Big Data y Analítica Avanzada •Internet de las cosas (IoT) •Fabricación Aditiva •Ciberseguridad •Personalización en la producción Figura 1.1 Revolución industrial. El papel del factor humano en la Industria 4.0 es esencial, ya que su implementación conlleva la reconfiguración de roles laborales, promoviendo la evolución desde conoci- 1.1 Objetivos 3 mientos aislados hacia una dinámica de interconectividad, colaboración y compartición de conocimientos [9,10]. Por ende, resulta imperativo abordar el concepto de Trabajo Colaborativo Asistido por Computadora (CSCW, por sus siglas en inglés) de manera integral, considerando los procesos y recursos involucrados. Esto implica una integración de herramientas y métodos destinados a respaldar la colaboración entre equipos de trabajo, con el potencial de mejorar la productividad y eficacia de los actores involucrados [11,12]. CSCW, tradicionalmente, se estructura en torno a cuatro disciplinas: Psicológica, Sociológica, Organizacional y Tecnológica; sin embargo, en este documento nos enfocaremos exclusivamente en el aspecto tecnológico. No podemos abordar tecnologías específicas, dado que el concepto permite una evolución constante y una integración continua de nuevas tecnologías a medida que maduran o se adaptan; esto implica que varias tecnologías emergentes están convergiendo para proporcionar soluciones digitales cada vez más avanzadas a la industria [13]. Durante la primera etapa de esta tesis y su revisión bibliográfica, se identificarán las tecnologías principales y su aplicación. Por ejemplo, según los autores de los documentos [14,15], se mencionan claramente algunas tecnologías involucradas en el concepto de Industria 4.0. Los autores proponen en el documento [15] un marco conceptual, que se divide en tecnologías de front-end y tecnologías base. Las tecnologías de front-end consideran cuatro dimensiones: manufactura inteligente, productos inteligentes, cadena de suministro inteligente y trabajo inteligente, mientras que las tecnologías base abarcan cuatro áreas: Internet de las cosas, servicios en la nube, big data y análisis. Estos trabajos han sido de gran utilidad para nuestro estudio, ya que proporcionan una estructura para analizar el complejo y multidisciplinario mundo de la Industria 4.0. Sin embargo, en este trabajo se analizan las tecnologías en términos de paradigmas con criterios de sistemas ciberfísicos, y se proponen esquemas de organización propios para las tecnologías involucradas. Esta propuesta de análisis ha posibilitado una elucidación del concepto, ofreciendo potenciales alternativas en la formulación de hojas de ruta dirigidas al logro de los objetivos planteados en cada proyecto de Industria 4.0. Paralelamente, la bibliometría asociada a la investigación se ha presentado de manera gráfica y explícita, con el propósito de no solo brindar información a los lectores, sino también inducir motivación e inspiración en otros investigadores. De esta forma, se pretende que estos últimos obtengan una perspectiva más amplia de las oportunidades ofrecidas por la Industria 4.0 y la transformación digital, así como la manera en que los países líderes a nivel mundial invierten en investigación en estos campos para consolidarse como referentes tecnológicos y económicos. 1.1 Objetivos La investigación se estructura en dos etapas fundamentales: la primera etapa comprende un análisis teórico exhaustivo, incluyendo la bibliometría y la elaboración de propuestas de esquemas conceptuales; mientras que la segunda etapa se enfoca en el desarrollo de sistemas ciberfísicos específicos necesarios para la fabricación de estructuras metálicas destinadas a torres eólicas offshore. 4Capítulo 1. Introducción 1.1.1 Primera etapa El objetivo de la primera etapa consiste en realizar un análisis exhaustivo del panorama industrial contemporáneo y del paradigma de la Industria 4.0. A través de un estudio de estado del arte riguroso, se pretende comprender en profundidad dicho concepto, explorando las interconexiones entre las tecnologías subyacentes y su contribución al mismo. Este enfoque permitirá discernir cómo cada tecnología interactúa y contribuye al desarrollo integral del concepto de Industria 4.0. Continuando con esta etapa inicial del estudio, se plantea como objetivo llevar a cabo un análisis bibliométrico exhaustivo de la literatura científica relevante recopilada. Este análisis se realizará mediante el uso de técnicas estandarizadas, con el propósito de obtener una visión amplia y detallada del estado actual de la investigación en el área temática seleccionada. Además, se explorará la relación entre esta investigación y el progreso industrial y económico de los países que participan activamente en esta esfera. Este análisis proporcionará una base sólida para comprender la trayectoria y las tendencias dominantes en la investigación, así como para identificar posibles áreas de desarrollo futuro y oportunidades. En la fase conclusiva de la parte teórica de la investigación, se plantea la formulación de esquemas teóricos detallados que organicen de manera sistemática las tecnologías maduras y emergentes, así como los paradigmas asociados al concepto de Industria 4.0. Este proceso se llevará a cabo mediante un análisis exhaustivo de cada tecnología y paradigma, evaluando su nivel de madurez, sus funcionalidades principales dentro del contexto industrial y su grado de interrelación con otras tecnologías y paradigmas. El objetivo es proporcionar tanto a la comunidad académica como al sector industrial una perspectiva integral y estructurada de este amplio concepto, abordando su complejidad de manera sistemática y comprensible. Estos esquemas teóricos servirán como herramientas para comprender mejor la dinámica y la evolución de la Industria 4.0, así como para orientar futuras investigaciones y estrategias de implementación en el ámbito industrial. 1.1.2 Segunda etapa Durante la segunda fase, se enfoca en el desarrollo de sistemas ciberfísicos para abordar desafíos específicos en la fabricación industrial. El primer objetivo consiste en la creación de un sistema ciberfísico capaz de realizar mediciones en tiempo real de parámetros geométricos críticos durante el proceso de curvado de chapas metálicas, remplazando así los métodos manuales utilizados actualmente. La precisión de estas mediciones es fundamental y debe cumplir con estándares rigurosos. Para mejorar la eficiencia del sistema, se aplicarán técnicas de aprendizaje automático para pronosticar los valores de los parámetros y permitir a los operarios anticiparse a posibles errores en el proceso de curvado. Además, se llevarán a cabo pruebas de validación para garantizar la eficacia del sistema en entornos industriales reales. Este objetivo se complementa con el desarrollo de una aplicación de software diseñada para la interacción del operario con el sistema, proporcionando la información necesaria y permitiendo un control básico de su funcionamiento. El segundo objetivo se centra en el desarrollo de un sistema de monitorización de la posición angular para secciones de torres eólicas, con el fin de identificar el inicio y el final del proceso de pintura, así como controlar el intercambio entre secciones durante la 1.2 Descripción de la empresa colaboradora 5 aplicación de pintura. El sistema estará diseñado para detectar con precisión la posición angular de inicio del proceso de pintura, supervisar continuamente el progreso y detectar cuando se complete un ciclo completo de 360 grados, indicando así la finalización del proceso de pintura para la sección en cuestión. Esto permitirá gestionar el intercambio o relevo por otra sección lista para ser pintada. Este sistema se integrará como parte de un prototipo de máquina de pintura automática que está siendo desarrollado internamente en la planta de fabricación. Un último desarrollo se enfoca en brindar soporte al proceso de alineación y soldadura de virolas de metal, el cual es crítico en la industria manufacturera, dado que requiere niveles elevados de precisión y control, particularmente en estructuras de gran envergadura que pueden alcanzar hasta 8 metros de diámetro. El objetivo de este proyecto consiste en respaldar la creación de un sistema avanzado de alineación y soldadura automática de virolas metálicas que cumpla con requisitos críticos de tolerancia, basándose en mediciones precisas y validadas de parámetros clave como el GAP (separación entre virolas) y el OFFSET (diferencia de alturas). Para lograr esto, se empleará un perfilómetro de luz azul especializado en superficies metálicas brillantes. Se busca integrar el sistema con protocolos de comunicación industrial para atender solicitudes específicas de medición y, además, ofrecer una interfaz gráfica intuitiva para visualizar los perfiles y mediciones correspondientes. 1.2 Descripción de la empresa colaboradora Esta tesis doctoral se enmarca en un ambicioso proyecto de colaboración entre GRI Towers Sevilla y la Universidad de Sevilla, centrado en la implementación de sistemas ciberfísicos (CPS) como parte del concepto de la Industria 4.0 para la optimización del diseño y fabricación de superestructuras metálicas destinadas a la energía eólica marina. Este proyecto busca integrar tecnologías avanzadas de automatización y digitalización en los procesos productivos, con el objetivo de mejorar la eficiencia operativa, aumentar la calidad del producto final y reducir los costos de producción. La investigación se orienta hacia el desarrollo de soluciones innovadoras que permitan el monitoreo y control en tiempo real de los procesos de fabricación, utilizando datos obtenidos de sensores y dispositivos inteligentes para tomar decisiones informadas y precisas. Asimismo, la colaboración entre ambas instituciones fomenta el intercambio de conocimientos y la formación de nuevos talentos en el ámbito de la ingeniería y la tecnología, contribuyendo al avance del sector eólico a nivel global. 1.2.1 Historia y Fundación GRI Renewable Industries fue fundada en 2008 con el objetivo de producir componentes esenciales para el sector de energía eólica, como torres y bridas. Desde sus inicios, la empresa ha experimentado un crecimiento significativo, posicionándose como un líder global en la industria. Este crecimiento ha sido impulsado por su compromiso con la innovación y la sostenibilidad, así como por su capacidad para adaptarse a las necesidades cambiantes del mercado eólico [16]. 6Capítulo 1. Introducción 1.2.2 Estructura Corporativa y Gestión La estructura corporativa de GRI Renewable Industries está diseñada para soportar sus operaciones globales. La sede central se encuentra en Madrid, España, y la empresa se organiza en varias divisiones, cada una responsable de diferentes aspectos de la producción y gestión. La dirección está compuesta por un equipo de profesionales con amplia experiencia en la industria eólica y en la gestión empresarial [16]. 1.2.3 Presencia Global GRI Renewable Industries opera 22 fábricas en 9 países, incluyendo España, Brasil, India, China, Estados Unidos, Turquía, Sudáfrica, Argentina y Polonia [17]. Esta presencia global permite a la empresa satisfacer las demandas de sus clientes en múltiples mercados y reducir los tiempos de entrega mediante la producción local. 1.2.4 Productos y Servicios La empresa se especializa en la fabricación de torres y bridas para aerogeneradores. Además, ofrece una gama de otros productos relacionados, tales como componentes estructurales para turbinas eólicas y soluciones personalizadas para proyectos específicos. GRI se destaca por su capacidad para producir torres de gran altura y diámetros, adaptándose a las especificaciones técnicas más exigentes de sus clientes [16]. 1.2.5 Compromiso con la Sostenibilidad La sostenibilidad es un pilar fundamental en la filosofía de GRI Renewable Industries. La empresa ha implementado políticas y prácticas destinadas a minimizar su impacto ambiental, promover la eficiencia energética y apoyar a las comunidades locales. Todas sus fábricas están certificadas bajo la norma ISO 14001, y GRI ha realizado evaluaciones de riesgos físicos relacionados con el cambio climático en todas sus instalaciones. 1.2.6 Innovación y Desarrollo Tecnológico GRI Renewable Industries invierte continuamente en investigación y desarrollo para mejorar sus productos y procesos. La empresa participa en varios proyectos de innovación, como el desarrollo de soluciones avanzadas para elementos estructurales internos y la implementación de tecnologías de digitalización y automatización en sus procesos de fabricación. Estos esfuerzos han sido reconocidos y apoyados mediante subvenciones y colaboraciones con entidades gubernamentales y privadas. 1.2.7 Compromiso Social y Ético GRI Renewable Industries se compromete a mantener altos estándares de ética y responsabilidad social. La empresa ha desarrollado un Código de Ética que guía las acciones de todos sus empleados y garantiza la transparencia y justicia en todas sus operaciones. Además, GRI lleva a cabo programas de acción social para promover la integración cultural, social y educativa en las comunidades donde opera. 1.3 Aportaciones de la tesis 7 1.3 Aportaciones de la tesis A lo largo de esta tesis doctoral, se han realizado contribuciones significativas tanto en el ámbito teórico como en el práctico, con especial énfasis en el diseño y desarrollo de prototipos funcionales. En el plano teórico, se ha profundizado en la comprensión de conceptos clave relacionados con la Industria 4.0, analizando detalladamente su impacto en los procesos industriales y explorando las interrelaciones entre las diferentes tecnologías involucradas. Por otro lado, en el ámbito práctico, se han diseñado y construido varios prototipos ciberfísicos destinados a optimizar procesos específicos de fabricación: 1.3.1 Bibliometría Uno de los primeros aportes significativos de esta tesis doctoral radica en el análisis bibliométrico llevado a cabo. A través de este análisis, se ha evaluado y contextualizado de manera meticulosa la literatura científica relevante en el campo de la Industria 4.0. Este enfoque ha permitido identificar las tendencias, los avances y las áreas de interés predominantes en la investigación relacionada con las tecnologías participantes. Además, se han destacado las contribuciones más influyentes, las revistas de mayor impacto en el área de estudio. Este análisis bibliométrico no solo proporciona una base sólida para la investigación realizada en esta tesis, sino que también ofrece una visión general del panorama actual de la investigación en el campo, lo que contribuye significativamente a la comprensión y al avance del conocimiento en las distintas áreas que engloba el amplio concepto de la industria 4.0. 1.3.2 Esquemas organizacionales de las tecnologías de la Industria 4.0 Se han desarrollado dos esquemas con el propósito de estructurar de manera más accesible y clara las tecnologías y paradigmas que constituyen la Industria 4.0. Estos esquemas emplean principios tradicionales de organización tecnológica, como la pirámide de automatización, integrando además conceptos innovadores y tecnologías emergentes, estableciendo relaciones interdependientes basadas en su contribución al contexto de la Industria 4.0. Estos esquemas representan herramientas de utilidad tanto para la comunidad académica como para el sector industrial, facilitando la comprensión y aplicación de los avances tecnológicos en el ámbito de la Industria 4.0. 1.3.3 Prototipo de medición y pronóstico de radio de curvatura Se ha desarrollado, validado y desplegado un prototipo funcional altamente preciso para medir el radio de curvatura, el cual ha sido integrado con éxito en las máquinas de curvado. Este prototipo es capaz de llevar a cabo mediciones en tiempo real del radio de curvatura, así como también de la cuerda y el arco de la sección correspondiente. La información obtenida se presenta de manera visual en una pantalla, donde se ejecuta una aplicación software específicamente diseñada para tal fin. Esta aplicación ofrece la capacidad de visualizar la información generada por el prototipo, además, controlar aspectos básicos del mismo. Su desarrollo ha sido orientado a facilitar la interacción entre los operarios y el sistema, promoviendo así una mayor eficiencia en el proceso de medición y control de la curvatura en las máquinas de curvado. 14 Capítulo 2. Explorando la Industria 4.0: Un Análisis Conceptual automáticamente los procesos de producción, los convierte en un elemento crucial para el futuro de la fabricación industrial. 2.2 IoT - IIoT La Industria 4.0 ha traído consigo la convergencia de diversas tecnologías disruptivas que están transformando radicalmente los procesos industriales. En este contexto, el Internet de las Cosas (IoT) y el Internet Industrial de las Cosas (IIoT) emergen como una de las tecnologías fundamentales que impulsan esta revolución hacia la digitalización y la interconectividad total. En esta tesis doctoral enfocada en la Industria 4.0, se explora la interrelación de estas tecnologías con otras participantes en este paradigma industrial. De ambos se subraya la ubicuidad y la flexibilidad, es decir, su capacidad para conectar cualquier cosa con cualquier persona en cualquier momento y lugar, utilizando cualquier tipo de red y servicio de comunicación disponible. El término "Internet of Things" (IoT) fue acuñado por primera vez por Kevin Ashton en el año 1999 mientras trabajaba en Procter & Gamble. Ashton lo utilizó para describir la idea de conectar objetos del mundo físico a Internet para permitir que se comuniquen entre sí y con los humanos. Desde entonces, el concepto ha evolucionado y se ha expandido significativamente, convirtiéndose en una parte integral de la revolución digital y la transformación de diversas industrias. El IoT se refiere a la interconexión de dispositivos físicos a través de Internet, permitiendo la recopilación y el intercambio de datos entre estos dispositivos y los sistemas de información. Por otro lado, el IIoT se centra específicamente en la aplicación de estas tecnologías en entornos industriales, donde los dispositivos conectados están integrados en procesos de fabricación, supervisión y control de maquinaria, y gestión de la cadena de suministro. En esta tesis doctoral, se analiza cómo el IoT y el IIoT habilitan la creación de fábricas inteligentes y sistemas de producción autónomos. Estos sistemas aprovechan la conectividad para optimizar la eficiencia, la calidad y la flexibilidad de la producción, al tiempo que permiten una mayor personalización de los productos y una respuesta más rápida a las demandas del mercado. Además, es importante examinar cómo el IoT y el IIoT se integran con otras tecnologías clave de la Industria 4.0, como la inteligencia artificial, el aprendizaje automático, la realidad aumentada y la fabricación aditiva. Esta integración proporciona un enfoque holístico para la transformación digital de la industria, donde la interoperabilidad y la colaboración entre diferentes sistemas y dispositivos son fundamentales para el éxito. 2.2.1 Arquitectura IoT Las arquitecturas en el ámbito del Internet de las Cosas (IoT) son estructuras diseñadas para organizar y gestionar la complejidad de los sistemas de IoT, desde la recopilación de datos en el extremo hasta su procesamiento y aplicación. Existen varias arquitecturas que proporcionan un marco para implementar sistemas de IoT de manera eficiente y escalable, y desde que surgió el término IoT, se ha trabajado mucho en definir cómo debería ser su estructura. Esto ha llevado a una gran cantidad de artículos centrados en esta cuestión. Sin 2.2 IoT - IIoT 15 embargo, la mayoría de ellos se enfocan en definir estas estructuras desde una perspectiva específica, como un servicio particular o una tecnología concreta. Las arquitecturas más comunes en IoT suelen estar diseñadas para gestionar la recopilación, procesamiento y distribución de datos en entornos de IoT. A continuación, se describen tres arquitecturas principales: las de 3, 4 y 5 capas (Véase Figura 2.2), cada una con su enfoque específico en la gestión de dispositivos, la conectividad, el procesamiento de datos y las aplicaciones finales [18]. Arquitectura de 3 capas Aplicación Red Percepción Arquitectura de 4 capas Aplicación Servicio Red Percepción Arquitectura de 5 capas Negocio Aplicación Intermedio Red Percepción Arquitecturas IoT Figura 2.2 Arquitecturas IoT. Arquitectura de 3 capas • Capa de Percepción (Perception Layer): En esta capa, los dispositivos IoT, como sensores y actuadores, recopilan datos del entorno físico. Estos datos pueden ser variables ambientales, estados de equipos, o cualquier otra información relevante que se pueda medir o detectar. La percepción se centra en la captura precisa y fiable de estos datos. • Capa de Red (Network Layer): Una vez recopilados, los datos se transmiten a través de redes de comunicación hacia sistemas de procesamiento y análisis. Esta capa se 16 Capítulo 2. Explorando la Industria 4.0: Un Análisis Conceptual encarga de gestionar la conectividad entre los dispositivos IoT y las infraestructuras de red, asegurando una comunicación eficiente y confiable. • Capa de Aplicación (Application Layer): En la capa de aplicación, los datos recopilados son procesados y analizados para generar información significativa y útil. Aquí se desarrollan las lógicas y algoritmos necesarios para interpretar los datos y tomar decisiones basadas en ellos. Esta información procesada puede ser utilizada para aplicaciones específicas, como sistemas de monitoreo, control de procesos o análisis predictivo. Arquitectura de 4 capas En líneas generales, es una arquitectura orientada a servicios (SoA) y se basa en un modelo de componentes que conecta diferentes unidades funcionales de aplicaciones mediante interfaces y protocolos [19,20]. SoA se enfoca en coordinar servicios y facilitar la reutilización de componentes de software y hardware. Por lo tanto, SoA se puede integrar fácilmente en la arquitectura, agregando una nueva capa entre la red y la aplicación, conocida como capa de servicios. Esta capa proporciona servicios para apoyar las funciones de la aplicación, lo que resulta en una arquitectura de IoT de cuatro capas: percepción, red, servicios y aplicación. La capa de servicios introduce funcionalidades adicionales, como el descubrimiento, la composición, la gestión y las interfaces de servicio, que son esenciales para la interoperabilidad y la eficiencia en la comunicación entre los dispositivos IoT. Arquitectura de 5 capas La última arquitectura dentro de esta clasificación es la de 5 capas o arquitectura middleware [21]. Esta arquitectura ha ganado relevancia en los últimos años debido a su capacidad para abordar variables adicionales como la escalabilidad, interoperabilidad, calidad de servicio y confianza, entre otras. Esta arquitectura facilita la creación eficiente de aplicaciones, al actuar como una interfaz entre aplicaciones, datos y usuarios. El avance de IoT en este contexto depende tanto del progreso tecnológico como del diseño de nuevos modelos de negocio y aplicaciones. Esta arquitectura se estructura en cinco niveles: la capa de percepción, la capa de red, la capa de middleware, la capa de aplicación y la capa de negocio. Específicamente, la capa de middleware despliega funciones críticas como la agregación y filtrado de datos provenientes de dispositivos hardware, la realización de descubrimiento de información, y la administración de acceso a los dispositivos para aplicaciones. El middleware es un programa de software o servicio que puede proporcionar una abstracción intermedia entre las tecnologías y las aplicaciones de IoT. 2.3 Ciberseguridad En la actualidad, la seguridad se ha convertido en uno de los temas de investigación más prominentes, especialmente con el creciente uso de sistemas tecnológicos para digitalizar infraestructuras e industrias críticas. Esta tendencia se refleja también en el aumento de trabajos de investigación relacionados con los sistemas emergentes de la Industria 4.0. Los sistemas industriales tradicionales priorizan el control y emplean políticas de seguridad centradas en la retroalimentación para contrarrestar los efectos negativos de los 2.4 Datos Masivos (Big Data) 17 ciberataques. Sin embargo, los Sistemas Ciberfísicos (CPS) poseen características especiales, como la pervasividad y el diseño híbrido, que los hacen susceptibles a ataques más generales denominados ciberfísicos. Estos ataques implican cambios en ambos espacios (físico y cibernético), afectando diversos componentes del sistema debido a su alta interdependencia. Su enfoque radica en atacar los elementos más débiles del sistema, como sensores en espacios públicos, para provocar fallas en componentes críticos. Ejemplos de estos ataques incluyen vandalismo, daños climáticos y ciberataques convencionales. Dado que los CPS pueden formar parte de infraestructuras críticas como las redes inteligentes, desconectar el sistema o esperar a que el ataque finalice no resulta una solución viable [22]. Literatura científica posee mucha información sobre seguridad cibernética dentro de este contexto. Por ejemplo, se han propuesto trabajos sobre seguridad en redes inteligentes de última generación. La mayoría de ellos se centran en el diseño de bucles de control mejorados [23]. También se han descrito taxonomías de ciberataques [24]. Además, existen trabajos que proponen esquemas de protección para CPS aplicadas a redes inteligentes [25] y otros sistemas bajo ataques ciberfísicos. Y existen investigaciones sobre soluciones de seguridad para redes de sistemas de control y aplicaciones industriales [26]. Se hallan investigaciones que exploran la posible adaptación de soluciones de seguridad convencionales, como firewalls o protecciones informáticas, a entornos de CPS e Industria 4.0 [27]. Asimismo, se han realizado análisis generales sobre los desafíos de seguridad en estos nuevos contextos, incluyendo escenarios industriales críticos [28], sistemas de Industria 4.0 y CPS. En último término, se ha examinado el concepto de ataque ciberfísico, y se han sugerido taxonomías abstractas y lenguajes de descripción [29]. 2.4 Datos Masivos (Big Data) Big Data se refiere a conjuntos de datos extremadamente grandes, complejos y variables que superan la capacidad de procesamiento y gestión de las herramientas de software tradicionales. Estos conjuntos de datos pueden provenir de diversas fuentes, como transacciones comerciales, interacciones en redes sociales, dispositivos móviles, sensores de Internet de las cosas (IoT) y más. El análisis de Big Data implica el uso de técnicas avanzadas para extraer información significativa, identificar patrones, tendencias y correlaciones que pueden proporcionar insights valiosos para la toma de decisiones y la generación de valor. Características principales "5V" En contraste con los datos convencionales, el término Big Data hace referencia a volúmenes masivos de datos en constante crecimiento, que abarcan una variedad de formatos heterogéneos, incluidos datos estructurados, no estructurados y semiestructurados. La naturaleza compleja de Big Data demanda el empleo de tecnologías avanzadas y algoritmos sofisticados. Como resultado, las herramientas tradicionales de Business Intelligence estáticas carecen de eficacia en el contexto de las aplicaciones de Big Data [30]. Además de implicar la gestión de enormes conjuntos de datos, implica recursos que garantizan la velocidad de procesamiento y servicios que aportan valor agregado. La Figura 2.3 ilustra las dimensiones que distinguen el Big Data de los datos convencionales [31], conocido como 5V de Big Data. 18 Capítulo 2. Explorando la Industria 4.0: Un Análisis Conceptual 5V de Big Data Volumen ≈ Terabytes, Exabytes Variedad Texto, imágenes, vídeos Velocidad Batch, streaming Valor Valor añadido a datos y análisis Veracidad Autenticidad de los datos Figura 2.3 Las 5 V de Big Data. Las características de "5V" del big data industrial, que incluyen volumen, velocidad, variedad, veracidad y valor, permiten la provisión de información completa y sistemática mediante técnicas de minería de datos y descubrimiento de conocimiento [32]. Estas tecnologías de minería de datos se emplean con el propósito de descubrir la siguiente información: •Defectos de diseño de equipos. •Defectos de diseño del producto. •Condiciones de salud del equipo. •Defectos de procesamiento de producción. •Comportamiento y hábitos laborales del personal. •Comportamiento, hábitos y demandas del cliente. Para aprovechar el valor de Big Data, es esencial emplear diversas técnicas y tecnologías. A la fecha, se han desarrollado numerosas metodologías y herramientas para la captura, selección, análisis y visualización de Big Data. Sin embargo, estas aún no logran satisfacer plenamente una amplia gama de necesidades. Estas técnicas y tecnologías abarcan diversas disciplinas, como ciencias de la computación, economía, matemáticas, estadística, ingeniería y otras especialidades. Se requieren enfoques multidisciplinarios para descubrir información valiosa a partir de Big Data, muchas de las cuales se detallan y analizan en [30,33]. 2.4 Datos Masivos (Big Data) 19 Big Data en la Industria 4.0 Con la irrupción del concepto de Industria 4.0 y el crecimiento del Big Data, la industria se encuentra ante amplias y singulares oportunidades para mejorar su rendimiento a un nuevo nivel [34]. El término "rendimiento" abarca una amplia gama de aspectos, que van desde los operativos, económicos y relacionados con el mercado, hasta la seguridad del proceso y el medio ambiente [35]. La interdependencia entre la tecnología, los datos y su análisis constituye el núcleo del ciclo esencial (Figura 2.4). Esta relación dinámica y simbiótica facilita la aparición y evolución de técnicas, tecnologías y herramientas que, de diversas maneras, respaldan el intrincado concepto de la Industria 4.0. Figura 2.4 Big Data dentro de la industria 4.0. La supervisión de procesos industriales, como función central en empresas industriales, debe necesariamente seguir esta senda, abordando los desafíos de integrar de manera sinérgica el tríptico (datos, tecnología, análisis) mostrado en la Figura 2.4, junto con todos los conocimientos y prácticas desarrollados y adquiridos durante casi un siglo. El Monitoreo de Procesos Industriales (MPI) constituye una actividad central en empresas a nivel mundial, permitiéndoles alcanzar niveles superiores de seguridad, eficiencia, calidad, rentabilidad y gestión ambiental [36 – 38]. Un análisis retrospectivo de la evolución del MPI desde su concepción evidencia claramente la lucha continua para adaptarse a escenarios de aplicación cada vez más exigentes, caracterizados por la emergencia de estructuras de datos más complejas derivadas de procesos en constante complejización. 20 Capítulo 2. Explorando la Industria 4.0: Un Análisis Conceptual Los autores en [39] presentan una relación similar, refiriéndose a CPS en lugar de Industria 4.0; no obstante, destacan la base conceptual compartida entre ambas. Identifican dos componentes funcionales clave: las infraestructuras del sistema y el análisis de datos, para abordar los desafíos del Big Data en CPS e Industria 4.0, tal como se muestra en la Figura 2.5. Las infraestructuras del sistema supervisan la conectividad para asegurar la comunicación en tiempo real entre instalaciones y dispositivos cibernéticos, mientras que el análisis de datos se centra en mejorar la personalización del producto y la eficiencia de los recursos en Industria 4.0. Además, aspectos críticos de CPS en Industria 4.0, como la adaptación, la seguridad y la resiliencia, están vinculados tanto a las infraestructuras del sistema como al análisis de datos. Big Data en CPS y la Industria 4.0 Infraestructura de sistemas Adquisición de datos Base de datos Computación Distribuida Análisis de datos Análisis Descriptivo Análisis Predictivo Análisis Prescriptivo Figura 2.5 Técnicas actuales para la problemática de Big Data en Industria 4.0 y CPS. La seguridad cibernética, el análisis de grandes datos para datos diversos en la manufactura y el análisis de grandes datos en tiempo real para procesar datos generados por sensores o flujos de información en entornos de manufactura son temas de investigación significativos [40]. Los desafíos de integrar grandes datos en la industria pueden detallarse de la siguiente manera: • Adquisición de datos de automatización: SCADA (Supervisory Control and Data Acquisition) es un sistema de gran alcance utilizado para adquirir datos en entornos industriales automatizados. Sin embargo, se enfrenta a desafíos relacionados con la complejidad, la confiabilidad, la robustez, la escalabilidad, la seguridad y la integración con sistemas heredados dentro de la infraestructura de automatización. •Transformación de datos. •Integración y modelado de datos. •Datos IoT. 1. RFID (Radio-Frequency Identification) 2. Redes de sensores inalámbricos (WSN) 2.5 Gemelo Digital en Fabricación 21 3. Cloud computing 4. IIoT (Industrial Internet of Things) 5. Cyber-Physical Cloud Computing (CPCC) •Acceso en tiempo real. •Seguridad y privacidad. •Análisis de datos (Data Analytics). •Presentación y representación de datos. Con el avance tecnológico en sistemas ciberfísicos y Big Data, se abre un vasto potencial para su aplicación en la mejora de la eficiencia de recursos dentro del contexto de la Industria 4.0. Sin embargo, la integración efectiva de sistemas ciberfísicos, Big Data e Industria 4.0 aún no se ha materializado en muchas industrias. De hecho, los sistemas ciberfísicos están intrínsecamente vinculados a la naturaleza de los macrodatos [41]. 2.5 Gemelo Digital en Fabricación El crecimiento exponencial de las tecnologías de la información ha dado lugar a una transformación significativa en el ámbito de la fabricación. En este contexto, el gemelo digital ha surgido como un elemento crucial para la integración efectiva del mundo físico y el cibernético [42]. Este concepto representa una réplica virtual y dinámica de un sistema físico, en la que se capturan y simulan sus características, comportamientos y procesos en tiempo real. Al actuar como un puente entre estos dos mundos, el gemelo digital proporciona a las empresas manufactureras una herramienta poderosa para optimizar sus operaciones y decisiones. Al aprovechar los datos en tiempo real y las simulaciones precisas, las organizaciones pueden mejorar la eficiencia de sus procesos de producción, predecir y mitigar riesgos, y realizar análisis predictivos para una toma de decisiones más informada. En última instancia, el gemelo digital allana el camino para una fabricación inteligente y una gestión precisa, impulsando la competitividad y la innovación en la industria manufacturera. El término "gemelo digital (digital twin en inglés)" fue acuñado inicialmente por Grieves, quien lo definió como la representación digital de un objeto físico con el fin de simular su comportamiento en el mundo real. Esta representación digital consta de tres componentes principales: las entidades físicas en el mundo real, los modelos virtuales en el mundo digital y los datos que conectan ambos mundos. La Figura 2.6 ilustra cómo el gemelo digital integra los procesos de fabricación, lo que permite lograr un ciclo cerrado y optimizar el diseño del producto, así como implementar la fabricación inteligente [43], entre otros aspectos. Mediante el análisis de Big Data se pueden identificar características y patrones de comportamiento, proporcionando una comprensión de las tendencias para respaldar la toma de decisiones. La predicción o capacidad de optimización de Big Data implica el uso de datos de entrenamiento o la comparación con resultados históricos. Por otro lado, las funcionalidades del gemelo digital se basan en la simulación y evolución de modelos virtuales. Gracias a modelos virtuales de ultra alta fidelidad, el gemelo digital puede simular todo el proceso de operación de manera independiente, de acuerdo con las reglas 22 Capítulo 2. Explorando la Industria 4.0: Un Análisis Conceptual Diseño Fabricación Producto en uso Mantenimiento, Reparación y Revisión (MRR) Diseño de modelos Modelo de equipamiento Modelos de productos Modelos de diagnóstico Mundo virtual Datos Mundo físico Prototipo de producto Equipamiento físico Producto terminado Implementación de MRR - Datos de cliente - Datos de demanda - Datos de proceso - Datos de planificación - Datos de operación - Datos de comportamiento - Registro de MRR - Datos históricos por defecto - Especificaciones de diseño - Parámetros de funcionamiento - Datos de estado - Datos de capacidad - Datos de energía - Datos de estado - Esquema de MRR - Datos de piezas de recambio Verificación Producción óptima Servicios de valor agregado Mantenimiento proactivo Mejoras Plan de optimización Modelos de producto Modelos de diagnóstico Siguiente ciclo Gemelo Digital Figura 2.6 Gemelo Digital en fabricación. operativas del mundo físico real. En comparación con Big Data, el gemelo digital puede ejecutar y verificar visualmente el proceso de fabricación en un entorno virtual. Aunque los métodos de implementación pueden tener características distintas, ambos comparten la mayoría de las mismas funciones. Por ejemplo, ambos pueden predecir y diagnosticar problemas, así como monitorear, optimizar y mejorar el proceso de fabricación en tiempo real [44]. La creciente complejidad en los procesos de fabricación dificulta la identificación rápida de problemas utilizando métodos tradicionales. Los macrodatos, o Big Data, aportan eficiencia adicional al proceso, ofreciendo insights más precisos. Por otro lado, el gemelo digital facilita la correlación dinámica entre la planificación y la ejecución de la fabricación, además de mejorar la capacidad de predicción y diagnóstico de fallas. Aunque presentan diferencias, ambos desempeñan roles complementarios en la fabricación. La integración de Big Data en el gemelo digital es fundamental. Sin Big Data, muchas funciones del gemelo digital carecerían de fundamentos sólidos. Por otro lado, el gemelo digital garantiza que el análisis de Big Data y el proceso de fabricación real estén alineados. Esta convergencia permite superar las barreras entre las diversas etapas del ciclo de vida del producto, reduciendo así el tiempo de desarrollo y verificación del producto. 2.6 Paradigmas de la Computación La Industria 4.0 ha redefinido la forma en que se concibe y se opera la producción industrial, introduciendo una convergencia entre el mundo físico y el digital. En este contexto, paradigmas emergentes de computación como Cloud computing, Fog computing y Edge computing desempeñan roles fundamentales al proporcionar la infraestructura y las capacidades necesarias para habilitar la transformación digital en la fabricación. Cloud computing ha facilitado la centralización y el acceso a recursos computacionales a través de la red, permitiendo la implementación de servicios y aplicaciones escalables en 2.6 Paradigmas de la Computación 23 entornos industriales. Por otro lado, Fog computing ha emergido como una solución que lleva el procesamiento de datos más cerca de los dispositivos y sensores en la planta de producción, lo que permite una respuesta más rápida y eficiente en tiempo real a eventos críticos. Además, Edge computing ha optimizado la gestión de datos en los dispositivos IoT y en los puntos de acceso dentro de la fábrica, reduciendo la latencia y aumentando la eficiencia operativa. En conjunto, estos paradigmas de computación desempeñan un papel crucial en la habilitación de la Industria 4.0 al proporcionar las capacidades necesarias para la recopilación, procesamiento y análisis de datos en tiempo real, lo que permite la toma de decisiones inteligentes y la optimización de los procesos industriales. La Figura 2.7 ilustra los paradigmas de la computación distribuida. Cada uno de estos paradigmas se despliega en tres capas distintas: la capa de nodo, la capa de borde o niebla, y la capa de nube. Esta representación visualiza cómo cada paradigma opera en diferentes niveles de la infraestructura informática, desde los dispositivos de usuario final hasta los centros de datos remotos. Machine Learning Web Services CPS Services Cloud Storage subsystem Data analysis Fog gateway Micro datacenter Virtual server Connectivity Management subsystem and Data WiFi/Zigbee WiFi/BLE 3G/4G/5G WiFi/LiFi Cloud-Layer Fog-Layer Edge-Layer Figura 2.7 Paradigmas de la computación distribuida. 30 Capítulo 2. Explorando la Industria 4.0: Un Análisis Conceptual –Evaluación de riesgos de la Industria 4.0 –Voluntad de la gerencia para la transformación a la Industria 4.0 –Conocimiento o capacitación de la gerencia sobre Industria 4.0 Es evidente a partir de los modelos revisados que aún no existe un modelo ampliamente aceptado, y cada autor lo adapta según su formación e intereses individuales. Esta disparidad en los enfoques puede atribuirse también al contexto específico en el que se aplicó el estudio. Por consiguiente, se plantea que un modelo único podría no ser representativo para todas las industrias y países. Por un lado, las industrias presentan una amplia variedad de procesos, lo que hace que algunas dimensiones sean relevantes en ciertos sectores, pero no en otros. Por otro lado, incluso entre países con un nivel de desarrollo económico similar, no existe una homogeneidad. Además, dado que la Industria 4.0 es un tema novedoso, esta disparidad de enfoques y aproximaciones también se ve influenciada por su carácter emergente. 3 Bibliometría de la Industria 4.0 L a bibliometría es una disciplina que se encarga de aplicar métodos matemáticos y estadísticos para analizar la producción, la difusión y el impacto de la literatura científica. Utiliza diversas métricas y técnicas para examinar la cantidad de publicaciones, las relaciones entre autores, las tendencias de investigación, entre otros aspectos, con el objetivo de entender la evolución de un campo de estudio en particular. En este capítulo, sepresenta un análisis bibliométrico exhaustivo de la literatura científica relacionada con la Industria 4.0. La bibliometría se ha convertido en una herramienta invaluable para comprender el estado actual, las tendencias emergentes y las áreas de interés dentro de este campo de investigación en rápida evolución. A través de la aplicación de métodos bibliométricos, se examinan detalladamente las publicaciones científicas relevantes, incluyendo la cantidad de artículos publicados, las redes de colaboración entre investigadores, los temas de investigación más prominentes y la evolución temporal de los estudios en Industria 4.0. Este análisis proporciona una visión holística y sistemática de la producción científica en este campo, lo que permite identificar áreas clave de enfoque, así como posibles lagunas en la literatura que puedan orientar futuras investigaciones. Para llevar a cabo este capítulo, se realizó una selección cuidadosa de aproximadamente doscientos documentos científicos, siguiendo criterios específicos establecidos previamente. Estos criterios se diseñaron para garantizar la inclusión de una amplia gama de fuentes relevantes, como artículos científicos revisados por pares, libros académicos, recursos en línea y actas de conferencias especializadas. El objetivo principal de este análisis exhaustivo fue abordar de manera integral los paradigmas, así como las tecnologías maduras y emergentes relacionadas con la Industria 4.0. Al hacerlo, se buscó proporcionar una visión comprensiva y actualizada de la complejidad inherente a este campo en constante evolución. 3.1 Materiales y métodos Se ha procurado abarcar la mayor cantidad posible de tecnologías directa o indirectamente relacionadas con la Industria 4.0 para obtener una visión amplia y objetiva de este concepto. Se mencionan las bases de datos utilizadas para recopilar información: MDPI, IEEE, Taylor 31 32 Capítulo 3. Bibliometría de la Industria 4.0 & Francis, Scopus, IET Inspect, dblp, EBSCO, DOAJ, Springer, Microsoft Academic, ULRICHS WEB, ELSEVIER, ScienceDirect y Redalyc. Este estudio sigue las pautas de revisión sistemática "Preferred Reporting Items for Systematic Reviews and MetaAnalyses" (PRISMA) para garantizar la solidez y confiabilidad de la información empleada. Los principales pasos dados, incluyendo los protocolos mencionados anteriormente, para validar esta investigación, se muestran en la Figura 3.1. Búsqueda amplia sobre Industria 4.0, abarcando revisiones sistemáticas, aplicaciones y estudios del estado del arte, aplicando los criterios de inclusión y exclusión Identificación de los principales paradigmas y/o tecnologías claves que participan de la Industria 4.0 Búsqueda específica de información científica de cada paradigma y tecnología identificado aplicando los criterios de inclusión y exclusión Identificación geográfica de la procedencia de cada documento científico, especificando los países donde se llevó a cabo la investigación y elaboración del esquema respectivo Identificación temporal de la publicación de cada documento científico, detallando la fecha de publicación de cada uno y su disposición en un esquema correspondiente. Identificación de las palabras clave más frecuentes y elaboración de un esquema correspondiente, destacando aquellas que se repiten con mayor frecuencia en los documentos analizados. Identificación de las revistas de referencia en las cuales se publicaron los documentos científicos seleccionados, seguido de la elaboración de un esquema que destaque las revistas más relevantes y frecuentemente citadas Reestructuración de los paradigmas y tecnologías claves de la Industria 4.0, así como su interdependencia y funciones primordiales, mediante la creación de un esquema propio diseñado para visualizar y comprender de manera integral el panorama de la Industria 4.0 Análisis crítico de los hallazgos obtenidos y de los esquemas propuestos, seguido de la formulación de conclusiones destacando las implicaciones y perspectivas futuras para la investigación en el campo de la Industria 4.0 Figura 3.1 Pasos y guía de PRISMA para revisiones sistemáticas de literatura. La estrategia de investigación se inició con una búsqueda exploratoria en las bases de datos previamente mencionadas, con el propósito de recabar información científica utilizando términos clave como "Industria 4.0", "Fábrica inteligente", "Cuarta Revolución Industrial", "I4.0" e "Industria 4.0 Conectada". Los resultados obtenidos de esta búsqueda inicial nos permitieron obtener una comprensión general del concepto de Industria 4.0, revisar los estudios existentes sobre este tema y, en particular, identificar las principales tecnologías y paradigmas clave relacionados con la Cuarta Revolución Industrial. Durante este proceso, se aplicaron criterios de inclusión y exclusión según lo establecido a continuación, lo que nos permitió seleccionar los documentos relevantes para nuestro análisis. Es importante destacar que no se aplicaron exclusiones basadas en la región geográfica, afiliación universitaria o centro de investigación, y que no se establecieron restricciones en cuanto al año de publicación durante esta etapa inicial de búsqueda. Criterios de inclusión de documentos científicos 1. El artículo debe estar indexado en una base de datos científica reconocida y haber sido publicado de manera formal en un medio científico. 2. Los artículos deben estar redactados completamente en inglés o español para asegurar la comprensión y accesibilidad. 3.1 Materiales y métodos 33 3. El artículo debe abordar el tema de la Industria 4.0 de manera extensa y significativa, proporcionando un análisis profundo sobre aspectos relevantes de este concepto. 4. El artículo debe hacer referencia explícita a los paradigmas clave y las tecnologías fundamentales asociadas con la Industria 4.0, destacando su importancia y su papel en el contexto industrial. 5. Debe existir una conexión clara entre la tecnología mencionada en el artículo y su aplicación en el marco de la Industria 4.0, demostrando cómo contribuye a la transformación digital de los procesos industriales. 6. En el caso de las tecnologías clave, el artículo debe haber sido actualizado o publicado en un período no superior a los 5 años, garantizando la relevancia y actualidad de la información presentada. 7. El artículo debe proporcionar detalles específicos sobre cómo la tecnología en cuestión contribuye al avance y la implementación de la Industria 4.0, describiendo su impacto y beneficios potenciales. 8. Si el recurso revisado es una página web, debe ser un sitio oficial de divulgación científica reconocido, asegurando la credibilidad y la veracidad de la información presentada. Criterios de exlusión de documentos científicos 1. El artículo no se encuentra registrado en bases de datos científicas reconocidas ni está publicado en revistas indexadas, lo que indica una falta de evaluación por pares y una potencial ausencia de calidad y rigor académico. 2. No se considera la calidad de la información proporcionada en el artículo como un factor relevante para este estudio. Esto puede incluir la falta de verificación de datos, la ausencia de fuentes confiables o la presencia de información no verificada. 3. La información presentada en el artículo se percibe como redundante o de calidad inferior en comparación con los artículos previamente seleccionados. Esto puede implicar la repetición de datos ya cubiertos por otros documentos o una presentación deficiente de la información. 4. Aunque el artículo puede abordar tecnologías emergentes, no establece una conexión clara o relevante con el concepto de Industria 4.0. Esto significa que no explora cómo estas tecnologías contribuyen o están relacionadas con la transformación digital de la industria. 5. El enfoque del artículo se limita a estudios de casos muy específicos y carece de detalles significativos sobre la aplicación práctica de las tecnologías relacionadas con la Industria 4.0 en un contexto más amplio. 6. Aunque el término "Industria 4.0" puede aparecer en el título o en palabras clave del artículo, el contenido no aborda de manera sustancial este tema. Esto implica que la discusión principal del artículo no se centra en los aspectos clave de la Industria 4.0, a pesar de mencionarla superficialmente. 34 Capítulo 3. Bibliometría de la Industria 4.0 7. La información proporcionada en el artículo está desactualizada en comparación con otros documentos ya incluidos en el estudio. Esto puede indicar una falta de relevancia o vigencia del contenido en relación con el estado actual del conocimiento en el campo de la Industria 4.0. 8. Si el recurso es una página web, se excluye si proviene de blogs u otros sitios web no oficiales, ya que es menos probable que estos sitios mantengan los estándares de calidad y rigor académico requeridos para este estudio. Una vez identificadas las tecnologías y paradigmas clave de la Industria 4.0, se procedió a realizar una búsqueda individualizada de información científica sobre cada una de ellas utilizando consultas específicas, tales como: “tecnología clave” e “Industria 4.0”; “tecnología clave” y “fábrica inteligente”; “tecnología clave” y “cuarta revolución industrial”; “tecnología clave” e “I4.0”; “tecnología clave” y “Industria 4.0 Conectada”. Este enfoque de búsqueda se llevó a cabo con el fin de garantizar que cada artículo estudiara la tecnología en cuestión dentro del marco conceptual de la Industria 4.0. Es importante destacar que, aunque hubo muy pocas excepciones de artículos que no cumplían con el criterio de inclusión en cuanto a la antigüedad de la publicación, el contenido de estos artículos resultó lo suficientemente relevante como para ser considerado en este estudio. Las tecnologías clave y paradigmas de la Industria 4.0 identificadas se encuentran en la Tabla 3.1. Estas tecnologías son aquellas que más participan, apoyan o forman parte del concepto de Industria 4.0 en la actualidad. El análisis se basó en un total de 1186 documentos, los cuales fueron sometidos a criterios de inclusión y exclusión previamente mencionados, resultando en la selección de 197 documentos relevantes para este estudio. Para proporcionar una visión completa de la selección de documentos, se detallan la cantidad de documentos incluidos y excluidos para cada tecnología clave, junto con sus respectivas referencias, en la Tabla 3.1. Tabla 3.1 Tecnologías y paradigmas analizados de la Industria 4.0. Tecnología Identificados Excluidos Incluidos Referencias Industry 4.0 55 40 15 [1–4,6–15,56] Cyber–Physical Systems 61 55 6 [57–62] IoT–IIoT 120 103 17 [63–79] Cyber security 44 30 14 [80–93] Big Data and Analytics 82 73 9 [30,32,94–100] Big Data in Industry 4.0 68 55 13 [34–40,101–106] Digital Twin 45 29 16 [42–44,107–119] Cloud/Fog/Edge Computing 265 240 25 [120–144] 5G in Industry 4.0 78 64 14 [145–158] AI in Industry 4.0 198 177 21 [49,159–178] Digital Maturity 46 36 10 [50–53,55,179–183] Virtual/Augmented Reality 72 55 17 [184–200] Blockchain in Industry 4.0 52 32 20 [201–220] 3.2 Inclusión/Exclusión de contenido científico 35 3.2 Inclusión/Exclusión de contenido científico La estrategia aplicada para la extracción de metadatos para análisis posterior fue manual. A medida que se realizaba la búsqueda de la información científica necesaria para su análisis, se descartaba o se incluía un artículo bajo los criterios de inclusión y exclusión previamente mencionados. A partir de los documentos que fueron incluidos se extrajeron los siguientes datos de cada uno: origen geográfico (país), año de publicación, palabras clave, revista o editor científico donde se publicó, e idioma. Toda esta información se almacenó y clasificó para su análisis bibliométrico posterior y elaboración de sus respectivos diagramas. La Figura 3.2 es una representación gráfica de los datos de la Tabla 3.1, para un mejor entendimiento de la selección de documentos. 52 72 46 198 78 265 45 68 82 44 120 61 55 20 17 10 21 14 25 16 13 9 14 17 6 15 050 100 150 200 250 300 Blockchain in Industry 4.0 Virtual/Augmented Reality Digital Maturity of Industry AI and Industry 4.0 5G and Industry 4.0 Cloud, Fog, Edge - computing Digital Twin Big Data and Industry 4.0 Big Data and Analytics Cyber security IoT - IIoT Cyber-physical systems Industry 4.0 Documentos incluidos Documentos identificados Figura 3.2 Tasa de exclusión e inclusión de documentos de cada paradigma y tecnología clave. Es notable que la selección de documentos se rigió por criterios estrictos, lo cual resultó en la exclusión de la mayoría de las fuentes científicas identificadas inicialmente. Este proceso selectivo fue fundamental para garantizar la calidad y relevancia de los documentos incluidos en el estudio. A partir de esta selección, se llevó a cabo un minucioso análisis del contenido científico de cada documento, con el fin de extraer información relevante y metadatos para su posterior análisis bibliométrico. Este análisis exhaustivo permitió identificar las tendencias, patrones y características de la literatura científica sobre Industria 4.0. La Figura aaa proporciona una representación visual del proceso de selección, mostrando claramente el porcentaje de documentos que cumplían con los criterios de inclusión y aquellos que fueron descartados. Es importante destacar que solo un 16.61% de documentos superó este riguroso proceso de selección, lo que resalta la importancia de la precisión y la exhaustividad en la investigación científica. 36 Capítulo 3. Bibliometría de la Industria 4.0 83,39% 16,61% Documentos excluidos Documentos incluidos Figura 3.3 Porcentaje de documentos incluidos y excluidos en relación con el total de documentos. 3.3 Distribuición geográfica del contenido científico En esta sección, hemos llevado a cabo un análisis bibliométrico que no solo examina la cantidad y calidad de la investigación en Industria 4.0, sino que también rastrea el origen de cada documento utilizado, los detalles se muestran en la Tabla 3.2. Este enfoque nos proporciona un indicador clave para comprender cómo diferentes naciones contribuyen al avance científico en este campo emergente. Al relacionar el origen de la investigación con el desarrollo económico de cada país, podemos arrojar luz sobre la intersección entre la investigación académica y el progreso industrial. Este indicador no solo ofrece una visión general de las regiones líderes en la producción de conocimiento en Industria 4.0, sino que también sugiere vínculos potenciales entre la actividad científica y el crecimiento económico. Al considerar el contexto económico y socio-político de cada país, podemos explorar cómo las inversiones en investigación y desarrollo en Industria 4.0 están influenciando su competitividad en la economía global. Además, este análisis puede revelar disparidades en la capacidad de innovación entre naciones desarrolladas y en desarrollo, así como identificar áreas donde la colaboración internacional puede promover un avance más equitativo y sostenible en este campo. Al examinar el origen geográfico de la investigación en Industria 4.0 y su relación con el desarrollo económico, podemos obtener una perspectiva más completa de cómo la ciencia y la innovación están impulsando la transformación industrial a nivel mundial. 3.3 Distribuición geográfica del contenido científico 37 Tabla 3.2 Contribución científica incluida por país. País Número de documentos Estados Unidos de América 28 China 27 España 22 Italia 18 Alemania 16 India 12 Australia, Reino Unido 10 Corea del Sur 9 Canadá 8 Francia, Brasil 7 Austria 5 Colombia, Suecia, Turquía, Portugal, Grecia 4 Irlanda, Polonia, Rumanía, Finlandia, Arabia Saudita, Malaysia, Dinamarca 3 Suiza, Lituania, Taiwán, Singapur, Pakistán, Irán, Bélgica, Nueva Zelanda, Hungría 2 Eslovaquia, Ecuador, Rusia, Noruega, México, Maruecos, Egipto, Estonia, Argentina, Macedonia, Malta, República Checa, Países Bajos, Jordania, Israel, Palestina, Líbano, Túnez, Irak 1 La representación geográfica de los datos de investigación en Industria 4.0 mediante un mapa es una herramienta invaluable para comprender y visualizar la distribución global de las contribuciones científicas (véase Figura 3.4). Los datos recopilados muestran una variada distribución de la investigación entre diferentes países, con una concentración destacada en los Estados Unidos de América y China, seguidos por España, Italia, Alemania e India. La inclusión de un mapa que ilustre esta distribución por país proporciona una referencia visual clara y concisa de la geografía de la investigación en Industria 4.0. Permite identificar rápidamente los principales actores y centros de investigación en todo el mundo, destacando las áreas geográficas con una actividad científica más intensa. Además, el mapa facilita la identificación de patrones y tendencias regionales en la investigación en Industria 4.0. Por ejemplo, se puede observar cómo países con economías altamente desarrolladas están entre los principales contribuyentes, lo que sugiere una correlación entre el desarrollo económico y la actividad científica en este campo. Estos datos representados de manera visual en un mapa se han analizado de manera porcentual y representados en la Figura 3.5, esto nos brinda una comprensión más completa y accesible de la distribución global de la investigación en Industria 4.0 y ayuda a contextualizar los hallazgos del estudio y aporta una mejor perspectiva geográfica que enriquece el análisis y la discusión sobre el estado actual y futuro de la investigación en este campo. 38 Capítulo 3. Bibliometría de la Industria 4.0 Figura 3.4 Distribución geográfica y densidad de publicaciones. Estados Unidos de América 10,73% China 10,34% España 8,43% Italia 6,90% Alemania 6,13% India 4,60% Australia 3,83% Reino Unido 3,83% Corea del Sur 3,45% Canadá 3,07% Francia 2,68% Brasil 2,68% Austria 1,92% Colombia 1,53% Suecia 1,53% Turquía 1,53% Portugal 1,53% Grecia 1,53% Irlanda 1,15% Polonia 1,15% Rumanía 1,15% Finlandia 1,15% Arabia Saudita 1,15% Malaysia 1,15% Dinamarca 1,15% Otros 15,71% Figura 3.5 Porcentaje de la contribución científica por país. 3.4 Cronología del contenido científico 39 3.4 Cronología del contenido científico La cronología de la documentación científica analizada revela una evolución significativa en la cantidad de información generada en el campo de estudio hasta el año 2021, momento en el que se realizó el análisis inicial de esta tesis doctoral. Los datos muestran un patrón de crecimiento gradual en el número de publicaciones a lo largo del tiempo, con un aumento notable a partir del año 2014. La Tabla CHRONOS muestra la cantidad de documentos científicos analizados por años, divididos entre las tecnologías y paradigmas participantes de la Industria 4.0, y nos permite comprender la evolución y el alcance de la investigación en este campo por cada tecnología. Esta representación numérica permite identificar las tendencias de crecimiento y los momentos clave en el desarrollo de la Industria 4.0, así como el impacto relativo de cada tecnología o paradigma en la generación de conocimiento científico. Al desglosar los datos por año, se pueden observar los patrones de aumento o disminución en la actividad investigativa, lo que proporciona información valiosa para contextualizar el progreso y las áreas de enfoque dentro del amplio espectro de la Industria 4.0. Además, esta tabla nos sirve como punto de referencia para justificar la importancia de la investigación en este campo y para orientar futuros estudios hacia áreas de mayor relevancia y potencial impacto. Tabla 3.3 Publicaciones por años de los documentos científicos de las tecnologías y paradigmas incluidos. Tecnología/Paradigma 2008 2009 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 Industry 4.0 1 4 3 3 1 3 Cyber–Physical Systems 1 1 2 2 IoT–IIoT 1 2 1 1 3 2 7 Cyber security 2 4 1 1 6 Big Data and Analytic 1 2 1 1 1 3 Big Data in Industry 4.0 1 1 1 2 2 1 2 3 Digital Twin 1 1 1 12 Cloud/Fog/Edge Computing 1 1 4 5 14 5G in Industry 4.0 1 1 1 3 2 6 AI in Industry 4.0 4 1 9 7 Digital Maturity 0 0 0 0 0 0 5 1 3 1 Virtual/Augmented Reality 2 3 6 2 4 Blockchain in Industry 4.0 1 4 6 8 La elección de un gráfico de barras 3D de la Figura 3.6 para representar los datos de la tabla proporciona una visualización dinámica y multidimensional de la cantidad de documentos científicos analizados por años y divididos entre todas las tecnologías y paradigmas de la Industria 4.0. La tercera dimensión añadida en el gráfico de barras 3D permite representar la cantidad de documentos no solo en función del tiempo, sino también en relación con la diversidad y distribución de las tecnologías y paradigmas de la Industria 4.0. Esto facilita la comparación de la cantidad de documentos entre diferentes años y entre las diversas tecnologías y paradigmas, destacando visualmente las tendencias y patrones emergentes. Además, el aspecto tridimensional del gráfico añade profundidad y detalle a la representación, lo que puede hacer que los datos sean más accesibles y atractivos, 46 Capítulo 3. Bibliometría de la Industria 4.0 3.7 Idiomas Como parte de los criterios de inclusión para los documentos científicos analizados en este estudio, se consideró tanto información en español como en inglés. Este enfoque bilingüe permitió una representación más amplia y diversa de la literatura disponible sobre la Industria 4.0. Se llevó a cabo un análisis de la cantidad y el porcentaje de documentos en cada idioma para evaluar la distribución lingüística de las contribuciones científicas entre los mencionados idiomas. Los resultados mostrados en la Figura 3.11 indican una preponderancia de publicaciones en inglés, lo cual es consistente con la tendencia global en la diseminación científica, donde el inglés actúa como el idioma principal de comunicación académica. Sin embargo, también se identificó un número pequeño pero significativo de publicaciones en español, subrayando la relevancia de la investigación en este idioma y su contribución al conocimiento global de hispanohablantes. Este análisis bibliométrico justifica la inclusión de documentos en ambos idiomas, asegurando una perspectiva más completa y diversa sobre los avances y desarrollos en el campo de la Industria 4.0, y destacando la importancia de la investigación multilingüe para fomentar la colaboración internacional y la accesibilidad del conocimiento. Inglés 190 96,94% Español 6 3,06% Figura 3.11 Revistas líderes de referencia en este estudio. Los resultados del análisis bibliométrico reflejan una clara predominancia de la literatura científica en inglés sobre la Industria 4.0, con 190 documentos frente a solo 6 en español. Esta disparidad es indicativa de varias tendencias y factores en el ámbito de la investigación científica. En primer lugar, la predominancia del inglés como lengua franca en la ciencia y la tecnología facilita la diseminación y el intercambio de conocimientos a nivel global. Las revistas y conferencias de mayor impacto y prestigio publican principalmente en inglés, lo que obliga a los investigadores a escribir en este idioma para alcanzar una mayor visibilidad y reconocimiento en la comunidad científica. Este fenómeno no solo maximiza la audiencia potencial, sino que también facilita la colaboración internacional, que es crucial en campos tan dinámicos y avanzados como la Industria 4.0. Sin embargo, la presencia de documentos en español, aunque limitada, subraya la importancia y el impacto de la investigación en este idioma en contextos específicos, 3.7 Idiomas 47 como los países hispanohablantes. La producción científica en español es vital para el desarrollo tecnológico y la innovación en regiones donde este es el idioma principal, ya que permite un acceso más directo y comprensible a los avances científicos y técnicos. Además, fomenta la inclusión de investigadores que pueden tener barreras lingüísticas al publicar en inglés, asegurando una representación más equitativa y diversificada del conocimiento. Estos resultados motivan la continuación de la investigación multilingüe para varios propósitos. Primero, es fundamental para capturar una imagen completa y diversa del desarrollo de la Industria 4.0, incluyendo perspectivas regionales que podrían pasar desapercibidas en un análisis monolingüe. Segundo, fomenta la accesibilidad y la difusión del conocimiento en comunidades científicas y tecnológicas locales, promoviendo el crecimiento y la colaboración regional. Finalmente, la integración de investigaciones en múltiples idiomas puede conducir a descubrimientos más ricos y variados, aprovechando la diversidad cultural y metodológica que diferentes comunidades de investigación aportan. Aunque el inglés domina la producción científica en Industria 4.0, la presencia de investigaciones en español destaca la necesidad de un enfoque inclusivo y multilingüe en la investigación científica. Esta diversidad lingüística no solo enriquece el corpus de conocimientos disponibles, sino que también asegura que los beneficios de la investigación y la innovación se distribuyan de manera más equitativa y global. 4 Una propuesta de esquemas de organización de la Industria 4.0 E l advenimiento de la Industria 4.0 ha introducido una serie de tecnologías disruptivas que, en conjunto, prometen revolucionar los procesos industriales y de manufactura. Sin embargo, a pesar de la vasta cantidad de literatura científica disponible sobre este tema, se ha identificado una carencia significativa en cuanto a la claridad y coherencia en la representación de las interrelaciones entre estas tecnologías. Este análisis bibliométrico exhaustivo reveló que, aunque las investigaciones individuales logran identificar y profundizar en tecnologías específicas como el Internet de las Cosas (IoT), la inteligencia artificial (IA), la robótica avanzada y la fabricación aditiva, hay una notable dispersión en la información cuando se trata de cómo estas tecnologías se integran y trabajan en sinergia dentro del marco conceptual de la Industria 4.0. La revisión de la literatura muestra que la mayoría de los estudios tienden a centrarse en una tecnología particular, proporcionando un análisis en profundidad de sus aplicaciones, beneficios y desafíos. Sin embargo, esta focalización unidimensional resulta en una visión fragmentada del ecosistema de la Industria 4.0. En los pocos artículos que intentan presentar organigramas o esquemas de interrelación, generalmente se observa la participación de un número limitado de tecnologías, lo que no refleja la complejidad y la integridad del concepto. Esta falta de un enfoque holístico en la interconexión de tecnologías plantea un desafío significativo para la implementación efectiva de estrategias de Industria 4.0 en entornos industriales reales. La dispersión de la información y la profundización en silos tecnológicos no solo dificultan la comprensión completa del ecosistema de la Industria 4.0, sino que también limitan la capacidad de las empresas para desarrollar estrategias integradas que aprovechen todas las sinergias posibles entre las diferentes tecnologías. Una integración efectiva requiere un entendimiento claro de cómo las tecnologías interactúan, se complementan y se potencian mutuamente para crear sistemas de producción más eficientes, flexibles y adaptativos. 49 50 Capítulo 4. Una propuesta de esquemas de organización de la Industria 4.0 4.1 Objetivo del capítulo Este capítulo tiene como objetivo abordar estas lagunas en la literatura existente proporcionando un análisis comprensivo y estructurado de las interrelaciones entre las tecnologías clave de la Industria 4.0. A través de una revisión crítica y un análisis profundo, se propondrán esquemas y modelos que describan de manera clara y detallada cómo las diferentes tecnologías se integran y coexisten dentro del ecosistema de la Industria 4.0. Estos modelos no solo ayudarán a llenar el vacío identificado en la literatura científica, sino que también servirán como guías prácticas para la implementación de estrategias tecnológicas integradas en la industria. Se explorarán diversas metodologías para mapear estas interrelaciones. Cada propuesta será evaluada en términos de su capacidad para capturar la complejidad y la dinámica de las interacciones tecnológicas, así como su aplicabilidad en contextos industriales reales. Al final de este capítulo, se espera proporcionar un marco conceptual robusto que facilite una comprensión más holística de la Industria 4.0 y sus tecnologías, promoviendo una adopción más efectiva y estratégica de estas innovaciones en el sector industrial. Finalmente, este capítulo pretende cerrar una brecha en la literatura científica actual proporcionando una visión integrada de cómo las tecnologías de la Industria 4.0 se interrelacionan y complementan entre sí. A través de la propuesta de esquemas organizativos claros y detallados, se busca no solo contribuir al cuerpo de conocimiento existente, sino también ofrecer herramientas prácticas para la implementación y gestión efectiva de la Industria 4.0. 4.2 Metodología Toda la información científica recopilada fue comprendida y organizada en dos esquemas propuestos para un análisis alternativo y simplificado de la Industria 4.0. Este enfoque busca superar las limitaciones identificadas en la literatura existente, donde las interrelaciones entre las diversas tecnologías participantes en la Industria 4.0 no están claramente delineadas. Para lograr este objetivo, se llevó a cabo un exhaustivo análisis cualitativo de la información contenida en los documentos científicos incluidos en este estudio. El proceso de elaboración de estos esquemas se fundamenta en una investigación que combina métodos descriptivos e interpretativos. La investigación descriptiva permitió identificar y catalogar las tecnologías emergentes y sus aplicaciones dentro del ámbito de la Industria 4.0. Por su parte, la investigación interpretativa facilitó la comprensión de las relaciones y sinergias entre estas tecnologías, proporcionando una visión más holística de su integración en sistemas industriales avanzados. Las principales fases de este análisis se describen en la Figura 4.1. En primer lugar, se realizó una búsqueda y recopilación sistemática de información relevante, utilizando criterios de inclusión que abarcaron tanto documentos en inglés como en español para asegurar una perspectiva amplia y representativa. Posteriormente, la información fue preparada, revisada y transcrita de manera rigurosa para garantizar su precisión y coherencia. 4.2 Metodología 51 Elaboración y propuesta de esquemas de organización de las tecnologías de la Industria 4.0 Basado en el análisis previo, se desarrollan y proponen esquemas estructurados que representan la organización e interrelación de las tecnologías dentro del marco de la Industria 4.0. Análisis de los datos y generación de proposiciones Se realiza un análisis exhaustivo de los datos categorizados para derivar proposiciones significativas, evaluar su utilidad práctica, y extraer ejemplos y conclusiones relevantes. Categorización, etiquetado y codificación de la información y los datos Este proceso implica clasificar y codificar la información para preparar los datos para un análisis detallado, permitiendo una mejor identificación de patrones y relaciones. Organización de la información y los datos según criterios predefinidos La información se estructura conforme a criterios específicos, facilitando su manejo y análisis subsecuente. Preparación, revisión y transcripción de la información La información obtenida se revisa y transcribe cuidadosamente para garantizar su precisión y consistencia, eliminando redundancias y errores. Búsqueda y recopilación de información relevante Este paso implica identificar y obtener información pertinente de fuentes científicas y técnicas, asegurando la inclusión de documentos en múltiples idiomas para una perspectiva integral. Figura 4.1 Fases del análisis y la elaboración de los esquemas propuestos. 52 Capítulo 4. Una propuesta de esquemas de organización de la Industria 4.0 Una vez organizada la información según criterios específicos, se procedió a la categorización, etiquetado y codificación de los datos. Este paso fue crucial para preparar la información para el análisis detallado, permitiendo identificar patrones y relaciones clave entre las tecnologías estudiadas. El análisis de estos datos culminó en la generación de dos esquemas que no solo ilustran las tecnologías individuales, sino también sus interconexiones y el papel que desempeñan en el ecosistema de la Industria 4.0. Este enfoque metodológico y los esquemas derivados representan un avance significativo en la manera de analizar y comprender la Industria 4.0. Al ofrecer una perspectiva organizada y coherente de las interrelaciones tecnológicas, se espera que estos resultados impulsen el desarrollo de estrategias más eficientes y efectivas para la implementación de tecnologías emergentes en entornos industriales, promoviendo así la innovación y la competitividad en el sector. 4.3 Esquema 1: Reorganización e Interrelación de Tecnologías y Paradigmas de la Industria 4.0 La transición de la estrategia a la ejecución es fundamental para cualquier estudio de implementación de la Industria 4.0. No obstante, debido a la abundancia de información sobre las numerosas tecnologías implicadas en este concepto tan amplio, esta tarea se torna extremadamente compleja. Una ejecución deficiente demostrará que, independientemente de lo sólida que sea la estrategia, no logrará el éxito y los objetivos deseados no se alcanzarán. Por ello, proponemos una reorganización de los paradigmas y áreas de conocimiento tecnológico de la Industria 4.0. Esta propuesta, mostrada en la Figura 4.2, se basa en la identificación y estructuración de ciertos aspectos generales fundamentados en los criterios de los sistemas ciberfísicos. En primer lugar, se destaca la importancia crítica de la información y los datos en el ecosistema de la Industria 4.0. La gestión eficiente y eficaz de estos elementos es esencial para el éxito de cualquier implementación tecnológica. Además, establecemos una correlación con la clásica pirámide de automatización. Esta pirámide, que ha sido un modelo teórico ampliamente aceptado y estudiado en el ámbito de la automatización industrial, proporciona un marco de referencia robusto para la abstracción de nuevos criterios. Al relacionar estos nuevos criterios con conceptos teóricos ya conocidos y consolidados, facilitamos la comprensión y aplicación práctica de los mismos, mejorando así la transición desde la estrategia hasta la ejecución efectiva. Este enfoque no solo organiza las tecnologías y paradigmas de la Industria 4.0 de manera más coherente y accesible, sino que también permite una integración más fluida de estas tecnologías en el entorno industrial. Al proporcionar un marco estructurado y basado en principios sólidos, se potencia la capacidad de las organizaciones para implementar con éxito estrategias de Industria 4.0, asegurando así la consecución de los objetivos establecidos y la generación de valor sostenible en el tiempo. El esquema presentado en la Figura 4.2 puede llegar a ser una herramienta crucial para la planificación estratégica en el contexto de la Industria 4.0. Su estructura está diseñada para facilitar la integración efectiva de las tecnologías de la información (TI), las tecnologías operativas (TO) y los recursos humanos, asegurando que todos los componentes de la 4.3 Esquema 1: Reorganización e Interrelación de Tecnologías y Paradigmas de la Industria 4.0 53 AUTOMATION PYRAMID LEVELS Level 0 Level 1 Level 2 Level 3 Level 4 Base automation Technologies (Classic Smart Factory) Sensors, actuators PLC, DSC, Controllers Scada, HMI MES, WMS ERP Local Data base and Local server Cloud Data base and Web Services Autonomous robots Design and use of electrical machines Robotic manipulator programming, Lidar Technology Collaborative robots Mobility Remote operation Remote monitoring Mobile APP, Web development Data access, Remote visualization for human Robotic Process Automation Automated guided vehicles and robots Development and use of automatic process control devices and equipment Energy management Traceability of raw materials Traceability of final products Computing Simulation and Digital Twins Operation data, Behavior data, Energy data, Status data Status data, Capacity data Process data, Planning data Design specification, Function parameters Customer data, Demand data, Historical data and diagnose models Twin models for components and machines Additive Manufacturing 3D product printing 3D printing control 3D requirements and design 3D Design model Virtual and Augmented Reality New human interfaces with digital elements and data Development Computing Internet of Things (IoT - IIoT) Smart things, drones Data acquisition Device management Device management and Integration Applications (monitoring, control and optimization) Information technology business process Analytics, Data storage IaaS, PaaS, SaaS Cyber Security Device integrity, Data integrity Secure access Secure access Access password Security certificates Data protection Secure cloud storage Big Data and Analytics Collaborative diagnostics and decision making Analytics Analytics Artificial Intelligence Data acquisition Self-optimize for disturbance, ML Self-adjust for variations, ML Self-configure for resilience, Dynamics & Control Degradation and performance prediction, Planning, Workspace Modeling AI for production and Quality control Data mining, Predictive Maintenance, Computational Intelligence Data mining, Condition Monitoring, ML Cloud Computing Data acquisition Predictive maintenance, Clustering, On-demand data computation Fog Computing Data acquisition Smart Management subsystem Virtual server and computing Analytics, Micro data center Edge Computing Data acquisition TPUs, GPUs, AI boards, HRI/HRC Blockchain Dealings, Smart contracts Transaction data, Smart contracts Areas of knowledge INFORMATION TECHNOLOGIES Information management Advanced Interfaces Open Distributed Systems High Performance Computing Intelligent Systems Software engineering Computer's Science PLANT - FLOOR TECHNOLOGIES Control engineering Electric engineering Electronics devices Electronics engineering OPERATIONAL TECHNOLOGIES Control engineering Electronics engineering Telematics Signal processing Intelligent Systems High Performance Computing Vertical and horizontal Integration technologies IO-Link Technology Industrial communication protocols (OPC-UA, MQTT Profibu, Profinet, Industrial Ethernet, Modbus, DeviceNet, Foundation Fieldbus, HART, AS-i) M2M communication, WSN LTE, 5G LAN and WAN networks INDUSTRY 4.0 PARADIGMS / KEY TECHNOLOGIES Enabling Technologies within Cyber Physical System criteria: Figura 4.2 Propuesta de esquema de reorganización de los criterios, paradigmas y tecnologías clave de la Industria 4.0. 54 Capítulo 4. Una propuesta de esquemas de organización de la Industria 4.0 organización estén alineados hacia la ejecución exitosa de los planes estratégicos. Este alineamiento es fundamental, ya que la convergencia de TI y TO es uno de los pilares de la Industria 4.0, permitiendo una comunicación fluida y una colaboración eficiente entre las diferentes áreas de la empresa. Además, el esquema tiene un valor significativo desde una perspectiva académica. Al basarse en conceptos teóricos bien establecidos y ampliamente estudiados, proporciona un marco de referencia que facilita la comprensión y el análisis de los nuevos paradigmas tecnológicos introducidos por la Industria 4.0. Este enfoque teórico-práctico no solo mejora la claridad conceptual, sino que también permite a los investigadores y educadores identificar y explorar las interrelaciones entre las diversas tecnologías emergentes. Por lo tanto, esta propuesta no solo guía la implementación práctica en el ámbito empresarial, sino que también enriquece el conocimiento académico, ofreciendo una base sólida para futuras investigaciones y desarrollos en el campo de la Industria 4.0. Numerosos estudios generales abordan los aspectos implicados en la transformación digital de una industria. Dentro de los aspectos internos de la cadena de valor, se pueden identificar los recursos financieros, el capital social y de marca, los procesos empresariales, las capacidades de innovación, la tecnología, el capital humano, la cultura organizacional y las capacidades de gestión. No obstante, este estudio se centra específicamente en los aspectos tecnológicos y los recursos asociados a ellos. Descripción del Esquema 1: Este esquema inicial se fundamenta en la pirámide de automatización, una clasificación ampliamente estudiada en los niveles de automatización y fábricas inteligentes, permitiéndonos partir de un concepto teórico y estandarizado. En el esquema, se ubican las áreas de conocimiento y las tecnologías generales involucradas según nuestra evaluación; esta sección puede facilitar la planificación de una estrategia adecuada, particularmente en la gestión de recursos humanos y profesionales especializados. Las áreas de conocimiento proporcionan una referencia de las disciplinas científicas encargadas del estudio o desarrollo de las tecnologías y paradigmas clave mencionados en la parte inferior del esquema, alineados verticalmente con la correspondiente área de conocimiento. De este modo, se facilita la identificación del recurso humano idóneo conforme a la necesidad de la tecnología esencial que debe implementarse o desarrollarse en una transformación digital de la industria. La Industria 4.0 se distingue por ser una plataforma integral, lo que ha llevado a la adopción de protocolos estandarizados dentro del IIoT para la integración vertical y horizontal, facilitando estos procesos (por ejemplo, IO-LINK y MQTT). Para comprenderlo mejor, se podría decir que basta con un protocolo de comunicación para conectar dispositivos IoT entre sí y, simultáneamente, con la nube directamente, sin necesidad de escalar a través de la pirámide de automatización, como se analizó anteriormente. Por esta razón, la integración vertical y horizontal no se aborda con los mismos criterios que la pirámide de automatización, diferenciándose únicamente los dos niveles más prominentes al alinear las áreas de conocimiento. Se han mencionado los protocolos de comunicación más reconocidos. A partir de este punto, la información adquiere un rol fundamental. Finalmente, se procedió a reorganizar los paradigmas de la Industria 4.0 en función de las áreas de conocimiento relacionadas con la pirámide de automatización y la participación 4.3 Esquema 1: Reorganización e Interrelación de Tecnologías y Paradigmas de la Industria 4.0 55 de la información dentro de este marco conceptual. Se establecieron los aspectos generales de los criterios de sistemas ciber-físicos y se delineó la participación específica de cada uno de estos paradigmas en dicho esquema. Se dispusieron las tecnologías clave y los paradigmas en la columna izquierda, identificados mediante formatos de negrita y cursiva respectivamente. Se estableció una correspondencia horizontal entre cada paradigma y las tecnologías habilitadoras o de soporte, considerando los criterios definidos por los sistemas ciber-físicos. Estas tecnologías de soporte, a su vez, se alinearon verticalmente con las áreas de conocimiento pertinentes y la pirámide de automatización. Se destaca que estas tecnologías habilitadoras, por su arraigo histórico, prevalencia y en algunos casos, madurez, posibilitan la ejecución de las funciones proyectadas por las tecnologías clave o los paradigmas en el contexto de la Industria 4.0. Se enumera en esta sección del esquema las tecnologías habilitadoras identificadas en los artículos revisados, muchas de las cuales han sido de uso común en la industria durante períodos significativos, incluso décadas. Es relevante observar que en ciertas fuentes, se emplea frecuentemente el prefijo "inteligente" o "smart" al referirse a estas tecnologías, lo cual indica una concepción de desarrollo específica destinada principalmente a facilitar la integración entre ellas. Las dos columnas situadas en el extremo derecho, discretamente separadas, se dedican a explicar el papel de los datos en el contexto de la Industria 4.0. Se inicia con el análisis de la integración vertical y horizontal, donde la función primordial radica en la transmisión de datos. Posteriormente, se realiza un breve análisis de cada tecnología clave o paradigma para identificar el papel específico que desempeñan en la gestión de datos tanto a nivel local como en la nube. La gestión de datos e información constituye una de las características primordiales de la Industria 4.0, y su influencia se extiende prácticamente a todos los paradigmas examinados; estas tecnologías podrían considerarse como elementos fundamentales de la Industria 4.0 debido a su papel esencial en la integración entre las tecnologías habilitadoras, las tecnologías clave y los paradigmas. Además, el tratamiento de esta información y datos en cada paradigma es el pilar fundamental del concepto de la Industria 4.0. Evidentemente, no todas las tecnologías y criterios están representados, y siempre existe la posibilidad de integrar nuevas tecnologías o de que surjan nuevos paradigmas. No obstante, el esquema propuesto tiene la finalidad de servir como una guía y referencia para abstraer de manera óptima el complejo concepto de la Industria 4.0. Para comprender más a fondo el esquema, analizamos y colocamos a la ciberseguridad como otra tecnología clave. La ciberseguridad es un paradigma de gran importancia que se encuentra presente en todos los niveles de automatización. Especialmente en lo que concierne a la protección de datos, tanto a nivel local como en la nube, se destaca que, en los niveles inferiores, el rol de la ciberseguridad consiste en garantizar la integridad del dispositivo y de los datos obtenidos; en los niveles subsiguientes, se debe asegurar principalmente el acceso seguro a los datos y las transmisiones seguras de los mismos, para luego abordar la protección exclusiva de los datos locales y el almacenamiento seguro en la nube. Esta tecnología clave, como se puede observar, está intrínsecamente ligada a todos los niveles de la Industria 4.0, lo cual se confirma al reconocer que el núcleo de la digitalización industrial radica en la gestión de datos en todas sus instancias, los cuales deben ser resguardados en todo momento. 62 Capítulo 5. Medición y análisis predictivo de parámetros geométricos de componentes industriales sistemas industriales, reducir errores y tomar decisiones basadas en datos, elevando así los estándares de calidad y productividad. Como consecuencia de esta creciente demanda, existe un avance continuo en los estándares de precisión y exactitud requeridos para estos sistemas [227]. Además, estos sistemas deben poseer la capacidad de adaptarse eficazmente a las demandas emergentes de las industrias en desarrollo. Concretamente, las metodologías para la obtención de parámetros geométricos durante los procesos de fabricación de componentes mediante métodos sin contacto se encuentran aún en una fase incipiente, lo que supone un reto sustancial para alcanzar altos niveles de precisión, especialmente en el caso de piezas [228] significativamente grandes. En la bibliografía actual se destacan los esfuerzos técnicos y científicos para extraer parámetros de grandes componentes industriales. Un ejemplo es la medición de perfiles de álabes de turbina [229], que tiene un perfil objetivo de aproximadamente 200 mm y logra una alta precisión con desviaciones estándar inferiores a 1,3 µm. Este método utiliza una máquina de medición de coordenadas (MMC) equipada con un palpador de sonda que, aunque es eficaz, limita su aplicación en entornos industriales donde se requieren mediciones sin contacto y durante el proceso de fabricación. Los palpadores de sonda son los más adecuados para su uso con máquinas CNC, donde el incremento de tiempo es insignificante; sin embargo, en entornos industriales hostiles, procesos dinámicos o con el uso de prensas hidráulicas, su precisión y durabilidad se ven muy comprometidas. Cabe mencionar que la investigación sobre mediciones sin contacto de parámetros geométricos en componentes a gran escala es escasa. Otro ejemplo puede verse en la fabricación y montaje de tuberías utilizadas en barcos, donde existe la necesidad de mediciones de diámetro dentro de un rango que varía de 0,6 m a 1 m, con una tolerancia de diámetro que oscila entre 0,03 mm y 0,05 mm [230]. Para hacer frente a este reto, los investigadores han propuesto un sistema de medición sin contacto basado en sensores ópticos de triangulación. El sensor seleccionado en este estudio es un Keyence LK-G30. La elección del tipo de sensor de desplazamiento implica un compromiso entre la precisión y el rango de medición. Sin embargo, su rango operativo sigue siendo limitado en comparación con las aplicaciones industriales que implican componentes de dimensiones significativamente mayores. Este sistema no se ve afectado por las deformaciones de la tubería, a diferencia de los componentes de mayor tamaño, y, por lo tanto, sólo se recogen puntos de datos en dos secciones circulares para determinar las dimensiones de una tubería con un diámetro constante. La detección de superficies y curvas desempeña un papel fundamental en el control de calidad de los productos. En [231], los autores proponen un método para extraer perfiles de curvas a partir de nubes de puntos escaneadas. Sus resultados muestran una alta precisión en el cálculo de las desviaciones con respecto a los valores de referencia específicos para una parte determinada en el experimento. Sin embargo, las dimensiones siguen siendo limitadas. Otro enfoque ampliamente reportado en la literatura para la medición sin contacto se basa en metodologías ópticas y de visión por ordenador, [232 – 234]. A modo de ejemplo, los investigadores de [235] han expuesto el desarrollo de sistemas automatizados en línea diseñados para la medición de la geometría de los ejes de los trenes durante el movimiento. Estos sistemas se basan principalmente en técnicas de medición por láser y de visión por ordenador. A pesar de su mayor eficacia y de la no interferencia con las operaciones 5.1 Introducción 63 ferroviarias, cabe señalar que los sistemas automatizados en línea suelen implicar costes más elevados que los sistemas fuera de línea. Además, los sistemas resistentes a las vibraciones deben ser lo suficientemente robustos como para mantener su funcionalidad sin verse afectados negativamente por las consecuencias de movimientos o vibraciones repentinos. En el ámbito industrial relativo a las piezas con superficies cerradas de revolución, en particular las de características cónico-cilíndricas, se emplean diversas metodologías de medición óptica debido a sus implicaciones científicas y su importancia práctica [236]. El trabajo [237] proporciona una síntesis informativa destinada a facilitar una comprensión rápida y precisa del estado actual de desarrollo en este ámbito de medición. Proporciona una visión en profundidad de las técnicas ópticas utilizadas para abordar diversos requisitos de medición en piezas con formas internas. No obstante, hay que señalar que los trabajos presentados se refieren exclusivamente a componentes cilíndricos con un diámetro máximo de hasta 600 mm y no abarcan la investigación relacionada con perfiles de forma irregular o de mayor tamaño. Además, los avances en las tecnologías de medición óptica, la potencia informática y el rendimiento del hardware han mejorado el campo de la medición sin contacto. La integración de todas estas tecnologías ha permitido una rápida adquisición y procesamiento de datos y ha mejorado significativamente la precisión de las mediciones [238]. Por ejemplo, en la perfilometría, una técnica empleada es la medición 3D pasiva, ejemplificada por la tecnología de visión binocular [239,240]. Otra técnica predominante es la medición 3D activa, que se basa en la tecnología de luz estructurada. Entre estos métodos, el de tiempo de vuelo (TOF) destaca como el más ampliamente adoptado [241,242], junto con la Perfilometría de Moiré (MP) [243], y la Perfilometría de Proyección de Franja (FPP) [244, 245]. Cabe destacar que, para grandes componentes industriales, estudios recientes en la literatura han explorado la extracción de parámetros geométricos utilizando técnicas avanzadas de visión por computador. Un ejemplo es [246], que describe un sistema de reconstrucción tridimensional mediante tres cámaras, consiguiendo precisiones entre 6.60 y 51.43 milímetros en diversos escenarios. Sin embargo, las condiciones de funcionamiento en las que estos sistemas son eficaces no cumplen los estrictos requisitos de determinadas industrias, como la fabricación de torres eólicas. Su planteamiento se centra en estructuras estáticas sin superficies curvas y no contempla la extracción de parámetros geométricos complejos, como el radio de curvatura, ni mediciones dinámicas durante el proceso de fabricación. La fabricación de estructuras metálicas de gran tamaño y formas cilíndricas, como las torres eólicas, requiere una precisión extremadamente alta en las dimensiones de sus estructuras para garantizar su integridad estructural. En este contexto industrial, la alta precisión se define como la capacidad de mantener las desviaciones por debajo de las tolerancias permitidas para grandes estructuras, que pueden alcanzar diámetros de hasta 8 metros. En el caso del diámetro de la virola, se permite una desviación máxima de 5 milímetros respecto al valor teórico previsto, para garantizar que los subprocesos posteriores, como la soldadura, puedan llevarse a cabo con éxito. En la actualidad, muchas de las mediciones son realizadas manualmente por operarios que, aunque cualificados, son propensos a cometer errores y carecen de precisión. Los sistemas de medición de determinadas variables físicas, como el radio de curvatura durante el proceso de plegado, 64 Capítulo 5. Medición y análisis predictivo de parámetros geométricos de componentes industriales plantean un reto tecnológico, empezando por las grandes dimensiones de la estructura y las estrechas tolerancias exigidas. También hay que tener en cuenta que las condiciones de fabricación industrial, como las oscilaciones de la chapa y las vibraciones de la máquina, complican aún más la medición automática de estos parámetros. La principal aportación de esta investigación radica en el desarrollo de un prototipo innovador, actualmente no disponible en el mercado, capaz de medir dinámicamente el radio de curvatura, la longitud de cuerda y la longitud de arco con gran precisión. Además, proporciona previsiones en tiempo real del radio de curvatura, con un horizonte temporal suficiente para que los operarios eviten errores de fabricación como el sobrecurvado de las chapas. Para lograrlo, se parte de la adquisición de datos mediante un sensor LiDAR; a continuación, la investigación detallará las distintas técnicas estadísticas y numéricas empleadas y adaptadas, incluyendo la limpieza de datos, el preprocesado, el filtrado y los métodos geométricos y numéricos para la obtención de parámetros geométricos. Además, el estudio describirá las distintas técnicas de aprendizaje automático probadas y validadas para la previsión de las mediciones del radio de curvatura. También se discutirá el uso de un sensor LiDAR, destacando su aplicación para la medición precisa de parámetros geométricos a gran escala, que está limitada por desafíos técnicos que pueden introducir errores de medición [247,248]. Aunque el LiDAR se utiliza ampliamente en la conducción autónoma para cartografiar el entorno y detectar obstáculos, no está diseñado para medir parámetros geométricos específicos. En nuestra aplicación, utilizamos LiDAR para capturar datos espaciales detallados para un análisis geométrico preciso, que difiere de su uso en la conducción autónoma. Se incorporan técnicas de aprendizaje automático para la predicción precisa de estos valores, con el objetivo de prevenir errores en el proceso de fabricación y mejorar la eficiencia y calidad del producto final [249 – 254]. Por lo tanto, el sistema propuesto aprovecha la alta frecuencia de barrido del sensor y las capacidades de procesamiento disponibles en la actualidad para permitir el funcionamiento en línea, facilitando además la aplicación de técnicas de aprendizaje automático sobre los datos de series temporales y su historial para realizar predicciones a corto plazo [255 – 258]. Esto resulta muy ventajoso para prevenir defectos de fabricación [259,260], como la curvatura excesiva en una chapa metálica, y permite integrar perfectamente el sistema en el marco de control de un proceso industrial concreto. 5.2 Descripción del problema El reto de fabricar grandes estructuras con tolerancias estrechas radica en la necesidad de lograr una gran precisión dimensional para garantizar la integridad estructural, como es necesario en el caso de las torres eólicas. Estas estructuras deben soportar condiciones ambientales extremas y cargas variables, por lo que cualquier desviación en las dimensiones puede comprometer su estabilidad y seguridad. En la actualidad, el proceso de curvado de chapas metálicas se controla manualmente por operarios que utilizan plantillas metálicas para comprobar la curvatura de las chapas. Este enfoque manual es susceptible de errores, tanto por factores humanos como por la ausencia de plantillas que coincidan exactamente 5.2 Descripción del problema 65 con el radio de curvatura, ya que éstas sólo están disponibles a intervalos específicos. Esto obliga al operario a tener en cuenta estas limitaciones a la hora de realizar las mediciones. El objetivo de este trabajo es encontrar métodos de medición y fabricación que permitan cumplir las estrictas tolerancias exigidas para los componentes a gran escala. Esto implica la utilización de tecnologías de medición de alta precisión, como la metrología óptica y láser, junto con la aplicación rigurosa de técnicas de control de calidad en todo el proceso de fabricación. Para abordar este reto, en esta sección se describen las limitaciones más relevantes que intervienen en el proceso de medición y estimación del radio de curvatura de la chapa metálica. 5.2.1 Incertidumbre de medición Hay dos fuentes principales que contribuyen a aumentar la incertidumbre de las mediciones: la desviación de la medición adquirida por el sistema LiDAR utilizado y la presencia de anomalías en los datos recogidos. Por un lado, la presencia de ruido e interferencias en los sistemas LiDAR afecta a las mediciones y requiere correcciones para mantener la precisión [261]. Estas señales pueden provenir de diversas fuentes, incluidos los errores de los sensores y los factores ambientales, que pueden afectar a la integridad y la precisión de las mediciones [262]. Abordar estos desafíos es crucial para garantizar la calidad de los datos en las aplicaciones LiDAR. La figura 5.1 muestra los datos en bruto de un perfil adquirido por el LiDAR modelo «LMS4121R-13000» proporcionado por el fabricante «Sick Sensor Intelligence», utilizado en esta aplicación, cuyas características se detallan en el apartado 5.3. Aunque la forma del perfil es visible, un análisis más detallado revela un ruido significativo que podría afectar a las mediciones. La incertidumbre absoluta observada es inferior a ± 5 mm en el punto de mayor dispersión, a pesar de que el sensor tiene una incertidumbre de ± 1 mm según el fabricante. Esta desviación se debió a que no fue posible ajustar las condiciones de iluminación de acuerdo con las recomendaciones. En consecuencia, este hecho pone de manifiesto la necesidad de un tratamiento adecuado de los datos para garantizar la precisión. Además, dado que los perfiles de los objetivos son muy regulares (sección circular), el tratamiento de los datos puede centrarse en la obtención de parámetros geométricos precisos. Por otra parte, en el conjunto de datos recogidos suelen aparecer valores que muestran una gran desviación con respecto al valor esperado. Estos puntos de datos excepcionales corresponden a los denominados valores atípicos [263]. La figura 5.2 ilustra una observación de un perfil irregular captado por un sensor LiDAR 2D, con valores atípicos apreciables en los datos. En mediciones consecutivas, en las que se esperan cambios mínimos, los valores atípicos son inherentes y pueden atribuirse al ruido del sensor, a interferencias en el canal de comunicación debidas a las propiedades de reflectancia de la superficie, a variaciones en la iluminación ambiental, a distorsiones en el procesamiento de los datos o a influencias humanas. Estos valores atípicos pueden dar lugar a errores, estimaciones incorrectas y sesgos en los resultados de los análisis. 66 Capítulo 5. Medición y análisis predictivo de parámetros geométricos de componentes industriales 0 100 200 300 400 500 600 700 Point n of a single observation 1140 1160 1180 1200 1220 1240 1260 1280 1300 1320 Distance [mm] Figura 5.1 Datos brutos del sensor LIDAR. Distance [mm] Observation points of a 2D LIDAR. Figura 5.2 Valores atípicos en la observación LIDAR 2D. 5.2.2 Medición de la longitud de perfiles curvos En múltiples procesos industriales actuales, es esencial disponer de información precisa sobre las dimensiones de los productos durante las distintas fases de producción. Sin embargo, surgen retos notables cuando se miden componentes de gran tamaño que tienen perfiles irregulares o características no planas, como un perfil curvo como el que se muestra en la Figura 5.3). En tales circunstancias, las mediciones exigen un enfoque sin contacto con una tolerancia de error mínima. A pesar de la existencia de técnicas de visión por ordenador documentadas en la bibliografía, a menudo no alcanzan los niveles de precisión y exactitud exigidos por sectores industriales específicos; por ejemplo, en la fabricación de torres eólicas, la tolerancia máxima para el diámetro de una virola, que varía entre 3 y 8 metros, es de 5 mm. Esta tolerancia es fija y se establece para cumplir los requisitos de procesos posteriores 5.3 Materiales y métodos 67 Figura 5.3 Chapa con perfil curvo. críticos, como la soldadura entre virolas. Por tanto, la obtención de esta información sigue dependiendo en gran medida de métodos tradicionales o manuales, que a menudo suponen un cuello de botella en los procesos de producción automatizados. 5.2.3 Problemas físicos clave en el entorno industrial En el entorno industrial de un proceso de doblado de chapas de acero, pueden surgir varios problemas físicos que dificultan las mediciones en tiempo real y afectan a la calidad del proceso. Algunos de los principales problemas son las oscilaciones de la chapa, sobre todo en el caso de chapas finas, que pueden experimentar oscilaciones o vibraciones durante el proceso de doblado. Estas oscilaciones pueden perturbar la medición de las dimensiones y la geometría de la chapa en tiempo real. Además, la maquinaria utilizada habitualmente en los procesos industriales suele generar vibraciones que pueden afectar a la estabilidad de la chapa y, por tanto, influir en la calidad de la medición. 5.2.4 Defectos en el proceso de fabricación La medición manual periódica, en contraposición a la supervisión continua en tiempo real, representa una limitación significativa en la calidad y eficiencia del proceso. Esto puede conducir a la aparición de defectos graves, como la sobrecurvatura, que repercute en la calidad del producto final, provocando variaciones no deseadas en las dimensiones previamente definidas [264]. Estas variaciones pueden dar lugar posteriormente a otros defectos, como grietas, deformaciones y desalineaciones en las conexiones de los componentes. La presencia de estos defectos requiere medidas correctivas, que pueden implicar retrabajo, ajustes o incluso la necesidad de desechar piezas defectuosas. Esto resulta en un aumento en los costos de producción, una reducción en la eficiencia del proceso y una mayor complejidad en la gestión de la cadena de suministro [265–267]. 5.3 Materiales y métodos En esta sección, se describe en primer lugar la arquitectura base propuesta para el sistema, como se muestra en la Figura 5.4, que detalla los componentes principales, su disposición y las conexiones entre ellos. El núcleo del sistema es un sensor LiDAR que se comunica con un PC industrial responsable de la adquisición de datos, procesamiento, Machine Learning, 68 Capítulo 5. Medición y análisis predictivo de parámetros geométricos de componentes industriales y generación de una base de datos local. Este PC industrial se conecta de forma inalámbrica, a través de un router, a un HMI para la visualización del sistema y el control básico. Un PC de desarrollo, con acceso completo al sistema, se utiliza para tareas avanzadas como el procesamiento de datos, la modificación de algoritmos y el entrenamiento de modelos de Machine Learning, aunque no participa en el funcionamiento normal del sistema. El sistema se basa principalmente en un sensor LiDAR 2D de alta precisión (modelo «LMS4121R-13000» suministrado por el fabricante «Sick Sensor Intelligence»), con un error sistemático de ± 1mm. Dispone de un amplio campo de visión de 70 grados y una resolución angular de 1/12 grados (0.0833 grados), generando 841 puntos de distancia por barrido a velocidades de hasta 600 barridos por segundo. Su rango operativo abarca distancias de 0.7 a 3.1 metros (véase la figura 5.5). La fiabilidad de los datos y su riguroso preprocesamiento, como se describe en esta sección, garantizan mediciones precisas de perfiles lineales o curvos, así como la determinación de radios de curvatura. Sin embargo, se plantea un importante desafío técnico y físico en relación con el campo de visión y la presencia de puntos ciegos que pueden surgir como resultado de un perfil curvo o irregular. A pesar de la existencia de estrategias para abordar esta cuestión, como la implementación de la rotación controlada del perfil o el uso de múltiples sensores, es importante señalar que en el ámbito de este estudio no se han considerado tales enfoques, ya que los perfiles específicos objeto de análisis no presentan las características mencionadas. El diagrama presentado en la Figura 5.6 tiene un doble propósito: en primer lugar, delinea el proceso de desarrollo de la investigación, abarcando desde la adquisición de datos hasta las mediciones y predicciones de salida, detallando cada solución y proceso aplicados para adaptar la señal y obtener resultados. En segundo lugar, ilustra el flujo de la señal a través del sistema una vez que el prototipo está activo, delineando cómo cada observación LiDAR pasa por una serie de etapas esbozadas dentro del diagrama para procesar y generar las mediciones y predicciones correspondientes. En este contexto, el Router Machine Learning for forecasting Industrial PC LIDAR sensor Machine Learning for training and testing. PC Operator HMI Metal sheet in bending process Figura 5.4 Arquitectura del sistema propuesto. 5.3 Materiales y métodos 69 70° 0.98 m 3.44 m 2.45 m 1.75 m 0.55 m 2D LIDAR Figura 5.5 Campo de visión y medición del LIDAR. diagrama sirve de representación visual de la intrincada interacción entre cada uno de los procesos del sistema, así como de los diversos análisis realizados por el sistema para obtener información fiable. 5.3.1 Rectificación de valores atípicos Identificar valores atípicos es esencial en el preprocesamiento de datos. Estos valores tienen un impacto más significativo en las mediciones que el ruido y no siempre son evidentes. Se utilizan métodos estadísticos, como el Identificador de Hampel [268,269], para detectarlos y corregirlos. Las reglas para clasificar xi como válido o como valor atípico se muestran en las desigualdades 5.1. i f |xi−mi|≤k·t·MAD →valid data i f |xi−mi|>k·t·MAD →outlier (5.1) donde xi representa el valor adquirido actual y mi corresponde a la media local de la ventana de adquisición Wi, que se determina en la ecuación 5.2. mi=1 w (w−1)/2 ∑ s=−(w−1)/2 xi+s(5.2) Además, el parámetro k , que se muestra en la ecuación 5.1, representa la estimación insesgada de la distribución gaussiana y su valor es aproximadamente k=1/(√2·er f c−1(0,5)) ; donde er f c−1(z) se conoce como «función de error complementaria inversa». Además, MAD es la Desviación Absoluta Mediana y se estima según la ecuación 5.3. MADi=1 w (w−1)/2 ∑ s=−(w−1)/2|xi+s−mi|(5.3) 70 Capítulo 5. Medición y análisis predictivo de parámetros geométricos de componentes industriales Rectificación de valores atípicos (identificador de Hampel) Filtrado digital (filtro de media móvil) Cálculo de la longitud del arco Cálculo del radio de curvatura Cálculo de la longitud de cuerda Filtro EMA ARIMA Forecasting radio (t) Adquisición de datos longitud del arco (t) longitud de cuerda (t) LSTM Forecasting radio (t+1 : t+10) radio (t+1 : t+10) Figura 5.6 Metodología y etapas del tratamiento de señales. El último parámetro que aparece en la ecuación 5.1 es t y representa el valor proporcional MAD para considerar un valor atípico. Esto depende de cada caso en estudio, aunque, en general, un valor de 3 permite una clasificación válida para la mayoría de las aplicaciones. Se realizaron experimentos para ajustar los parámetros del identificador de Hampel con vistas a optimizar el algoritmo. Estos parámetros específicos incluyen un tamaño de ventana de 5 y un umbral de desviación máxima de 1 MAD para la categorización de valores atípicos. Por último, los valores atípicos identificados se sustituyen por mi para preservar la tendencia de la forma, sabiendo que ésta presenta cierta regularidad o patrón, al ser una forma curva correspondiente a un arco circular. Esta corrección nos permite analizar los datos de forma más objetiva para obtener mediciones precisas. La figura 5.7 representa una sección de una observación. Los límites definidos por el identificador de Hampel están representados por las líneas rojas, los puntos azules son los datos LiDAR sin procesar, y cualquier dato fuera de los límites de las líneas rojas se identifica y se sustituye por la media de sus vecinos de acuerdo con el tamaño de la ventana. 5.3 Materiales y métodos 71 100 105 110 115 120 125 130 135 140 145 150 Point n of a single observation 1410 1420 1430 1440 1450 1460 Distance [mm] LIDAR data Upper limit of hampel identifier Lower limit of hampel identifier Data with no outliers Figura 5.7 Identificación y corrección de valores atípicos. 5.3.2 Filtrado Digital Para la maquinaria de curvado de metales y sistemas industriales similares con motores eléctricos, las frecuencias de vibración más comunes suelen estar en el rango de: 10 - 100 Hz producidas por componentes giratorios y mecanismos de accionamiento, 100 - 10000 Hz generadas por motores eléctricos, desalineación, desequilibrio y desgaste mecánico [270 – 272]. En esta fase, se lleva a cabo un proceso de filtrado digital para mitigar tanto el ruido inherente al sensor como el ruido en la banda de frecuencia superior (100 - 10000 Hz). Después de eliminar los valores atípicos, se aplica un proceso de filtrado de señal utilizando un filtro de media móvil, que es un Filtro de Respuesta Impulso Finito (FIR) [261]. Es importante señalar que, a medida que aumenta el tamaño de la ventana, el filtro suaviza la señal de salida, disminuyendo la nitidez de los bordes [268], lo cual puede resultar en una deformación del perfil en comparación con el original, afectando negativamente la medición de la longitud. Sin embargo, este comportamiento del filtro es altamente beneficioso para el resto del perfil, especialmente en el caso de perfiles curvos y extensos que se asemejan a los lineales. La ecuación 5.4 define el comportamiento del filtro de ventana de tamaño M para un punto de datos. out puti=1 M (M−1)/2 ∑ s=−(M−1)/2 xi+s(5.4) El problema observado es que el uso de un filtro con un tamaño de ventana grande es beneficioso para filtrar un perfil regular, especialmente en el caso de una sección circular relativamente grande que puede aproximarse a una línea recta, aunque no lo sea. Sin embargo, en los extremos de la sección circular, un filtro con una ventana grande puede distorsionar el perfil en esa región y comprometer la precisión de las mediciones. Esto dificulta la selección de un tamaño de ventana óptimo que equilibre ambas situaciones. 78 Capítulo 5. Medición y análisis predictivo de parámetros geométricos de componentes industriales de rectangulares a polares, y determinamos el ángulo del último punto para rotar el perfil. Restamos este valor de ángulo identificado de cada punto para posicionar el perfil, como se muestra en la Figura 5.15 (d). El siguiente paso consiste en elevar el perfil para posicionarlo como se muestra en la Figura 5.15 (e). Para lograr esto, revertimos el sistema a coordenadas rectangulares y determinamos el valor mínimo de ’y’correspondiente a la flecha. Posteriormente, ajustamos la posición para cada par ordenado. Después de este procedimiento, logramos obtener un perfil que se posiciona exactamente como se muestra en la Figura 5.15 (e), independientemente de la distancia y posición del sensor, especialmente debido a las oscilaciones de la lámina metálica durante el proceso. Esto nos permite realizar una comparación con un perfil de plantilla, que representa el perfil objetivo a alcanzar. Se puede observar si el perfil necesita ser más curvado, si es preciso o si está excesivamente curvado, como se ilustra en la Figura 5.15 (f). Este enfoque facilita el análisis, la estimación de parámetros geométricos y la evaluación del error en relación con el perfil objetivo. Por ejemplo, al superponer perfiles e identificar los centros de los círculos de ajuste, podemos determinar tanto visual como analíticamente el error del radio. Para determinar el radio y el centro óptimos de un círculo que mejor se ajuste a un conjunto de n puntos de borde dados, se ha empleado un método de estimación para minimizar el error cuadrático del ajuste circular, expresado en la ecuación 5.7. Esta metodología se basa en el algoritmo robusto de detección de círculos presentado en [273]. m´ ın θ=(xc,yc,R)J(θ) = n ∑ i=1(xi−xc)2+(yi−yc)2−R22,(5.7) donde (xc,yc) representan el centro del círculo, y R corresponde al radio. El error cuadrático puede formularse en términos de la ecuación 5.8. S= n ∑ i=1(ui−uc)2+(vi−vc)2−γ2(5.8) x=1 n∑ixi,y=1 n∑iyi ui=xi−x,vi=yi−y,γ=R2 A partir de la ecuación dada, se resuelve y simplifica siguiendo el proceso que involucra la sustitución de variables y la resolución de sistemas de ecuaciones, como se detalla en la referencia [273], hasta obtener el valor equivalente del radio, γ=R2 , que se sustituye, resultando en la expresión descrita en la ecuación 5.9. R=ru2 c+v2 c+Suu +Svv n,(5.9) donde uc y vc son las variables de sustitución presentes en la ecuación 8, n representa el número de puntos que forman parte del perfil, mientras que Suu y Svv son variables auxiliares que ayudan en la resolución del sistema de ecuaciones, y su equivalencia es: Suu =∑n i=1u2 i,Svv =∑n i=1v2 i. 5.3 Materiales y métodos 79 El procedimiento anterior proporciona el valor del radio de curvatura al considerar una única medición en un entorno estático. Sin embargo, en aplicaciones de medición en tiempo real, diversos factores externos pueden influir en las mediciones, lo que requiere un enfoque adicional destinado a proteger la integridad y la fiabilidad de los valores obtenidos. La Figura 5.16 ilustra el proceso de doblado de una lámina metálica. (a) (b) Figura 5.16 Proceso de curvado de una chapa metálica. En esta visualización, se destaca la disposición estratégica del sensor encargado de la adquisición del perfil, posicionado para capturar información específica de la sección curva a medida que se forma durante el proceso. La disposición y operación del sensor son 80 Capítulo 5. Medición y análisis predictivo de parámetros geométricos de componentes industriales cruciales para obtener mediciones precisas y en tiempo real de los parámetros geométricos relevantes, lo que permite un monitoreo continuo y eficiente del proceso de doblado. 5.3.7 Filtrado EMA para estabilizar las mediciones En la fase de preprocesamiento de datos, los datos brutos recibidos del sensor se limpian y tratan mediante la eliminación de valores atípicos y el filtrado de medias móviles. Este ruido es en su mayor parte intrínseco al sensor. Sin embargo, durante el proceso de plegado, las máquinas suelen generar vibraciones, generalmente entre 10 y 100 Hz, producidas por componentes giratorios y mecanismos de transmisión en los que pueden introducirse interferencias entre mediciones consecutivas. Un filtro de Media Móvil Exponencial (EMA), al asignar mayor peso a las medidas recientes que a las más antiguas, ayuda a suavizar estas variaciones a corto plazo, reduciendo así el ruido causado por las vibraciones de la máquina. La formulación matemática que rige la aplicación del filtro EMA en la estimación en tiempo real del radio de curvatura se representa mediante la ecuación 5.10. radiust=α∗Rt+(1−α)∗radiust−1,(5.10) donde radiust es el valor filtrado del radio en el tiempo t , Rt es el valor medido del radio en el tiempo t , radiust−1 es el valor filtrado del radio en el tiempo t−1 , α es el factor de suavizado entre 0 y 1 que determina la importancia relativa de la observación actual en comparación con el valor filtrado anterior. En nuestro contexto, el parámetro α se ha establecido en un valor de 0.5. El filtro EMA, a pesar de su capacidad para suavizar mediciones, no compromete la capacidad de respuesta en tiempo real. Esta característica es de gran importancia en los procesos de doblado, donde la detección y corrección rápidas de desviaciones en el radio de curvatura se convierten en un aspecto crucial. La Figura 5.17 ilustra un ejemplo práctico del desempeño del filtro EMA en la medición del radio de curvatura. 0 10 20 30 40 50 60 70 80 90 100 n sample 1840 1845 1850 1855 Radius [mm] Filtered radius Actual radius = 1847 mm Calculated radius Figura 5.17 Comportamiento del filtro EMA en la estimación del radio de curvatura. 5.3 Materiales y métodos 81 5.3.8 Predicciones del radio de curvatura en el proceso de curvado Se ha establecido una frecuencia de observación de 2 hercios (Hz), que es adecuada para llevar a cabo el procesamiento descrito previamente. Limitar la frecuencia a 2 Hz proporciona un marco temporal lo suficientemente detallado para capturar variaciones críticas en el radio de curvatura durante el proceso de doblado. La Figura 5.18 ilustra un ejemplo de la evolución de las mediciones del radio de curvatura a lo largo del tiempo, demostrando el proceso gradual de ajuste hacia el valor de radio deseado. 1500 2000 2500 Radius [mm] Sampling at a frecuency of 2 Hz Radius sample Target 03500 Figura 5.18 Ejemplo de DataFrame de mediciones de radios de curvatura durante un proceso real de curvado de chapas. Las muestras se toman desde el inicio del proceso de doblado, cuando la lámina ha entrado en el campo de visión del sensor, hasta que la virola ha sido completamente doblada y sus extremos soldados. Dado que el proceso es manual y depende de la habilidad de cada operador, el tiempo de doblado puede variar considerablemente, lo que afecta la cantidad de muestras tomadas para cada virola. En este enfoque, se registran y almacenan los datos históricos de las mediciones del radio de curvatura, creando una serie temporal. Esta información desempeña un papel fundamental en la comprensión de las variaciones del radio de curvatura a lo largo del tiempo y en el análisis de cómo evoluciona esta medición durante el proceso de doblado. Los datos históricos en esta serie temporal son cruciales para construir modelos predictivos que pronostiquen el futuro radio de curvatura. La capacidad de prever el comportamiento del radio de curvatura permite la prevención y corrección de errores asociados con la curvatura excesiva del material o su ajuste al valor deseado. Cabe destacar que, en la recopilación de datos, solo se han considerado los datos generados durante la operación normal de la máquina, excluyendo aquellos registrados cuando la máquina se detiene para mediciones manuales. Esta estrategia se ha adoptado para asegurar que los datos registrados sean representativos de las condiciones operativas en el marco de esta propuesta, donde se desarrollarán modelos predictivos. Para obtener pronósticos relacionados con las mediciones del radio de curvatura, se ha empleado una estrategia que involucra el uso de múltiples modelos, incluyendo aquellos basados en redes neuronales "Long Short-Term Memory (LSTM)" [274], y el enfoque "Autoregressive Integrated Moving Average (ARIMA)" [275]. El objetivo de esta elección 82 Capítulo 5. Medición y análisis predictivo de parámetros geométricos de componentes industriales es lograr una selección óptima del modelo. La Tabla 5.1 proporciona un resumen detallado del modelo LSTM. Tabla 5.1 Atributos de las redes neuronales LSTM. País Número de documentos Tipo de modelo Red neuronal recurrente (RNN) Uso Predicción de series temporales, procesamiento del lenguaje natural (PLN), traducción automática. Ventajas Captura dependencias a largo plazo, adecuado para datos no lineales, maneja secuencias largas Desventajas Mayor entrenamiento y complejidad computacional, requiere grandes conjuntos de datos. Variables exógenas Sí, a través de variantes como LSTM-X. Flexibilidad Mayor flexibilidad en la modelización de relaciones no lineales Se realizaron múltiples evaluaciones de arquitecturas de redes neuronales Long ShortTerm Memory (LSTM); sin embargo, dentro del alcance de este estudio, se informan exclusivamente los resultados de la arquitectura que mostró el desempeño más destacado. La Figura 5.19 ilustra un esquema representativo de la arquitectura seleccionada. LSTM CELL x x + x LSTM CELL Figura 5.19 Arquitectura de la red neuronal LSTM. Por otro lado, la aparente simplicidad del modelo ARIMA, como se detalla en la Tabla 5.2, no implica necesariamente un rendimiento inferior en comparación con los modelos basados en redes neuronales LSTM. La efectividad de estos enfoques dependerá en gran medida de la naturaleza intrínseca de los datos y sus patrones subyacentes. Además, es importante destacar que el consumo de recursos puede desempeñar un papel crucial en la elección entre estos modelos, especialmente cuando se buscan predicciones en tiempo real. 5.4 Resultados y Discusiones 83 Tabla 5.2 Atributos de los modelos ARIMA. País Número de documentos Tipo de modelo Modelo estadístico de series temporales Uso Previsión de series temporales financieras, económicas y climáticas. Ventajas Modelo sencillo, fácil de aplicar, interpretación directa, adecuado para datos estacionarios. Desventajas No es adecuado para datos no lineales, no maneja dependencias a largo plazo. Variables exógenas Sí, mediante el uso de modelos ARIMAX. Flexibilidad Limitado a relaciones lineales o transformaciones previas de datos. Se empleó una metodología similar, en la que se probaron varias configuraciones de parámetros de p , d y q . Sin embargo, solo se presentan los resultados del modelo más óptimo. En un modelo ARIMA (p,d,q) no estacional, p denota el orden de los términos autorregresivos (AR), d denota el orden de diferenciación y q denota el orden de los términos de media móvil (MA). Los coeficientes seleccionados son: p=1 , d=1 , q=0 . 5.4 Resultados y Discusiones En esta sección, presentamos los resultados obtenidos de las mediciones de parámetros geométricos clave en el proceso industrial de doblado de láminas metálicas. Nos enfocamos en la longitud de la cuerda, la longitud del arco y el radio de curvatura, que son esenciales para garantizar la calidad de los componentes doblados. Además de las mediciones estándar, se emplearon técnicas avanzadas de aprendizaje automático, como ARIMA y LSTM, para predecir el radio de curvatura. Estas predicciones son fundamentales para la optimización del proceso. Los resultados proporcionan información valiosa para la industria del doblado de láminas metálicas. 5.4.1 Detalles de la Validación Experimental en un Entorno Industrial Se llevaron a cabo pruebas en un entorno industrial real en dos plantas de fabricación especializadas en la producción de grandes estructuras metálicas cilíndricas destinadas a su uso como torres eólicas. Estas pruebas fueron diseñadas para evaluar la robustez y precisión del prototipo en condiciones operativas reales. El prototipo fue sometido a una variedad de condiciones adversas típicas de un entorno de fabricación industrial. Estas condiciones incluyen exposición al polvo metálico generado por los procesos de corte y soldadura, vibraciones producidas por maquinaria pesada y oscilaciones de las láminas metálicas durante su manipulación y procesamiento. La comunicación inalámbrica en un entorno industrial caracterizado por grandes estructuras metálicas y materiales ferromagnéticos presenta desafíos significativos debido 84 Capítulo 5. Medición y análisis predictivo de parámetros geométricos de componentes industriales a la posible interferencia electromagnética y la reflexión de señales. Para garantizar una comunicación estable y confiable, el router y la HMI se colocaron estratégicamente en los lugares donde se ejecuta la aplicación de control, es decir, en posiciones que minimizan las obstrucciones y maximizan la recepción de la señal. El rendimiento del sistema fue evaluado de manera cuantitativa, comparando las mediciones obtenidas con los valores esperados y los métodos de medición tradicionales. El objetivo es demostrar una alta correlación con los métodos convencionales, validando así la efectividad del enfoque propuesto. Las fotografías presentadas en la Figura 5.20 documentan las pruebas realizadas en el entorno industrial dentro de las dos plantas de fabricación. Estas imágenes capturan diferentes aspectos críticos del proceso experimental, incluyendo la disposición del sensor LiDAR y las condiciones operativas del entorno de la planta. Las fotografías muestran claramente cómo se instaló y operó el prototipo en las condiciones adversas descritas. Estas imágenes son esenciales para proporcionar una visión tangible del entorno experimental y validar visualmente la implementación práctica y la robustez del sistema propuesto en condiciones industriales reales. La Figura 5.20.b muestra más claramente la disposición del sensor LiDAR dentro del entorno de fabricación. El perfil de la línea láser emitida por el LiDAR, que se proyecta sobre la superficie de la lámina metálica durante el proceso de doblado, está delineado con una línea roja. Esta representación visual resalta el recorrido del láser y su interacción con la lámina metálica, proporcionando una referencia precisa para la evaluación del doblado. La ubicación exacta del sensor es crucial para asegurar la precisión de las mediciones geométricas. La figura ilustra cómo el sensor se posiciona estratégicamente para optimizar la captura de datos y minimizar la interferencia de factores externos, garantizando así la fiabilidad y consistencia de los datos obtenidos durante el proceso de doblado. 5.4.2 Longitud de cuerda y longitud de arco Estas mediciones, realizadas en un entorno industrial bajo condiciones estáticas, se llevaron a cabo en un cilindro metálico doblado dispuesto como se ilustra en la Figura 5.14, con el fin de validar la precisión del sistema. Para realizar esta validación, se obtuvieron mediciones manuales mediante procedimientos manuales con plantillas metálicas, las cuales servirán como valores de referencia para las mediciones del sistema. Estos valores de referencia corresponden a las longitudes reales del arco y la cuerda de la sección de circunferencia, que son 1265 milímetros y 1240 milímetros, respectivamente. El sistema se configuró utilizando los parámetros que arrojaron resultados óptimos en evaluaciones anteriores, específicamente, una distancia umbral de menos de 2 metros, 16 iteraciones de filtrado y un tamaño de ventana de 5, excepto en los extremos de la sección. Las longitudes se calcularon a partir de 100 observaciones individuales, y cada una de ellas se comparó con el valor de referencia real. La Figura 5.21 ilustra los resultados, destacando la linealidad de las mediciones como un indicador de la precisión lograda por el sistema. Finalmente, la Tabla 5.3 enumera las métricas pertinentes destinadas a la evaluación del rendimiento del sistema, que incluyen la Media de las mediciones, el Error Absoluto Medio (MAE) para cuantificar la diferencia promedio entre las mediciones obtenidas 5.4 Resultados y Discusiones 85 (a) (b) Figura 5.20 Pruebas de prototipos en un entorno industrial real. a) Máquina curvadora de grandes dimensiones. b) Máquina curvadora de dimensiones medias.. 86 Capítulo 5. Medición y análisis predictivo de parámetros geométricos de componentes industriales 1250 1255 1260 1265 1270 1275 1280 Arc length [mm] 1225 1230 1235 1240 1245 1250 1255 010 20 30 40 50 60 70 80 90 100 Chord length [mm] Number of observation Valores calculados Valor real Calculated value True value Figura 5.21 Longitudes de arco y de cuerda de una sección de un cilindro de acero. por el sistema y el valor real del arco o la cuerda medidos manualmente, la Desviación Absoluta Media (MAD) para evaluar cuán consistentes son las mediciones entre sí en torno a la media de las mediciones, y el Rango Estadístico para cuantificar la amplitud de la dispersión de los datos, indicando la diferencia entre los valores más extremos obtenidos por el sistema, o simplemente, Rango. El nivel de precisión alcanzado se considera notable, especialmente al considerar el tamaño del cilindro de acero evaluado y su sección de medición asociada. Tabla 5.3 Métricas de dispersión en la medición de la longitud de cuerda y la longitud de arco. Arco Cuerda Valor real [mm] 1265 1240 Media =1 n∑n i=1yi1264.2833 1241.0018 MAE =1 n∑n i=1|yi−yactual |1.1959 1.6886 MAD =1 n∑n i=1|yi−ymean|0.8776 1.4832 Rango =ymax −ymin 2.1697 4.0193 5.4.3 Radio de curvatura Utilizando el sistema propuesto, se realizaron 100 mediciones consecutivas del radio en cinco estructuras cilíndricas metálicas de gran escala, cada una con diferentes valores de radio. Se realizó una corrección por la deformación natural causada por el peso y 5.4 Resultados y Discusiones 87 la gravedad utilizando equipos especializados. Simultáneamente, se llevó a cabo una verificación manual del valor del radio, utilizando una plantilla física como referencia, con el apoyo de operadores expertos. Cabe señalar que esta medición manual se establece como un valor de referencia debido a la no existencia de un método alternativo. Sin embargo, esta medición se considera confiable, respaldada por la experiencia del operador y la calidad de la plantilla metálica utilizada. Alrededor de este valor de referencia, se calcularán las métricas de dispersión bajo condiciones estáticas, lo que nos permitirá validar la capacidad del sistema para medir con precisión el radio de una sección de circunferencia. Al conocer el valor real, también se valida la precisión del sistema en comparación con esta referencia. Las métricas empleadas para evaluar los resultados del radio de curvatura son análogas a las utilizadas previamente para analizar la longitud de la cuerda y el arco. En este escenario, se realizaron análisis individuales para cada cilindro medido. Desde un punto de vista visual, se observa una similitud sustancial en los comportamientos, reflejando valores notablemente precisos en relación con las amplias dimensiones de las estructuras. Teniendo en cuenta las tolerancias típicamente establecidas en la fabricación de tales estructuras, generalmente inferiores a 5 mm, los resultados son muy prometedores. La Figura 5.22 compila y presenta la información pertinente relacionada con estas mediciones para 5 ejemplos de casquillos de diferentes radios. La Tabla 5.4 enumera las métricas relevantes destinadas a evaluar la capacidad del sistema para realizar mediciones del radio de curvatura en tiempo real. Es notable que estas mediciones se realizaron de manera consecutiva en una estructura estática, es decir, sin involucrarse en el proceso de doblado dinámico. Tabla 5.4 Métricas de dispersión en la medición del radio de curvatura. a b c d e Actual [mm] 1939 1667 1825 1835 1847 Mean =1 n∑n i=1Ri1938.40 1666.71 1823.77 1835.07 1846.85 MAE =1 n∑n i=1|Ri−Ractual |1.60 0.56 1.37 0.65 0.60 MAD =1 n∑n i=1|Ri−RMean|1.52 0.48 0.82 0.62 0.59 MSE =1 n∑n i=1(Ri−Ractual )23.35 0.42 2.56 0.74 0.68 RMSE =√MSE 1.83 0.65 1.60 0.86 0.82 σ σ σ2 2 2=1 n∑n i=1(Ri−RMean)22.99 0.34 1.06 0.73 0.66 σ σ σ=√σ21.73 0.58 1.03 0.85 0.81 Range =Rmax −Rmin 8.19 2.51 5.96 4.51 4.59 Dado que el valor del radio de curvatura es la variable principal, se han incorporado métricas de evaluación adicionales, a saber: Error Cuadrático Medio (MSE), Raíz del Error Cuadrático Medio (RMSE), Varianza ( σ2 ) y Desviación Estándar ( σ ). Estas métricas proporcionan una evaluación más detallada de la dispersión y precisión de los datos en 94 Capítulo 5. Medición y análisis predictivo de parámetros geométricos de componentes industriales Figura 5.26 Curvas de aprendizaje del modelo LSTM.. reduciendo así el riesgo de sobreajuste. Por lo tanto, intentamos realizar pruebas con mandriles de distintos tamaños, a pesar de las dificultades relacionadas con los costes y la posible interrupción de la producción normal de la fábrica. Los datos se han dividido en un 70% para el conjunto de entrenamiento, un 20% para el conjunto de prueba y un 10% para el conjunto de validación. Se utilizaron ocho épocas para entrenar todos los modelos. Tras revisar las curvas de aprendizaje, se determinó que este número de épocas era adecuado, ya que no se observó ninguna mejora significativa en el rendimiento del modelo al aumentar el número de épocas de entrenamiento más allá de este punto. A continuación se detallan los principales parámetros estructurales: - Capas: Las arquitecturas de los modelos presentan una estructura consistente, formada por una capa de entrada, tres capas LSTM y una capa densa para la salida. - Número de unidades en cada capa: El número de unidades específicas en cada capa se detalla en la Figura 5.25. - Dimensionalidad de entrada: La dimensionalidad de entrada corresponde al número de características que entran en la capa de entrada. Por ejemplo, corresponden a 50, 80 y 120 para las arquitecturas 1, 2 y 3 respectivamente, como se muestra en la Figura 5.25. - Dimensionalidad de salida: Para un horizonte de previsión de 5 segundos, se requieren 10 unidades de salida. Los parámetros de entrenamiento son los siguientes: - Learning Rate: 0.001 - Number of Epochs: 8 5.4 Resultados y Discusiones 95 - Loss Function: Mean Squared Error - Optimizer: Root Mean Square Propagation (RMSprop) - Activation Function: Linear Activation Function La representación gráfica de las predicciones realizadas por el mejor modelo LSTM en el conjunto de prueba se presenta en la Figura 23. Es evidente que las predicciones exhiben una menor precisión en comparación con los modelos ARIMA. Se puede observar fácilmente que las predicciones no alcanzan la precisión de los modelos ARIMA. 1500 2000 2500 3000 0200 400 600 800 1000 1200 1400 1600 1800 Test dataset sampled at 2Hz. Forecast [mm] Actual [mm] Figura 5.27 Radio de curvatura pronosticado por el modelo LSTM. La menor precisión puede atribuirse al hecho de que las LSTM, al ser modelos de aprendizaje profundo, a menudo requieren grandes cantidades de datos para aprender patrones complejos y realizar predicciones precisas. Con datos históricos limitados, el modelo puede tener dificultades para captar la variabilidad y la complejidad de los patrones en los datos, y la naturaleza de nuestros datos resalta este desafío. Finalmente, las métricas de evaluación para los modelos LSTM, que son las mismas que las utilizadas para ARIMA, se presentan en la Tabla 5.6. Tabla 5.6 Evaluation metrics quantifying the accuracy of the top three LSTM models.. Model 1 Model 2 Model 3 MAE =1 n∑n i=1|Ractual −Rf orecast |50.73 53.30 71.21 MSE =1 n∑n i=1(Ractual −Rf orecast )27460.14 6600.02 8583.19 RMSE =√MSE 86.37 81.24 92.64 MAPE =1 n∑n i=1|Ractual −Rf orecast | Ractual ·100 % 2.51 2.68 3.62 96 Capítulo 5. Medición y análisis predictivo de parámetros geométricos de componentes industriales Comparación cualitativa ARIMA frente a LSTM Claramente, las métricas de evaluación confirman la menor precisión de los modelos LSTM en comparación con los modelos ARIMA. Esto nos permite entender que las redes LSTM y los modelos ARIMA tienen aplicaciones óptimas en contextos diferentes debido a sus características intrínsecas. Las LSTM son especialmente eficaces cuando existen dependencias a largo plazo en los datos de series temporales. Con pocos datos históricos y tendencias irregulares, estas dependencias pueden no ser evidentes o significativas. Las LSTM son arquitecturas complejas que pueden resultar innecesarias para conjuntos de datos más pequeños. Un modelo más sencillo, como ARIMA, puede funcionar mejor con menos datos y en escenarios en tiempo real. Despliegue de la aplicación informática Finalmente, se ha desarrollado una aplicación de software con una interfaz intuitiva y fácil de usar, diseñada para que incluso un operador con poca experiencia pueda utilizarla sin dificultad. Esta herramienta proporciona una interfaz de usuario que ofrece información en tiempo real y registra datos necesarios para futuras mejoras. El objetivo es mejorar la capacidad predictiva de los modelos una vez que los operadores hayan comenzado a utilizar la herramienta y el proceso de doblado haya sufrido ciertas modificaciones debido a la facilidad de acceso a la información que proporciona. La Figura 5.28 muestra una versión beta de esta aplicación. Figura 5.28 Interfaz de usuario de la aplicación beta (captura de pantalla). 5.4 Resultados y Discusiones 97 La aplicación de software se implementó en una tableta industrial robusta, diseñada específicamente para resistir las condiciones adversas del entorno de fabricación. Como se ilustra en la Figura 5.29, esta tableta se ubicó estratégicamente junto al panel de control de la máquina operada por el técnico responsable del doblado de chapa metálica. La elección de una tableta industrial garantiza durabilidad y fiabilidad en un entorno con altos niveles de polvo, vibraciones y posibles impactos. La tableta se comunica de forma inalámbrica con el sensor LiDAR a través de un enrutador industrial, facilitando una conexión estable y continua. Esta comunicación permite que la tableta procese en tiempo real la información capturada por el sensor y ejecute las funciones básicas de control del sensor. Además, la interfaz de usuario de la aplicación está diseñada para ser intuitiva, permitiendo al operador interactuar fácilmente con el sistema, ajustar parámetros y monitorear el estado del proceso de doblado. Figura 5.29 Aplicación instalada e iniciada en una tableta industrial.. Además, la tableta industrial no solo controla y monitorea las funciones del sensor LiDAR en tiempo real, sino que también almacena de manera continua todos los datos generados durante el proceso de doblado. Esta capacidad de almacenamiento integral permite una recopilación exhaustiva de datos operativos, que pueden utilizarse para un análisis más detallado. Los datos almacenados incluyen parámetros críticos del proceso, como la geometría del doblado, los tiempos de procesamiento y el rendimiento del proceso de doblado, verificando errores de sobre-doblado y registrándolos. Este almacenamiento 98 Capítulo 5. Medición y análisis predictivo de parámetros geométricos de componentes industriales es fundamental para el análisis histórico y la identificación de patrones y tendencias en el proceso de doblado. Más importante aún, los datos recopilados servirán como base para la mejora continua de los algoritmos predictivos utilizados. Al emplear técnicas avanzadas de análisis de datos y aprendizaje automático, es posible refinar y optimizar estos algoritmos, mejorando la precisión de las predicciones. 5.4.5 Análisis Comparativo frente al Estado del Arte Para evaluar el rendimiento del sistema propuesto, la Tabla 5.7 presenta una comparación con investigaciones recientes centradas en la estimación precisa de parámetros geométricos de grandes componentes industriales. Esta tabla contrasta nuestra propuesta con otros sistemas que persiguen objetivos análogos, pero que emplean diferentes principios de operación, abarcando así diversas tecnologías de sensores y técnicas de medición, incluyendo metodologías de contacto, sensores de distancia láser, técnicas de visión multi-estéreo y un dispositivo comercial. Cada estudio seleccionado se considera una referencia destacada en términos de precisión, de acuerdo con la tecnología aplicada en cada caso. No todos los estudios informan resultados para ciertas métricas de distribución que se calculan en el presente trabajo. Sin embargo, se han obtenido métricas suficientes en este estudio para permitir comparaciones, al menos en una métrica, con los trabajos analizados. Tabla 5.7 Tabla comparativa entre el sistema propuesto y sistemas similares, incluyendo uno comercial. [229] [230] [246] [284] This work Sensor Probe Stylus Laser distance 3 cameras Profilometer LiDAR 2D Dimensiones [mm] 234.5 582 26000 1060 3500 MAE máx;min [mm] - - 51.43; 6.80 (3D) - 1.60; 0.56 σ σ σmáx;min [mm] 0.0013; 0.0011 0.01; 0.002 - 0.01 1.73; 0.58 RMSE 0.602; 0.004 - - - 1.83; 0.65 Dinámico/Estático Estático Estático Estático Dinámico Dinámico Tiempo real No No No Sí Sí Predicción No No No No Sí Curvo/Plano(F)/Puntual C/P C F/P P C/F/P Software dedicado No No No Sí Sí En comparación con el estudio presentado en [229], los autores logran una mayor precisión en relación con nuestro trabajo, según las métricas de distribución que informan (desviación estándar y RMSE). Sin embargo, su sistema tiene un rango de medición limitado a 234 milímetros, lo que resulta insuficiente para ciertas aplicaciones. Además, el aspecto más relevante es que se trata de una técnica de medición de contacto, utilizando un estilete de sonda para reconstruir el perfil con alta precisión. Esta metodología no es viable en escenarios con aplicaciones dinámicas. El estudio [230] presenta una técnica de medición sin contacto utilizando un sensor de desplazamiento láser, con el cual se capturan tres puntos para reconstruir una circunferencia 5.5 Conclusiones 99 de ajuste óptimo y calcular el radio. Aunque su precisión supera la obtenida por nuestra propuesta, el alcance de su sistema está restringido a estructuras cilíndricas con diámetros alrededor de 582 milímetros. En [246], los autores proponen un sistema de visión multispectral basado en tres cámaras para la reconstrucción tridimensional. En términos de rango dimensional, este sistema es capaz de reconstruir estructuras grandes, de hasta 26 metros. Sin embargo, su aplicación está limitada a entornos controlados y estáticos, y no incluye la medición de perfiles curvados. Además, el error reportado corresponde a cada punto de reconstrucción 3D, con un valor que puede alcanzar los 51.43 milímetros, lo que excede significativamente las tolerancias aceptables en la fabricación de ciertas estructuras. Finalmente, se ha considerado un sistema comercial diseñado para la reconstrucción de perfiles para la comparación [284]. Este dispositivo tiene un rango de 1060 milímetros en longitud de perfil, que es inferior al de nuestra propuesta, aunque su precisión es considerablemente mayor, según la desviación estándar reportada por el fabricante. Al igual que nuestro sistema, este dispositivo permite mediciones dinámicas y en tiempo real, y cuenta con software especializado para visualización y adquisición de datos, una función que también proporciona el software desarrollado en nuestra propuesta. Un aspecto importante a destacar es el alto costo del sistema comercial, justificado en parte por su alto rendimiento. Sin embargo, su limitación en términos de las dimensiones de los perfiles que puede medir lo restringe para ciertas aplicaciones, dificultando la justificación de su alto costo. Además, la desviación estándar reportada corresponde a cada punto del perfil, lo que podría aumentar el error o la variabilidad en mediciones más complejas, como el radio de curvatura. Ninguno de los trabajos revisados reporta el uso de predicciones en las mediciones. En nuestro caso, las predicciones son posibles gracias a la capacidad del sistema para realizar mediciones dinámicas, lo que permite anticipar desviaciones y corregir errores durante el proceso de fabricación. Esta funcionalidad es un valor añadido significativo de nuestro sistema, ya que aborda proactivamente desafíos críticos en la fabricación de grandes estructuras. La tabla de comparación destaca que el sistema propuesto supera a los enfoques revisados en varios aspectos clave. En particular, se distingue por su capacidad para realizar mediciones dinámicas en tiempo real y su capacidad para predecir mediciones, una funcionalidad ausente en los otros trabajos. Si bien algunos sistemas ofrecen mayor precisión en entornos controlados, estáticos o con rangos limitados, el sistema propuesto equilibra la precisión y el rango dimensional, y abarca tanto superficies planas como curvas. Además, incorpora un software dedicado para la visualización y adquisición de datos, lo que lo convierte en una solución integral y más versátil. 5.5 Conclusiones Los componentes metálicos industriales grandes carecen de tecnologías adecuadas para mediciones en línea sin contacto que cumplan con las estrictas tolerancias requeridas. Investigaciones recientes centradas en la extracción de parámetros geométricos de grandes componentes han logrado alta precisión. Sin embargo, las condiciones de operación bajo 100 Capítulo 5. Medición y análisis predictivo de parámetros geométricos de componentes industriales las cuales estos sistemas son efectivos no satisfacen los requisitos aún más exigentes de ciertos sectores de la industria de fabricación de grandes componentes, donde se demandan tolerancias más estrictas y una mayor robustez frente a variaciones en el entorno industrial, especialmente dado que el objetivo principal es la medición en tiempo real y durante el proceso de fabricación (mediciones en línea). El sistema propuesto ofrece un balance superior de rango dimensional, precisión y capacidad de medición dinámica en tiempo real en comparación con otras soluciones, incluidas las comerciales. A diferencia de otros trabajos, nuestro sistema introduce la capacidad predictiva, que es una ventaja clave para aplicaciones en la fabricación de estructuras grandes y complejas. En la fabricación de torres eólicas, especialmente durante el doblado de las ferrules, es crucial mantener un estricto control del proceso para lograr la precisión dimensional de las ferrules, con una desviación máxima del diámetro de 5 milímetros, lo que equivale a una tolerancia de 2.5 milímetros en el radio. El trabajo propuesto en este manuscrito aborda este problema mediante un sistema de adquisición de datos basado en el uso de un sensor LiDAR 2D, y sus resultados confirman que el sistema no solo cumple con los estrictos estándares de la industria, sino que también es capaz de mantener una alta fiabilidad en condiciones de operación reales, lo cual es esencial para aplicaciones en la fabricación de estructuras a gran escala como las torres eólicas. Aunque los sensores LiDAR son precisos, generalmente no se utilizan como instrumentos de medición de alta precisión para parámetros geométricos. Por lo tanto, la etapa de pre-procesamiento y tratamiento de datos fue crucial para lograr el objetivo. Se estudiaron y mitigaron a fondo los valores atípicos, comunes en este tipo de sensores por diversas razones, así como el ruido intrínseco del sensor y el generado por el entorno y la superficie metálica. Posteriormente, se estudiaron e implementaron técnicas geométricas y numéricas para la estimación de los parámetros geométricos. Dada la naturaleza de los datos obtenidos del sensor LiDAR, hemos elegido la técnica de ajuste por mínimos cuadrados. Esta elección se basa en la capacidad de esta técnica para aprovechar la información de cada dato en la nube de puntos proporcionada por el sensor. La aplicación de esta técnica ha permitido una estimación precisa del radio de curvatura de la sección observada. Adicionalmente, en este trabajo, se utilizaron modelos de aprendizaje automático ARIMA y LSTM para predecir los radios de curvatura. A pesar de implementar diversas estrategias para mitigar el sobreajuste, incluyendo la simplificación de ambos modelos, se observó que ARIMA supera significativamente a las redes LSTM. Esta superioridad se atribuye a la insuficiencia de datos para entrenar efectivamente un modelo LSTM. Sin embargo, la naturaleza de los datos favorece el rendimiento del modelo ARIMA, que puede generalizar con mayor precisión utilizando una cantidad limitada de datos históricos recientes, sin depender en gran medida de datos muy antiguos. Cabe destacar que ambos algoritmos fueron configurados con un horizonte temporal de 5 segundos. Durante la validación en un entorno industrial, se demostró que estas predicciones permitieron a los operadores ajustar y corregir el control de la máquina de doblado en tiempo real. Esto resultó en la prevención de errores de sobredoblado, que son comunes cuando las mediciones se realizan manualmente y en puntos específicos del proceso. Así, 5.5 Conclusiones 101 esta propuesta ofreció una solución valiosa para el proceso de fabricación de grandes estructuras metálicas, asegurando el cumplimiento de tolerancias estrictas. Finalmente, en situaciones con datos históricos limitados y la necesidad de pronósticos en tiempo real, a menudo se prefieren modelos más simples que son menos susceptibles al sobreajuste, como los métodos estadísticos tradicionales, por ejemplo, ARIMA. Dado este desafío, se propone el uso de "Modelos Ensembladores", que combinan múltiples modelos de pronóstico temporal para mejorar la precisión y robustez de las predicciones, para trabajos futuros. Estos modelos individuales pueden ser de diferentes tipos, como redes neuronales recurrentes (RNN), LSTM, GRU y ARIMA, entre otros. La idea principal será aprovechar las fortalezas de cada modelo base mientras se compensan sus debilidades. Apéndice A Contribuciones científicas En el Apéndice A se presenta una recopilación de las contribuciones científicas realizadas durante el desarrollo de esta tesis doctoral. Esta lista incluye publicaciones en revistas y presentaciones en congresos de relevancia en el ámbito de la ingeniería y la tecnología. Además de los trabajos directamente relacionados con el contenido principal de esta investigación, se incluyen contribuciones derivadas de colaboraciones paralelas en otros proyectos e investigaciones dentro del dominio e interés del doctorando. Estas colaboraciones han permitido ampliar el alcance y el impacto de la investigación, abordando problemáticas del área de la electrónica. La inclusión de estas contribuciones en el apéndice tiene como objetivo proporcionar una visión comprensiva del esfuerzo científico llevado a cabo durante el doctorado, destacando la producción académica y su relevancia de la aplicación en la industria. A.1 Revistas A.1.1 Aceptadas Publicaciones Relacionadas con la Investigación Principal de la Tesis [1] C. Rocha-Jácome, R. G. Carvajal, F. M. Chavero, E. Guevara-Cabezas, and E. Hidalgo Fort, “Industry 4.0: A Proposal of Paradigm Organization Schemes from a Systematic Literature Review,” Sensors, vol. 22, no. 1, 2022, doi: 10.3390/s22010066. [2] C. Rocha-Jácome, M. Hinojo-Montero, K. Guerrero-Morejón, F. Muñoz-Chavero, and R. González-Carvajal, “High-Precision Non-Contact Online Measurement and Predictive Analysis of Geometric Parameters in Large Industrial Components,” Measurement. Publicaciones Derivadas de Aportes y Colaboraciones Externas [1] E. A. Guevara-Cabezas, C. J. Rocha-Jácome, J. L. Tinajero-León, and M. A. PachecoCunduri, “Reliability assessment in SiC and GaN power MOSFETs based emerging Wide Bandgap semiconductors technology from a systematic literature review,” Dominio de las Ciencias, vol. 8, no. 1, pp. 1134–1153, 2022. 103 Índice de Códigos 111 Bibliografía [1] “World digital competitiveness ranking 2023 - imd business school for management and leadership courses.” [Online]. Available: https://www.imd.org/centers/wcc/ world-competitiveness-center/rankings/world-digital-competitiveness-ranking/ [2] S. Narula, H. Puppala, A. Kumar, G. F. Frederico, M. Dwivedy, S. Prakash, and V. Talwar, “Applicability of industry 4.0 technologies in the adoption of global reporting initiative standards for achieving sustainability,” Journal of Cleaner Production, vol. 305, p. 127141, 2021. [Online]. Available: https://www.sciencedirect.com/science/article/pii/S0959652621013603 [3] T. Barros and J. Muñuzuri, “La industria 4.0: Aplicaciones e implicaciones,” Universidad de Sevilla, pp. 1–52, 2017. [Online]. Available: http://bibing.us.es/proyectos/ abreproy/91146/fichero/La+Industria+4.0+Aplicaciones+e+Implicaciones.pdf [4] C. J. Bartodziej, The concept Industry 4.0. Springer Fachmedien Wiesbaden, 2017, pp. 27–50. [Online]. Available: https://doi.org/10.1007/978-3-658-16502-4_3 [5] M. Hermann, T. Pentek, and B. Otto, “Design principles for industrie 4.0 scenarios,” 2016, pp. 3928–3937. [6] A. Moeuf, R. Pellerin, S. Lamouri, S. Tamayo-Giraldo, and R. Barbaray, “The industrial management of smes in the era of industry 4.0,” International Journal of Production Research, vol. 56, pp. 1118–1136, 2018. [Online]. Available: https://doi.org/10.1080/00207543.2017.1372647 [7] A. Rojko, “Industry 4.0 concept: Background and overview,” International Journal of Interactive Mobile Technologies, vol. 11, pp. 77–90, 2017. [8] L. D. Xu, E. L. Xu, and L. Li, “Industry 4 . 0 : state of the art and future trends,” vol. 7543, 2018. [9] K. Stachová, J. Papula, Z. Stacho, and L. Kohnová, “External partnerships in employee education and development as the key to facing industry 4.0 challenges,” Sustainability (Switzerland), vol. 11, 2019. 113 114 Bibliografía [10] J. Ignacio, P. Osma, F. Leandro, M. Salazar, K. Natalia, and M. Gómez, “Knowledge management and industry 4 . 0 and open innovation,” Revista Ingeniería Solidaria, vol. 16, 2020. [11] J. J. Yun and Z. Liu, “Microand macro-dynamics of open innovation with a quadruple-helix model,” Sustainability, vol. 11, p. 3301, 6 2019. [Online]. Available: https://www.mdpi.com/2071-1050/11/12/3301 [12] C. Vila, D. Ugarte, J. Ríos, and J. V. Abellán, “Project-based collaborative engineering learning to develop industry 4.0 skills within a plm framework,” Procedia Manufacturing, vol. 13, pp. 1269–1276, 2017. [Online]. Available: https://doi.org/10.1016/j.promfg.2017.09.050 [13] M. Ghobakhloo, M. Fathi, M. Iranmanesh, P. Maroufkhani, and M. E. Morales, “Industry 4.0 ten years on: A bibliometric and systematic review of concepts, sustainability value drivers, and success determinants,” Journal of Cleaner Production, vol. 302, 6 2021. [14] L. S. Dalenogare, G. B. Benitez, N. F. Ayala, and A. G. Frank, “The expected contribution of industry 4.0 technologies for industrial performance,” International Journal of Production Economics, vol. 204, pp. 383–394, 2018. [Online]. Available: https://doi.org/10.1016/j.ijpe.2018.08.019 [15] A. G. Frank, L. S. Dalenogare, and N. F. Ayala, “Industry 4.0 technologies: Implementation patterns in manufacturing companies,” International Journal of Production Economics, vol. 210, pp. 15–26, 2019. [Online]. Available: https://doi.org/10.1016/j.ijpe.2019.01.004 [16] “Gri.” [Online]. Available: https://www.gri.com.es/en/who-we-are/ [17] “Offshore wind tower factory to be built in poland | offshore wind.” [Online]. Available: https://www.offshorewind.biz/2023/01/23/offshore-wind-tower-factoryto-be-built-in-poland/ [18] M. Lombardi, F. Pascale, and D. Santaniello, “Internet of things: A general overview between architectures, protocols and applications,” Information (Switzerland), vol. 12, pp. 1–21, 2 2021. [19] L. D. Xu, “Enterprise systems: State-of-the-art and future trends,” IEEE Transactions on Industrial Informatics, vol. 7, no. 4, pp. 630–640, 2011. [20] D. Miorandi, S. Sicari, F. De Pellegrini, and I. Chlamtac, “Internet of things: Vision, applications and research challenges,” Ad Hoc Networks, vol. 10, no. 7, pp. 1497–1516, 2012. [Online]. Available: https://www.sciencedirect.com/science/ article/pii/S1570870512000674 [21] A. H. Ngu, M. Gutierrez, V. Metsis, S. Nepal, and Q. Z. Sheng, “Iot middleware: A survey on issues and enabling technologies,” IEEE Internet of Things Journal, vol. 4, no. 1, pp. 1–20, 2017. Bibliografía 115 [22] B. Bordel, R. Alcarria, D. S. de Rivera, and T. Robles, “Protecting industry 4.0 systems against the malicious effects of cyber-physical attacks,” Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), vol. 10586 LNCS, pp. 161–171, 2017. [23] A. Hahn, A. Ashok, S. Sridhar, and M. Govindarasu, “Cyber-physical security testbeds: Architecture, application, and evaluation for smart grid,” IEEE Transactions on Smart Grid, vol. 4, no. 2, pp. 847–855, 2013. [24] B. Zhu, A. Joseph, and S. Sastry, “A taxonomy of cyber attacks on scada systems,” in 2011 International Conference on Internet of Things and 4th International Conference on Cyber, Physical and Social Computing, 2011, pp. 380–388. [25] Y. Mo, T. H.-J. Kim, K. Brancik, D. Dickinson, H. Lee, A. Perrig, and B. Sinopoli, “Cyber–physical security of a smart grid infrastructure,” Proceedings of the IEEE, vol. 100, no. 1, pp. 195–209, 2012. [26] F. Pasqualetti, F. Dörfler, and F. Bullo, “Cyber-physical attacks in power networks: Models, fundamental limitations and monitor design,” in 2011 50th IEEE Conference on Decision and Control and European Control Conference, 2011, pp. 2195–2201. [27] B. Genge, I. Nai Fovino, C. Siaterlis, and M. Masera, “Analyzing cyber-physical attacks on networked industrial control systems,” in Critical Infrastructure Protection V, J. Butts and S. Shenoi, Eds. Berlin, Heidelberg: Springer Berlin Heidelberg, 2011, pp. 167–183. [28] H. M. H. Uchenna P. Daniel Ani and A. Tiwari, “Review of cybersecurity issues in industrial critical infrastructure: manufacturing in perspective,” Journal of Cyber Security Technology, vol. 1, no. 1, pp. 32–74, 2017. [Online]. Available: https://doi.org/10.1080/23742917.2016.1252211 [29] M. Yampolskiy, P. Horváth, X. D. Koutsoukos, Y. Xue, and J. Sztipanovits, “A language for describing attacks on cyber-physical systems,” International Journal of Critical Infrastructure Protection, vol. 8, pp. 40–52, 2015. [Online]. Available: https://www.sciencedirect.com/science/article/pii/S1874548214000602 [30] A. Oussous, F.-Z. Benjelloun, A. Ait Lahcen, and S. Belfkih, “Big data technologies: A survey,” Journal of King Saud University - Computer and Information Sciences, vol. 30, no. 4, pp. 431–448, 2018. [Online]. Available: https://www.sciencedirect.com/science/article/pii/S1319157817300034 [31] F. A. Coda, R. M. d. Salles, F. Junqueira, D. J. S. Filho, J. R. Silva, and P. E. Miyagi, “Big data systems requirements for industry 4.0,” in 2018 13th IEEE International Conference on Industry Applications (INDUSCON), 2018, pp. 1230–1236. [32] J. Yan, Y. Meng, L. Lu, and L. Li, “Industrial big data in an industry 4.0 environment: Challenges, schemes, and applications for predictive maintenance,” IEEE Access, vol. 5, pp. 23 484–23 491, 2017. 116 Bibliografía [33] C. Philip Chen and C.-Y. Zhang, “Data-intensive applications, challenges, techniques and technologies: A survey on big data,” Information Sciences, vol. 275, pp. 314–347, 2014. [Online]. Available: https://www.sciencedirect.com/science/ article/pii/S0020025514000346 [34] V. Pilloni, “How data will transform industrial processes: Crowdsensing, crowdsourcing and big data as pillars of industry 4.0,” Future Internet, vol. 10, no. 3, 2018. [Online]. Available: https://www.mdpi.com/1999-5903/10/3/24 [35] M. S. Reis and G. Gins, “Industrial process monitoring in the big data/industry 4.0 era: from detection, to diagnosis, to prognosis,” Processes, vol. 5, no. 3, 2017. [Online]. Available: https://www.mdpi.com/2227-9717/5/3/35 [36] Z. Ge, Z. Song, and F. Gao, “Review of recent research on data-based process monitoring,” Industrial & Engineering Chemistry Research, vol. 52, no. 10, pp. 3543–3562, 2013. [Online]. Available: https://doi.org/10.1021/ie302069q [37] F. M. M. Maria Weese, Waldyn Martinez and L. A. Jones-Farmer, “Statistical learning methods applied to process monitoring: An overview and perspective,” Journal of Quality Technology, vol. 48, no. 1, pp. 4–24, 2016. [Online]. Available: https://doi.org/10.1080/00224065.2016.11918148 [38] S. J. Qin, “Survey on data-driven industrial process monitoring and diagnosis,” Annual Reviews in Control, vol. 36, no. 2, pp. 220–234, 2012. [Online]. Available: https://www.sciencedirect.com/science/article/pii/S1367578812000399 [39] L. D. Xu and L. Duan, “Big data for cyber physical systems in industry 4.0: a survey,” Enterprise Information Systems, vol. 13, no. 2, pp. 148–169, 2019. [Online]. Available: https://doi.org/10.1080/17517575.2018.1442934 [40] M. Khan, X. Wu, X. Xu, and W. Dou, “Big data challenges and opportunities in the hype of industry 4.0,” in 2017 IEEE International Conference on Communications (ICC), 2017, pp. 1–6. [41] J. T. Gang Li and S. S. Chaudhry, “Industry 4.0 and big data innovations,” Enterprise Information Systems, vol. 13, no. 2, pp. 145–147, 2019. [Online]. Available: https://doi.org/10.1080/17517575.2018.1554190 [42] F. Tao and M. Zhang, “Digital twin shop-floor: A new shop-floor paradigm towards smart manufacturing,” IEEE Access, vol. 5, pp. 20 418–20 427, 2017. [43] F. Tao, J. Cheng, Q. Qi, M. Zhang, H. Zhang, and F. Sui, “Digital twin-driven product design, manufacturing and service with big data,” International Journal of Advanced Manufacturing Technology, vol. 94, pp. 3563–3576, 2 2018. [44] Q. Qi and F. Tao, “Digital twin and big data towards smart manufacturing and industry 4.0: 360 degree comparison,” IEEE Access, vol. 6, pp. 3585–3593, 2018. Bibliografía 117 [45] A. Botta, W. de Donato, V. Persico, and A. Pescapé, “Integration of cloud computing and internet of things: A survey,” Future Generation Computer Systems, vol. 56, pp. 684–700, 2016. [Online]. Available: https: //www.sciencedirect.com/science/article/pii/S0167739X15003015 [46] G. Aceto, V. Persico, and A. Pescapé, “Industry 4.0 and health: Internet of things, big data, and cloud computing for healthcare 4.0,” Journal of Industrial Information Integration, vol. 18, p. 100129, 2020. [Online]. Available: https://www.sciencedirect.com/science/article/pii/S2452414X19300135 [47] J. Dalzochio, R. Kunst, E. Pignaton, A. Binotto, S. Sanyal, J. Favilla, and J. Barbosa, “Machine learning and reasoning for predictive maintenance in industry 4.0: Current status and challenges,” Computers in Industry, vol. 123, p. 103298, 2020. [Online]. Available: https://www.sciencedirect.com/science/article/pii/S0166361520305327 [48] Z. M. Çınar, A. Abdussalam Nuhu, Q. Zeeshan, O. Korhan, M. Asmael, and B. Safaei, “Machine learning in predictive maintenance towards sustainable smart manufacturing in industry 4.0,” Sustainability, vol. 12, no. 19, 2020. [Online]. Available: https://www.mdpi.com/2071-1050/12/19/8211 [49] P. Ambika, “Chapter thirteen - machine learning and deep learning algorithms on the industrial internet of things (iiot),” in The Digital Twin Paradigm for Smarter Systems and Environments: The Industry Use Cases, ser. Advances in Computers, P. Raj and P. Evangeline, Eds. Elsevier, 2020, vol. 117, no. 1, pp. 321–338. [Online]. Available: https://www.sciencedirect.com/science/article/pii/S0065245819300609 [50] F. Tonelli, M. Demartini, A. Loleo, and C. Testa, “A novel methodology for manufacturing firms value modeling and mapping to improve operational performance in the industry 4.0 era,” Procedia CIRP, vol. 57, pp. 122–127, 2016, factories of the Future in the digital environment - Proceedings of the 49th CIRP Conference on Manufacturing Systems. [Online]. Available: https://www.sciencedirect.com/science/article/pii/S2212827116311751 [51] L. Canetta, A. Barni, and E. Montini, “Development of a digitalization maturity model for the manufacturing sector.” IEEE, 2018. [52] J. Ganzarain and N. Errasti, “Three stage maturity model in sme’s towards industry 4.0,” Journal of Industrial Engineering and Management, vol. 9, pp. 1119–1128, 2016. [53] A. Schumacher, S. Erol, and W. Sihn, “A maturity model for assessing industry 4.0 readiness and maturity of manufacturing enterprises,” Procedia CIRP, vol. 52, pp. 161–166, 2016, the Sixth International Conference on Changeable, Agile, Reconfigurable and Virtual Production (CARV2016). [Online]. Available: https://www.sciencedirect.com/science/article/pii/S2212827116307909 [54] A. Cerezo-Narváez, M. Otero-Mateo, F. Rodríguez-Pecci, and A. Pastor-Fernández, “Digital transformation of requirements in the industry 4.0: Case of naval platforms,” Dyna (Spain), vol. 93, pp. 448–456, 7 2018. 118 Bibliografía [55] A. Schumacher, T. Nemeth, and W. Sihn, “Roadmapping towards industrial digitalization based on an industry 4.0 maturity model for manufacturing enterprises,” Procedia CIRP, vol. 79, pp. 409–414, 2019, 12th CIRP Conference on Intelligent Computation in Manufacturing Engineering, 18-20 July 2018, Gulf of Naples, Italy. [Online]. Available: https://www.sciencedirect.com/science/article/ pii/S2212827119302276 [56] M. Hermann, T. Pentek, and B. Otto, “Design principles for industrie 4.0 scenarios,” 2016, pp. 3928–3937. [57] P. O’Donovan, C. Gallagher, K. Leahy, and D. T. O’Sullivan, “A comparison of fog and cloud computing cyber-physical interfaces for industry 4.0 real-time embedded machine learning engineering applications,” Computers in Industry, vol. 110, pp. 12–35, 2019. [Online]. Available: https://doi.org/10.1016/j.compind.2019.04.016 [58] J. Lee, B. Bagheri, and H. A. Kao, “A cyber-physical systems architecture for industry 4.0-based manufacturing systems,” Manufacturing Letters, vol. 3, pp. 18–23, 2015. [Online]. Available: http://dx.doi.org/10.1016/j.mfglet.2014.12.001 [59] T. M. Fernández-Caramés, P. Fraga-Lamas, M. Suárez-Albela, and M. A. DíazBouza, “A fog computing based cyber-physical system for the automation of piperelated tasks in the industry 4.0 shipyard,” Sensors (Switzerland), vol. 18, 2018. [60] S. Kim and S. Park, “Cps(cyber physical system) based manufacturing system optimization,” Procedia Computer Science, vol. 122, pp. 518–524, 2017. [Online]. Available: https://doi.org/10.1016/j.procs.2017.11.401 [61] P. O’Donovan, C. Gallagher, K. Bruton, and D. T. O’Sullivan, “A fog computing industrial cyber-physical system for embedded low-latency machine learning industry 4.0 applications,” Manufacturing Letters, vol. 15, pp. 139–142, 2018. [Online]. Available: https://doi.org/10.1016/j.mfglet.2018.01.005 [62] F. I. J. Ramirez and J. M. J. Barrionuevo, “Cyber-physical system for quality control of spur gears through artificial vision techniques,” 2019 IEEE 4th Ecuador Technical Chapters Meeting, ETCM 2019, pp. 3–8, 2019. [63] O. J. Ajayi, J. Rafferty, J. Santos, M. Garcia-Constantino, and Z. Cui, “Beca: A blockchain-based edge computing architecture for internet of things systems,” IoT 2021, Vol. 2, Pages 610-632, vol. 2, pp. 610–632, 10 2021. [Online]. Available: https://www.mdpi.com/2624-831X/2/4/31/htmhttps://www.mdpi.com/ 2624-831X/2/4/31 [64] D. Mouromtsev, “Semantic reference model for individualization of information processes in iot heterogeneous environment,” Electronics 2021, Vol. 10, Page 2523, vol. 10, p. 2523, 10 2021. [Online]. Available: https://www.mdpi.com/2079-9292/ 10/20/2523 Bibliografía 119 [65] G. Mecca, M. Santomauro, D. Santoro, and E. Veltri, “Iot helper: A lightweight and extensible framework for fast-prototyping iot architectures,” Applied Sciences 2021, Vol. 11, Page 9670, vol. 11, p. 9670, 10 2021. [Online]. Available: https://www.mdpi.com/2076-3417/11/20/9670 [66] C. M. França, R. S. Couto, and P. B. Velloso, “Missing data imputation in internet of things gateways,” Information 2021, Vol. 12, Page 425, vol. 12, p. 425, 10 2021. [Online]. Available: https://www.mdpi.com/2078-2489/12/10/425 [67] C. Yuan, C.-C. Wang, M.-L. Chang, W.-T. Lin, P.-A. Lin, C.-C. Lee, and Z.-L. Tsui, “Using a flexible iot architecture and sequential ai model to recognize and predict the production activities in the labor-intensive manufacturing site,” Electronics 2021, Vol. 10, Page 2540, vol. 10, p. 2540, 10 2021. [Online]. Available: https://www.mdpi.com/2079-9292/10/20/2540 [68] J. Wytrębowicz, K. Cabaj, and J. Krawiec, “Messaging protocols for iot systems—a pragmatic comparison,” Sensors 2021, Vol. 21, Page 6904, vol. 21, p. 6904, 10 2021. [Online]. Available: https://www.mdpi.com/1424-8220/21/20/6904 [69] M. Goworko and J. Wytrębowicz, “A secure communication system for constrained iot devices—experiences and recommendations,” Sensors 2021, Vol. 21, Page 6906, vol. 21, p. 6906, 10 2021. [Online]. Available: https: //www.mdpi.com/1424-8220/21/20/6906 [70] N. C. Luong, D. T. Hoang, P. Wang, D. Niyato, D. I. Kim, and Z. Han, “Data collection and wireless communication in internet of things (iot) using economic analysis and pricing models: A survey,” IEEE Communications Surveys Tutorials, vol. 18, pp. 2546–2590, 2016. [71] C. A. Medina, M. R. Pérez, and L. C. Trujillo, “Iot paradigm into the smart city vision: A survey,” 2017, pp. 695–704. [72] L. D. Xu, W. He, and S. Li, “Internet of things in industries: A survey,” IEEE Transactions on Industrial Informatics, vol. 10, pp. 2233–2243, 11 2014. [73] S. Jeschke, C. Brecher, T. Meisen, D. Özdemir, and T. Eschert, Industrial Internet of Things and Cyber Manufacturing Systems. Springer International Publishing, 2017, pp. 3–19. [Online]. Available: https://doi.org/10.1007/978-3-319-42559-7_1 [74] Gartner, Leading the IoT - Gartner Insights on How to Lead in a Connected World, 2017. [Online]. Available: https://www.gartner.com/imagesrv/books/iot/iotEbook_ digital.pdf [75] I. Ganchev, Z. Ji, and M. O’Droma, “A generic iot architecture for smart cities,” 2014, pp. 196–199. [76] I. Grønbæk, “Architecture for the internet of things (iot): Api and interconnect,” 2008, pp. 802–807. 126 Bibliografía [139] A. Mijuskovic, A. Chiumento, R. Bemthuis, A. Aldea, and P. Havinga, “Resource management techniques for cloud/fog and edge computing: An evaluation framework and classification,” Sensors 2021, Vol. 21, Page 1832, vol. 21, p. 1832, 3 2021. [Online]. Available: https://www.mdpi.com/1424-8220/21/5/1832/htmhttps: //www.mdpi.com/1424-8220/21/5/1832 [140] S. Hamdan, M. Ayyash, and S. Almajali, “Edge-computing architectures for internet of things applications: A survey,” Sensors 2020, Vol. 20, Page 6441, vol. 20, p. 6441, 11 2020. [Online]. Available: https://www.mdpi.com/1424-8220/ 20/22/6441/htmhttps://www.mdpi.com/1424-8220/20/22/6441 [141] J. Lee, K. Lee, A. Yoo, and C. Moon, “Design and implementation of edge-fog-cloud system through hd map generation from lidar data of autonomous vehicles,” Electronics 2020, Vol. 9, Page 2084, vol. 9, p. 2084, 12 2020. [Online]. Available: https://www.mdpi.com/2079-9292/9/12/2084/htmhttps: //www.mdpi.com/2079-9292/9/12/2084 [142] H. Chegini, R. K. Naha, A. Mahanti, and P. Thulasiraman, “Process automation in an iot–fog–cloud ecosystem: A survey and taxonomy,” IoT 2021, Vol. 2, Pages 92-118, vol. 2, pp. 92–118, 2 2021. [Online]. Available: https://www.mdpi.com/ 2624-831X/2/1/6/htmhttps://www.mdpi.com/2624-831X/2/1/6 [143] J. Choi and S. Ahn, “Optimal service provisioning for the scalable fog/edge computing environment,” Sensors 2021, Vol. 21, Page 1506, vol. 21, p. 1506, 2 2021. [Online]. Available: https://www.mdpi.com/1424-8220/21/4/1506/htmhttps: //www.mdpi.com/1424-8220/21/4/1506 [144] J. Almutairi and M. Aldossary, “Modeling and analyzing offloading strategies of iot applications over edge computing and joint clouds,” Symmetry 2021, Vol. 13, Page 402, vol. 13, p. 402, 3 2021. [Online]. Available: https://www.mdpi.com/ 2073-8994/13/3/402/htmhttps://www.mdpi.com/2073-8994/13/3/402 [145] N. G. M. N. A. G. Initiative, “5g white paper,” A Deliverable by the NGMN Alliance, p. 124, 2015. [Online]. Available: https://www.ngmn.org/uploads/media/ NGMN_5G_White_Paper_V1_0_01.pdf [146] K. Wang, F. R. Yu, and H. Li, “Information-centric virtualized cellular networks with device-to-device communications,” IEEE Transactions on Vehicular Technology, vol. 65, pp. 9319–9329, 11 2016. [147] M. Muller, D. Behnke, P. B. Bok, M. Peuster, S. Schneider, and H. Karl, “5g as key technology for networked factories: Application of vertical-specific network services for enabling flexible smart manufacturing,” IEEE International Conference on Industrial Informatics (INDIN), vol. 2019-July, pp. 1495–1500, 2019. [148] K. Doppler, M. Rinne, C. Wijting, C. B. Ribeiro, and K. Hugl, “Device-to-device communication as an underlay to lte-advanced networks,” IEEE Communications Magazine, vol. 47, pp. 42–49, 2009. Bibliografía 127 [149] I. Rodriguez, R. S. Mogensen, A. Fink, T. Raunholt, S. Markussen, P. H. Christensen, G. Berardinelli, P. Mogensen, C. Schou, and O. Madsen, “An experimental framework for 5g wireless system integration into industry 4.0 applications,” Energies 2021, Vol. 14, Page 4444, vol. 14, p. 4444, 7 2021. [Online]. Available: https://www.mdpi.com/1996-1073/14/15/4444/htmhttps: //www.mdpi.com/1996-1073/14/15/4444 [150] M. M. da Silva and J. Guerreiro, “On the 5g and beyond,” Applied Sciences 2020, Vol. 10, Page 7091, vol. 10, p. 7091, 10 2020. [Online]. Available: https://www.mdpi. com/2076-3417/10/20/7091/htmhttps://www.mdpi.com/2076-3417/10/20/7091 [151] V. Fanibhare, N. I. Sarkar, and A. Al-Anbuky, “A survey of the tactile internet: Design issues and challenges, applications, and future directions,” Electronics 2021, Vol. 10, Page 2171, vol. 10, p. 2171, 9 2021. [Online]. Available: https://www.mdpi. com/2079-9292/10/17/2171/htmhttps://www.mdpi.com/2079-9292/10/17/2171 [152] P. Varga, J. Peto, A. Franko, D. Balla, D. Haja, F. Janky, G. Soos, D. Ficzere, M. Maliosz, and L. Toka, “5g support for industrial iot applications— challenges, solutions, and research gaps,” Sensors 2020, Vol. 20, Page 828, vol. 20, p. 828, 2 2020. [Online]. Available: https://www.mdpi.com/1424-8220/20/3/828/htmhttps: //www.mdpi.com/1424-8220/20/3/828 [153] E. J. Khatib and R. Barco, “Optimization of 5g networks for smart logistics,” Energies 2021, Vol. 14, Page 1758, vol. 14, p. 1758, 3 2021. [Online]. Available: https://www.mdpi.com/1996-1073/14/6/1758/htmhttps://www.mdpi. com/1996-1073/14/6/1758 [154] D. Segura, E. J. Khatib, J. Munilla, and R. Barco, “5g numerologies assessment for urllc in industrial communications,” Sensors 2021, Vol. 21, Page 2489, vol. 21, p. 2489, 4 2021. [Online]. Available: https://www.mdpi.com/1424-8220/21/7/2489/ htmhttps://www.mdpi.com/1424-8220/21/7/2489 [155] M. H. Alkinani, A. A. Almazroi, N. Z. Jhanjhi, and N. A. Khan, “5g and iot based reporting and accident detection (rad) system to deliver first aid box using unmanned aerial vehicle,” Sensors 2021, Vol. 21, Page 6905, vol. 21, p. 6905, 10 2021. [Online]. Available: https://www.mdpi.com/1424-8220/21/20/6905 [156] X. Gu, M. Zhu, and L. Zhuang, “Highly efficient spatial–temporal correlation basis for 5g iot networks,” Sensors 2021, Vol. 21, Page 6899, vol. 21, p. 6899, 10 2021. [Online]. Available: https://www.mdpi.com/1424-8220/21/20/6899 [157] A. Kropp, R. S. Schmoll, G. T. Nguyen, and F. H. Fitzek, “Demonstration of a 5g multi-access edge cloud enabled smart sorting machine for industry 4.0,” 2019 16th IEEE Annual Consumer Communications and Networking Conference, CCNC 2019, pp. 2019–2020, 2019. [158] Y. Shi, Q. Han, W. Shen, and H. Zhang, “Potential applications of 5g communication technologies in collaborative intelligent manufacturing,” IET Collaborative Intelligent Manufacturing, vol. 1, pp. 109–116, 2019. 128 Bibliografía [159] “Data clustering algorithms - k-means clustering algorithm.” [Online]. Available: https://sites.google.com/site/dataclusteringalgorithms/k-means-clusteringalgorithm [160] S. Deng, H. Zhao, W. Fang, J. Yin, S. Dustdar, and A. Y. Zomaya, “Edge intelligence: The confluence of edge computing and artificial intelligence,” IEEE Internet of Things Journal, vol. 7, pp. 7457–7469, 8 2020. [161] R. Singh, R. Sharma, S. V. Akram, A. Gehlot, D. Buddhi, P. K. Malik, and R. Arya, “Highway 4.0: Digitalization of highways for vulnerable road safety development with intelligent iot sensors and machine learning,” Safety Science, vol. 143, p. 105407, 11 2021. [162] M. Parto, C. Saldana, and T. Kurfess, “A novel three-layer iot architecture for shared, private, scalable, and real-time machine learning from ubiquitous cyber-physical systems,” Procedia Manufacturing, vol. 48, pp. 959–967, 1 2020. [163] J. Lee, H. Davari, J. Singh, and V. Pandhare, “Industrial artificial intelligence for industry 4.0-based manufacturing systems,” Manufacturing Letters, vol. 18, pp. 20–23, 10 2018. [164] S. Ayvaz and K. Alpay, “Predictive maintenance system for production lines in manufacturing: A machine learning approach using iot data in real-time,” Expert Systems with Applications, vol. 173, p. 114598, 7 2021. [165] F. Ansari, S. Erol, and W. Sihn, “Rethinking human-machine learning in industry 4.0: How does the paradigm shift treat the role of human learning?” Procedia Manufacturing, vol. 23, pp. 117–122, 2018. [166] A. Kanawaday and A. Sane, “Machine learning for predictive maintenance of industrial machines using iot sensor data,” Proceedings of the IEEE International Conference on Software Engineering and Service Sciences, ICSESS, vol. 2017November, pp. 87–90, 4 2018. [167] M. Mohammadi, A. Al-Fuqaha, S. Sorour, and M. Guizani, “Deep learning for iot big data and streaming analytics: A survey,” IEEE Communications Surveys and Tutorials, vol. 20, pp. 2923–2960, 10 2018. [168] B. Brik, B. Bettayeb, M. Sahnoun, and F. Duval, “Towards predicting system disruption in industry 4.0: Machine learning-based approach,” Procedia Computer Science, vol. 151, pp. 667–674, 1 2019. [169] S. Fahle, C. Prinz, and B. Kuhlenkötter, “Systematic review on machine learning (ml) methods for manufacturing processes - identifying artificial intelligence (ai) methods for field application,” Procedia CIRP, vol. 93, pp. 413–418, 2020. [170] G. Singer and Y. Cohen, “A framework for smart control using machine-learning modeling for processes with closed-loop control in industry 4.0,” Engineering Applications of Artificial Intelligence, vol. 102, p. 104236, 6 2021. Bibliografía 129 [171] F. Luna-Perejón, J. M. Montes-Sánchez, L. Durán-López, A. Vazquez-Baeza, I. Beasley-Bohórquez, and J. L. Sevillano-Ramos, “Iot device for sitting posture classification using artificial neural networks,” Electronics 2021, Vol. 10, Page 1825, vol. 10, p. 1825, 7 2021. [Online]. Available: https://www.mdpi.com/20799292/10/15/1825/htmhttps://www.mdpi.com/2079-9292/10/15/1825 [172] K. I. Ahmed, M. Tahir, M. H. Habaebi, S. L. Lau, and A. Ahad, “Machine learning for authentication and authorization in iot: Taxonomy, challenges and future research direction,” Sensors 2021, Vol. 21, Page 5122, vol. 21, p. 5122, 7 2021. [Online]. Available: https://www.mdpi.com/1424-8220/21/15/5122/htmhttps: //www.mdpi.com/1424-8220/21/15/5122 [173] D. Nagar, S. Raghav, A. Bhardwaj, R. Kumar, P. L. Singh, and R. Sindhwani, “Machine learning: Best way to sustain the supply chain in the era of industry 4.0,” Materials Today: Proceedings, vol. 47, pp. 3676–3682, 1 2021. [174] C. Resende, D. Folgado, J. Oliveira, B. Franco, W. Moreira, A. Oliveira-Jr, A. Cavaleiro, and R. Carvalho, “Tip4.0: Industrial internet of things platform for predictive maintenance,” Sensors 2021, Vol. 21, Page 4676, vol. 21, p. 4676, 7 2021. [Online]. Available: https://www.mdpi.com/1424-8220/21/14/4676/htmhttps: //www.mdpi.com/1424-8220/21/14/4676 [175] M. Calabrese, M. Cimmino, F. Fiume, M. Manfrin, L. Romeo, S. Ceccacci, M. Paolanti, G. Toscano, G. Ciandrini, A. Carrotta, M. Mengoni, E. Frontoni, and D. Kapetis, “Sophia: An event-based iot and machine learning architecture for predictive maintenance in industry 4.0,” Information 2020, Vol. 11, Page 202, vol. 11, p. 202, 4 2020. [Online]. Available: https://www.mdpi.com/2078-2489/11/ 4/202/htmhttps://www.mdpi.com/2078-2489/11/4/202 [176] I. Vaccari, G. Chiola, M. Aiello, M. Mongelli, and E. Cambiaso, “Mqttset, a new dataset for machine learning techniques on mqtt,” Sensors 2020, Vol. 20, Page 6578, vol. 20, p. 6578, 11 2020. [Online]. Available: https://www.mdpi.com/14248220/20/22/6578/htmhttps://www.mdpi.com/1424-8220/20/22/6578 [177] P. Moens, V. Bracke, C. Soete, S. V. Hautte, D. N. Avendano, T. Ooijevaar, S. Devos, B. Volckaert, and S. V. Hoecke, “Scalable fleet monitoring and visualization for smart machine maintenance and industrial iot applications,” Sensors 2020, Vol. 20, Page 4308, vol. 20, p. 4308, 8 2020. [Online]. Available: https://www.mdpi.com/ 1424-8220/20/15/4308/htmhttps://www.mdpi.com/1424-8220/20/15/4308 [178] M. Merenda, C. Porcaro, and D. Iero, “Edge machine learning for ai-enabled iot devices: A review,” Sensors 2020, Vol. 20, Page 2533, vol. 20, p. 2533, 4 2020. [Online]. Available: https://www.mdpi.com/1424-8220/20/9/2533/htmhttps: //www.mdpi.com/1424-8220/20/9/2533 [179] O. L. Ochoa, “Modelos de madurez digital: ¿en qué consisten y qué podemos aprender de ellos?” Boletín de Estudios Económicos, vol. 71, pp. 573–590, 2016. [Online]. Available: https://www.researchgate.net/publication/313798566 130 Bibliografía [180] S. G. de Industria y de la Pequeña y Mediana Empresa, “Hada - herramienta de autodiagnóstico avanzado para la evaluación de la madurez digital. manual usuario,” p. 22, 2017. [Online]. Available: https://hada.industriaconectada40.gob.es/data/ manual/Manual_usuario_HADA.pdf [181] M. V. Jacquez and V. G. López, “Modelos de evaluación de la madurez y preparación hacia la industria 4.0: una revisión de literatura,” Ingeniería Industrial. Actualidad y Nuevas Tendencias, vol. 11, pp. 61–78, 2018. [Online]. Available: https://www.redalyc.org/jatsRepo/2150/215057003004/215057003004.pdf [182] C. Leyh, K. Bley, T. Schaffer, and S. Forstenhausler, “Simmi 4.0-a maturity model for classifying the enterprise-wide it and software landscape focusing on industry 4.0,” Proceedings of the 2016 Federated Conference on Computer Science and Information Systems, FedCSIS 2016, vol. 8, pp. 1297–1302, 2016. [183] M. O. MATEO, A. C. NARVAEZ, A. P. FERNANDEZ, and F. R. PECCI, “Transformación digital de requisitos en la industria 4.0: Caso de plataformas navales,” Dyna Ingenieria E Industria, vol. 93, pp. 448–456, 2018. [184] J. J. Roldán, E. Crespo, A. Martín-Barrio, E. Peña-Tapia, and A. Barrientos, “A training system for industry 4.0 operators in complex assemblies based on virtual reality and process mining,” Robotics and Computer-Integrated Manufacturing, vol. 59, pp. 305–316, 10 2019. [185] V. Liagkou, D. Salmas, and C. Stylios, “Realizing virtual reality learning environment for industry 4.0,” Procedia CIRP, vol. 79, pp. 712–717, 1 2019. [186] L. Damiani, M. Demartini, G. Guizzi, R. Revetria, and F. Tonelli, “Augmented and virtual reality applications in industrial systems: A qualitative review towards the industry 4.0 era,” IFAC-PapersOnLine, vol. 51, pp. 624–630, 1 2018. [187] D. Mourtzis, V. Zogopoulos, and E. Vlachou, “Augmented reality application to support remote maintenance as a service in the robotics industry,” Procedia CIRP, vol. 63, pp. 46–51, 2017. [188] A. Syberfeldt, O. Danielsson, and P. Gustavsson, “Augmented reality smart glasses in the smart factory: Product evaluation guidelines and review of available products,” IEEE Access, vol. 5, pp. 9118–9130, 2017. [189] A. C. Firu, A. I. Tapîrdea, A. I. Feier, and G. Draghici, “Virtual reality in the automotive field in industry 4.0,” Materials Today: Proceedings, vol. 45, pp. 4177– 4182, 1 2021. [190] A. Ceruti, P. Marzocca, A. Liverani, and C. Bil, “Maintenance in aeronautics in an industry 4.0 context: The role of augmented reality and additive manufacturing,” Journal of Computational Design and Engineering, vol. 6, pp. 516–526, 10 2019. [191] J. Wolfartsberger, J. Zenisek, and C. Sievi, “Chances and limitations of a virtual reality-supported tool for decision making in industrial engineering,” IFACPapersOnLine, vol. 51, pp. 637–642, 1 2018. Bibliografía 131 [192] F. Lamberti and F. Pescador, “Advanced interaction and virtualaugmented realitypart ii: A look at novel applications,” IEEE Consumer Electronics Magazine, vol. 7, pp. 62–63, 5 2018. [193] E. Marino, L. Barbieri, B. Colacino, A. K. Fleri, and F. Bruno, “An augmented reality inspection tool to support workers in industry 4.0 environments,” Computers in Industry, vol. 127, p. 103412, 5 2021. [194] M. Gattullo, G. W. Scurati, M. Fiorentino, A. E. Uva, F. Ferrise, and M. Bordegoni, “Towards augmented reality manuals for industry 4.0: A methodology,” Robotics and Computer-Integrated Manufacturing, vol. 56, pp. 276–286, 4 2019. [195] A. Paszkiewicz, M. Salach, P. Dymora, M. Bolanowski, G. Budzik, and P. Kubiak, “Methodology of implementing virtual reality in education for industry 4.0,” Sustainability 2021, Vol. 13, Page 5049, vol. 13, p. 5049, 4 2021. [Online]. Available: https://www.mdpi.com/2071-1050/13/9/5049/htmhttps: //www.mdpi.com/2071-1050/13/9/5049 [196] M. Hu, X. Luo, J. Chen, Y. C. Lee, Y. Zhou, and D. Wu, “Virtual reality: A survey of enabling technologies and its applications in iot,” Journal of Network and Computer Applications, vol. 178, p. 102970, 3 2021. [197] T. Masood and J. Egger, “Augmented reality in support of industry 4.0—implementation challenges and success factors,” Robotics and Computer-Integrated Manufacturing, vol. 58, pp. 181–195, 8 2019. [198] B. Salah, M. H. Abidi, S. H. Mian, M. Krid, H. Alkhalefah, and A. Abdo, “Virtual reality-based engineering education to enhance manufacturing sustainability in industry 4.0,” Sustainability 2019, Vol. 11, Page 1477, vol. 11, p. 1477, 3 2019. [Online]. Available: https://www.mdpi.com/2071-1050/11/5/1477/htmhttps: //www.mdpi.com/2071-1050/11/5/1477 [199] C. S. Lanyi and J. D. A. Withers, “Striving for a safer and more ergonomic workplace: Acceptability and human factors related to the adoption of ar/vr glasses in industry 4.0,” Smart Cities 2020, Vol. 3, Pages 289-307, vol. 3, pp. 289–307, 5 2020. [Online]. Available: https://www.mdpi.com/2624-6511/3/2/16/htmhttps: //www.mdpi.com/2624-6511/3/2/16 [200] A. Vidal-Balea, O. Blanco-Novoa, P. Fraga-Lamas, M. Vilar-Montesinos, and T. M. Fernández-Caramés, “Creating collaborative augmented reality experiences for industry 4.0 training and assistance applications: Performance evaluation in the shipyard of the future,” Applied Sciences 2020, Vol. 10, Page 9073, vol. 10, p. 9073, 12 2020. [Online]. Available: https://www.mdpi.com/2076-3417/10/24/ 9073/htmhttps://www.mdpi.com/2076-3417/10/24/9073 [201] J. Al-Jaroodi and N. Mohamed, “Blockchain in industries: A survey,” IEEE Access, vol. 7, pp. 36 500–36 515, 2019. 132 Bibliografía [202] T. Alladi, V. Chamola, R. M. Parizi, and K. K. R. Choo, “Blockchain applications for industry 4.0 and industrial iot: A review,” IEEE Access, vol. 7, pp. 176 935–176 951, 2019. [203] A. Aoun, A. Ilinca, M. Ghandour, and H. Ibrahim, “A review of industry 4.0 characteristics and challenges, with potential improvements using blockchain technology,” Computers and Industrial Engineering, p. 107746, 10 2021. [Online]. Available: https://linkinghub.elsevier.com/retrieve/pii/S0360835221006501 [204] P. Bellavista, C. Esposito, L. Foschini, C. Giannelli, N. Mazzocca, and R. Montanari, “Interoperable blockchains for highly-integrated supply chains in collaborative manufacturing,” Sensors 2021, Vol. 21, Page 4955, vol. 21, p. 4955, 7 2021. [Online]. Available: https://www.mdpi.com/1424-8220/21/15/4955/htmhttps: //www.mdpi.com/1424-8220/21/15/4955 [205] U. Bodkhe, S. Tanwar, K. Parekh, P. Khanpara, S. Tyagi, N. Kumar, and M. Alazab, “Blockchain for industry 4.0: A comprehensive review,” IEEE Access, vol. 8, pp. 79 764–79 800, 2020. [206] S. B. ElMamy, H. Mrabet, H. Gharbi, A. Jemai, and D. Trentesaux, “A survey on the usage of blockchain technology for cyber-threats in the context of industry 4.0,” Sustainability 2020, Vol. 12, Page 9179, vol. 12, p. 9179, 11 2020. [Online]. Available: https://www.mdpi.com/2071-1050/12/21/9179/htmhttps: //www.mdpi.com/2071-1050/12/21/9179 [207] C. M. S. Ferreira, R. A. R. Oliveira, J. S. Silva, and C. F. M. da Cunha Cavalcanti, Blockchain for Machine to Machine Interaction in Industry 4.0, 2020, pp. 99–116. [208] C. Hennebert and F. Barrois, “Is the blockchain a relevant technology for the industry 4.0?” Institute of Electrical and Electronics Engineers Inc., 9 2020, pp. 212–216. [209] S. H. Jang, J. Guejong, J. Jeong, and B. Sangmin, “Fog computing architecture based blockchain for industrial iot,” Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), vol. 11538 LNCS, pp. 593–606, 2019. [210] M. Javaid, A. Haleem, R. P. Singh, S. Khan, and R. Suman, “Blockchain technology applications for industry 4.0: A literature-based review,” Blockchain: Research and Applications, p. 100027, 8 2021. [211] A. Kapitonov, I. Berman, S. Lonshakov, and A. Krupenkin, “Blockchain based protocol for economical communication in industry 4.0.” Institute of Electrical and Electronics Engineers Inc., 11 2018, pp. 41–44. [212] A. A. A. Khanfar, M. Iranmanesh, M. Ghobakhloo, M. G. Senali, and M. Fathi, “Applications of blockchain technology in sustainable manufacturing and supply chain management: A systematic review,” Sustainability 2021, Vol. 13, Page 7870, vol. 13, p. 7870, 7 2021. [Online]. Available: https://www.mdpi.com/2071-1050/ 13/14/7870/htmhttps://www.mdpi.com/2071-1050/13/14/7870 Bibliografía 133 [213] J. Leng, S. Ye, M. Zhou, J. L. Zhao, Q. Liu, W. Guo, W. Cao, and L. Fu, “Blockchainsecured smart manufacturing in industry 4.0: A survey,” IEEE Transactions on Systems, Man, and Cybernetics: Systems, vol. 51, pp. 237–252, 1 2021. [214] A. Mushtaq and I. U. Haq, “Implications of blockchain in industry 4.o.” Institute of Electrical and Electronics Engineers Inc., 5 2019. [215] G. Rathee, M. Balasaraswathi, K. P. Chandran, S. D. Gupta, and C. S. Boopathi, “A secure iot sensors communication in industry 4.0 using blockchain technology,” Journal of Ambient Intelligence and Humanized Computing, vol. 12, pp. 533–545, 1 2021. [216] K. Sabri-Laghaie, S. J. Ghoushchi, F. Elhambakhsh, and A. Mardani, “Monitoring blockchain cryptocurrency transactions to improve the trustworthiness of the fourth industrial revolution (industry 4.0),” Algorithms 2020, Vol. 13, Page 312, vol. 13, p. 312, 11 2020. [Online]. Available: https://www.mdpi.com/1999-4893/13/12/312/ htmhttps://www.mdpi.com/1999-4893/13/12/312 [217] M. Singh, Blockchain Technology for Data Management in Industry 4.0. Springer, Singapore, 2020. [218] S. M. Umran, S. Lu, Z. A. Abduljabbar, J. Zhu, and J. Wu, “Secure data of industrial internet of things in a cement factory based on a blockchain technology,” Applied Sciences 2021, Vol. 11, Page 6376, vol. 11, p. 6376, 7 2021. [Online]. Available: https://www.mdpi.com/2076-3417/11/14/6376/htmhttps: //www.mdpi.com/2076-3417/11/14/6376 [219] M. Swami, D. Verma, and V. P. Vishwakarma, “Blockchain and industrial internet of things: Applications for industry 4.0,” Advances in Intelligent Systems and Computing, vol. 1164, pp. 279–290, 2021. [220] T. M. Fernández-Caramés and P. Fraga-Lamas, “A review on the application of blockchain to the next generation of cybersecure industry 4.0 smart factories,” IEEE Access, vol. 7, pp. 45 201–45 218, 2019. [221] S. Zhang, “High-speed 3d shape measurement with structured light methods: A review,” Optics and Lasers in Engineering, vol. 106, pp. 119–131, 7 2018. [222] T. F. Lam, H. Blum, R. Siegwart, and A. Gawel, “Sl sensor: An open-source, realtime and robot operating system-based structured light sensor for high accuracy construction robotic applications,” Automation in Construction, vol. 142, 10 2022. [223] L. Wang, Y. Cao, and H. An, “Gray-code fringe order jump error self-correction based on shifted phase encoding for phase measuring profilometry,” Optics Communications, vol. 524, 12 2022. [224] D. I. Rahul Rai, Manoj Kumar Tiwari and A. Dolgui, “Machine learning in manufacturing and industry 4.0 applications,” International Journal of Production Research, vol. 59, no. 16, pp. 4773–4778, 2021. [Online]. Available: https://doi.org/10.1080/00207543.2021.1956675 134 Bibliografía [225] R. A. Khalil, N. Saeed, M. Masood, Y. M. Fard, M.-S. Alouini, and T. Y. AlNaffouri, “Deep learning in the industrial internet of things: Potentials, challenges, and emerging applications,” IEEE Internet of Things Journal, vol. 8, no. 14, pp. 11 016–11 040, 2021. [226] V. Esat, Metal Forming in Industry 4.0 Epoch : Challenges and Opportunities. CRC Press, 6 2024, ch. 11, pp. 161–170. [227] L. Wang, Q. Guo, L. Chen, and W. Yan, “In-situ experimental and high-fidelity modeling tools to advance understanding of metal additive manufacturing,” International Journal of Machine Tools and Manufacture, vol. 193, p. 104077, 2023. [228] S. Wang and Q. Zhao, “Development of an on-machine measurement system with chromatic confocal probe for measuring the profile error of off-axis biconical freeform optics in ultra-precision grinding,” Measurement: Journal of the International Measurement Confederation, vol. 202, 10 2022. [229] J. Liu, X. He, L. Zhang, X. Huang, and Y. Wang, “High precision measurement of blade profile curve using iterative normal vector approximation,” Measurement Science and Technology, vol. 33, no. 7, p. 075015, apr 2022. [Online]. Available: https://dx.doi.org/10.1088/1361-6501/ac6568 [230] F. Zhang, X. Qu, and J. Ouyang, “An automated inner dimensional measurement system based on a laser displacement sensor for long-stepped pipes,” Sensors (Switzerland), vol. 12, pp. 5824–5834, 5 2012. [231] J. Fan, L. Ma, A. Sun, and Z. Zou, “An approach for extracting curve profiles based on scanned point cloud,” Measurement: Journal of the International Measurement Confederation, vol. 149, 1 2020. [232] S. Niu, Y. Guo, and H. Bao, “A triangular inverse element coupling mixed interpolation of tensorial components technique for shape sensing of plate structure,” Measurement: Journal of the International Measurement Confederation, vol. 202, 10 2022. [233] K. Strząbała, P. Ćwiąkała, W. Gruszczyński, E. Puniach, and W. Matwij, “Determining changes in building tilts based on uav photogrammetry,” Measurement: Journal of the International Measurement Confederation, vol. 202, 10 2022. [234] R. Sui, L. Zhang, T. Li, and Y. Jiang, “Incipient slip detection method for soft objects with vision-based tactile sensor,” Measurement, vol. 203, p. 111906, 11 2022. [235] Y. Chen, Y. Li, G. Niu, and M. Zuo, “Offline and online measurement of the geometries of train wheelsets: A review,” IEEE Transactions on Instrumentation and Measurement, vol. 71, pp. 1–15, 2022. [Online]. Available: https://ieeexplore.ieee.org/document/9885172/ Bibliografía 135 [236] C. Rocha-Jácome, R. G. Carvajal, F. M. Chavero, E. Guevara-Cabezas, and E. Hidalgo Fort, “Industry 4.0: A proposal of paradigm organization schemes from a systematic literature review,” Sensors, vol. 22, no. 1, 2022. [Online]. Available: https://www.mdpi.com/1424-8220/22/1/66 [237] F. Jiao, L. Liu, W. Cheng, C. Li, and X. Zhang, “Review of optical measurement techniques for measuring three-dimensional topography of inner-wall-shaped parts,” Measurement: Journal of the International Measurement Confederation, vol. 202, 10 2022. [238] P. Zhou, K. Xu, and D. Wang, “Rail profile measurement based on line-structured light vision,” IEEE Access, vol. 6, pp. 16 423–16 431, 2018. [239] A. Baumberg, A. Lyons, and R. Taylor, “3d s.o.m.—a commercial software solution to 3d scanning,” Graphical Models, vol. 67, no. 6, pp. 476–495, 2005. [240] C. Ttofis, C. Kyrkou, and T. Theocharides, “A low-cost real-time embedded stereo vision system for accurate disparity estimation based on guided image filtering,” IEEE Transactions on Computers, vol. 65, no. 9, pp. 2678–2693, 2016. [241] A. Kolb, E. Barth, and R. Koch, “Tof-sensors: New dimensions for realism and interactivity,” in 2008 IEEE Computer Society Conference on Computer Vision and Pattern Recognition Workshops, 2008, pp. 1–6. [242] G. Iddan and G. Yahav, “Three-dimensional imaging in the studio and elsewhere,” in SPIE Three-Dimensional Image Capture and Applications IV, vol. 4298, 04 2001, pp. 48–55. [243] D. T. Moore and B. E. Truax, “Phase-locked moiré fringe analysis for automated contouring of diffuse surfaces,” Appl. Opt., vol. 18, no. 1, pp. 91–96, Jan 1979. [Online]. Available: https://opg.optica.org/ao/abstract.cfm?URI=ao-18-1-91 [244] B. Budianto, P. K. D. Lun, and T.-C. Hsung, “Marker encoded fringe projection profilometry for efficient 3d model acquisition,” Applied Optics, Vol. 53, Issue 31, pp. 7442-7453, vol. 53, pp. 7442–7453, 11 2014. [245] M. Arevalillo-Herraez, M. Cobos, and M. Garcia-Pineda, “A robust wrap reduction algorithm for fringe projection profilometry and applications in magnetic resonance imaging,” IEEE Transactions on Image Processing, vol. 26, pp. 1452–1465, 3 2017. [246] J. Kim, J. Lee, and Y.-H. Park, “Highly accurate three-dimensional measurement of large structures using multiple stereo vision with improved two-step calibration algorithm,” Measurement, vol. 234, p. 114886, 2024. [247] T. Raj, F. H. Hashim, A. B. Huddin, M. F. Ibrahim, and A. Hussain, “A survey on lidar scanning mechanisms,” Electronics, vol. 9, no. 5, 2020. [Online]. Available: https://www.mdpi.com/2079-9292/9/5/741