Inteligencia Artificial para el soporte a la toma de decisiones en el ciclo de vida de los equipos industriales

Dirección y Organización n. 85 (2025) https://doi.org/10.37610/85.691 67 Inteligencia Artificial para el soporte a la toma de decisiones en el ciclo de vida de los equipos industriales Artificial Intelligence for decision support in the lifecycle of industrial equipment Miguel Ángel Mateo-Casalí1, Juan Pablo Fiesco2, Beatriz Andres3, Raul Poler4 Recibido: 31/10/2023 | Aceptado: 26/02/2024 Resumen Este artículo realiza una revisión de la literatura sobre las aplicaciones de la IA en cada fase del ciclo de vida de los equipos industriales, incluyendo el diseño, la fabricación el uso y la reparación/reutilización/reciclado.Sobre la base del proyecto europeo AIDEAS, un conjunto de soluciones basadas en IA se conceptualiza. Estas soluciones se contextualizan en un piloto industrial que se dedica a la fabricación de equipos para la inspección y clasificación de alimentos. Las líneas futuras de investigación se dirigen hacia el desarrollo de las tecnologías de IA conceptualizadas, y su implementación en el piloto industrial objeto de estudio. Palabras clave: Industria 4.0, Inteligencia Artificial, ciclo de vida, equipos industriales. Abstract In the era of Industry 4.0, the application of Artificial Intelligence (AI) in the management and operation of industrial equipment has acquired a fundamental role. Maximising efficiency, minimising downtime and optimising the useful life of industrial equipment are, among others, the benefits that can be derived from implementing AI solutions throughout their lifecycle. AI has revolutionised the efficiency of the decision-making process. Supported by the European AIDEAS Project, this article aims to explore the integration of AI technologies in all stages of the life cycle of industrial equipment, from design to manufacturing, use and repair/reuse/recycling. To this end, a literature review is carried out to determine the application of AI in the different phases of a product's life cycle. Based on this, a set of solutions is conceptualised to be developed in the AIDEAS project. These solutions are contextualised in an industrial pilot for manufacturing food inspection and sorting equipment, illustrating the applicability of the AI solutions proposed in the AIDEAS project. Finally, future lines of research are directed towards the development of AI technologies in the AIDEAS project, and their implementation in the industrial pilot under study. Keywords: Industry 4.0, Artificial Intelligence, life cycle, industrial equipment. 1 Research Centre on Production Management and Engineering (CIGIP), Universitat Politècnica de València (UPV), Camino de Vera s/n, 46022 Valencia, Spain. Email: [email protected].es ORCID: 0000-0001-5086-9378 2 Research Centre on Production Management and Engineering (CIGIP), Universitat Politècnica de València (UPV), Camino de Vera s/n, 46022 Valencia, Spain. Email: [email protected].es ORCID: 0009-0008-3369-4607 3 Research Centre on Production Management and Engineering (CIGIP), Universitat Politècnica de València (UPV), Camino de Vera s/n, 46022 Valencia, Spain. Email: [email protected].es ORCID: 0000-0002-7920-7711 4 Research Centre on Production Management and Engineering (CIGIP), Universitat Politècnica de València (UPV), Camino de Vera s/n, 46022 Valencia, Spain. Email: r[email protected].es ORCID: 0000-0003-4475-6371 Mateo-Casalí, M. Á.; Pablo Fiesco, J.; Andres, B.; Poler, R. 68 y dispositivos sean capaces de comunicarse y compartir información de manera efectiva. La Inteligencia Artificial (IA) se beneficia del uso de datos, ya que se nutre de los mismos. Así, a medida que aumenta la cantidad de datos de entrada, se observa un incremento en la eficiencia de los resultados derivados de la IA. De esta forma, los datos confiables, estandarizados y en tiempo real aumentan la calidad de los resultados derivados de las tecnologías de IA, creando un entorno propicio para la toma de decisiones basada en información precisa y actualizada en todas las etapas del ciclo de vida de los equipos industriales, desde el diseño y la manufactura hasta el uso y, finalmente, la reparación, reutilización, o su reciclaje (Terzi et al., 2010). Partiendo de la importancia de los datos, la confiabilidad que nos proporciona herramientas como el pasaporte digital y estándares que buscan la interoperabilidad, surge la posibilidad de explotar todos estos recursos con la introducción de IA. La IA ofrece capacidades avanzadas de monitoreo, mantenimiento predictivo y optimización de procesos. Al aplicar algoritmos de aprendizaje automático y procesar grandes volúmenes de datos, la IA puede anticipar fallos, programar el mantenimiento de manera eficiente y optimizar procesos de producción en todas las etapas del ciclo de vida de los equipos industriales. Este artículo explora en detalle como la IA puede dar soporte al ciclo de vida de los equipos industriales, recorriendo todas las etapas del ciclo de vida, presentando el proyecto europeo AIDEAS (2022). Además, explica como dar solución a los problemas planteados y ejemplifica varios casos de uso con uno de los pilotos del proyecto. 2. Metodología En un mundo altamente globalizado y en constante evolución tecnológica, es necesario que la Unión Europea (UE) siga buscan soluciones innovadoras que mejoren y fortalezcan el ecosistema industrial, permitiendo mantener una posición como líder global en la producción y exportación de la maquinaria industrial. La ventaja tecnológica de la UE en el sector de los equipos industriales se ve amenazada por el rápido crecimiento de China, que ha implementado estrategias ambiciosas como “Made in China 2025” para modernizar sus capacidades industriales y redefinir la dinámica competitiva global (Wang et al., 2020). En contraposición, la UE ha enfocado sus esfuerzos, dentro del marco del programa Horizonte Europa, en la urgente necesidad de digitalizar las empresas manufactureras, en especial las PYMEs, en todas las etapas del ciclo de vida de los equipos industriales. En el marco del actual programa Horizonte Europa, la UE ha enfatizado la necesidad inmediata de digitalizar las empresas manufactureras, especialmente las pequeñas y 1. Introducción El término Industria 4.0 (I4.0) se refiere a un nuevo modelo de organización y control de las empresas de la cadena de suministro (CdS), respaldado por tecnologías de la información. La I4.0 se basa en la integración de tecnologías avanzadas, como el Internet de las cosas (internet of things, IoT), la computación en la nube, la analítica de datos y la automatización, que permite, entre otros, optimizar la eficiencia, minimizar los tiempos de inactividad y prolongar la vida útil en el contexto de los activos industriales (MateoCasalí et al., 2023). En este punto, la I4.0 representa una evolución en toda la CdS, abarcando el reaprovisionamiento, la fabricación, la logística y el transporte (Ayneto Gubert, 2019). Por otro lado, entre las tecnologías I4.0, contamos con diferentes dispositivos de medición conectados a la red que crean un flujo constante de datos en los procesos involucrados en la CdS (Boza et al., 2018). Todos estos datos permiten monitorear el estado del producto en tiempo real, brindando una base para el análisis predictivo, facilitando la toma de decisiones y promoviendo la automatización en cualquier proceso llevado a cabo en los diferentes actores de la CdS. Alrededor de la I4.0, surgen diferentes filosofías centradas en la mejora de la calidad de los procesos de fabricación como puede ser la fabricación ajustada (lean manufacturing), fabricación con cero defectos (Zero Defect Manufacturing) o Seis Sigma (6 σ) (Fortuny-Santos et al., 2020; Serrano-Ruiz et al., 2021). Estas metodologías se centran en la eliminación, reducción de desperdicios y errores durante la producción, aumentando la calidad de los productos finales. No obstante, todo esto es gracias a la capacidad de toma de datos en tiempo real de los diferentes elementos de la cadena de producción. La capacidad de recopilar datos de los equipos industriales, los procesos de producción u otros activos, de manera continua y en tiempo real, es esencial para la toma de decisiones. En este sentido, la reciente introducción del pasaporte digital se ha convertido en una innovación disruptiva (HADEA, 2023), que implica la creación de un perfil digital completo de cada activo industrial, proporcionando un seguimiento detallado de su rendimiento, historial de mantenimiento o uso y otros datos relevantes en tiempo real. Este enfoque permite una mayor visibilidad y trazabilidad de los activos industriales, lo que se traduce en una mejor gestión y optimización de los recursos a lo largo de todas las fases de su ciclo de vida. Este pasaporte digital añade valor al desarrollo de activos o maquinaria industrial, ya que los dispositivos desplegados a lo largo de la fábrica, para alimentar dicho pasaporte digital, adquieren estándares de interoperabilidad (Fraile et al., 2018), permitiendo aumentar la confiabilidad de los datos. La interoperabilidad de los datos garantiza que los sistemas Inteligencia Artificial para el soporte a la toma de decisiones en el ciclo de vida de los equipos industriales 69 impulsada por avances tecnológicos como la I4.0, y la IA están transformando la manera en que se producen bienes y se gestionan los procesos industriales. Al mismo tiempo, la sostenibilidad se ha convertido en una necesidad global, ya que las preocupaciones ambientales y la escasez de recursos plantean desafíos significativos. En esta nueva era de la fabricación, la integración de tecnologías avanzadas permite una mayor eficiencia, una producción más flexible y la toma de decisiones basada en datos en tiempo real. La fabricación inteligente no solo impulsa la productividad, sino que también tiene un impacto significativo en la reducción de residuos y el uso eficiente de recursos, aspectos clave para la sostenibilidad. Pero, la integración de la fabricación inteligente y la sostenibilidad no deben centrarse únicamente en el momento de producción, sino que debe abarcar todos los ciclos de vida de una máquina industrial. Teniendo en cuenta el importante peso que tiene la IA en la I4.0, el objetivo del estado del arte es explorar como la IA puede dar soporte a todas las etapas del ciclo de vida dela maquinaria, desde el diseño inicial de la máquina hasta la fase de fabricación, su uso y posterior R3. Este análisis se desarrollará en el marco de la economía circular, promoviendo prácticas de fabricación inteligente y sostenible (Figura 1). La investigación en IA comenzó en 1956 con una reunión crucial llevada a cabo en Nuevo Hampshire, donde investigadores se congregaron para discutir la posibilidad de que las máquinas llevaran a cabo "acciones inteligentes". Desde entonces, el panorama de la IA ha experimentado una evolución gradual y transformadora en diversas áreas científicas (Buchmeister et al., 2019). En el entorno industrial, la IA posibilita la mejora de la eficiencia, precisión y velocidad del proceso de producción, así como la optimización de la gestión de la CdS y la mejora de la calidad del producto (Ongsulee, 2017). Las capacidades de la IA se fundamentan en la vasta cantidad de datos proporcionados por el IoT y la digitalización de los procesos de manufactura. El desarrollo reciente de las aplicaciones industriales modernas en el marco de la I4.0 está marcado por un cambio significativo en el enfoque hacia la supervisión y el control, con un énfasis particular en la integración de algoritmos de IA en equipos industriales inteligentes (Chang et al., 2018). Estas tecnologías de vanguardia están revolucionando el panorama de la fabricación al permitir la recopilación de datos en tiempo real, el análisis y los procesos de toma de decisiones que mejoran la eficiencia, la precisión y la productividad general. La IA incluye técnicas de aprendizaje automático, aprendizaje por refuerzo, redes neuronales, y procesamiento de lenguaje natural para optimizar los procesos, predecir las necesidades de mantenimiento y adaptar las operaciones de fabricación en respuesta a las condiciones cambiantes (Li et al., 2017). Este enfoque transformador no medianas empresas (PYMEs), en el ámbito de la vida útil de los equipos industriales. Este artículo se fundamenta en un caso conceptual que describe las herramientas desarrolladas en el Proyecto Europeo AIDEAS (2022). El objetivo primordial de este proyecto es el desarrollo de tecnologías de IA para respaldar de manera integral el ciclo de vida de equipos industriales. La metodología empleada en este artículo se basa en tres pilares fundamentales: (i) La revisión exhaustiva de la literatura existente para identificar el potencial de la IA en cada fase del ciclo de vida de los equipos industriales. (ii) La conceptualización de soluciones de IA diseñadas para respaldar todas las etapas del ciclo de vida, desde el diseño, hasta la fabricación, el uso y la Reparación/Reutilización/Reciclaje (R3) de los equipos industriales. (iii) La presentación de casos de uso, con una empresa piloto que fabrica equipos industriales para la inspección y clasificación de alimentos que ilustra la aplicación concreta de las soluciones de IA en el entorno industrial. Siguiendo la estructura del ciclo de vida de un producto, según Terzi et al., (2010), se contemplan cuatro fases principales: (i) Diseño, en la cual se explora cómo la IA puede mejorar la creatividad y eficiencia en la concepción y desarrollo de equipos industriales. (ii) Fabricación, donde se examina el potencial de la IA en la optimización de procesos de producción y la detección temprana de problemas. (iii) Uso, abordando cómo la IA puede garantizar la eficiencia y el mantenimiento predictivo de los equipos durante su vida útil. (iv) Reparación/Reutilización/Reciclaje (R3), explorando cómo la IA puede facilitar la toma de decisiones en torno a la reparación, reutilización y reciclaje de los equipos industriales. Este enfoque integral en la incorporación de la IA en todas las etapas del ciclo de vida de los equipos industriales es esencial para mantener y fortalecer la competitividad de la Unión Europea en un entorno industrial global en constante cambio, al mismo tiempo que promueve la fabricación inteligente y la sostenibilidad. 3. Estado del arte La fabricación inteligente y la sostenibilidad se han consolidado como dos pilares fundamentales en la evolución de la industria moderna. La fabricación inteligente, Mateo-Casalí, M. Á.; Pablo Fiesco, J.; Andres, B.; Poler, R. 70 Figura 1. Conceptualización: IA, ciclo de vida del producto y economía circular. sólo mejora la calidad de los productos, sino que también contribuye a la sostenibilidad y competitividad de las industrias en una era cada vez más impulsada por los datos. Por otro lado, en la última década, la UE ha intensificado gradualmente su compromiso en la transición hacia la I4.0 debido a los recientes eventos disruptivos que acontecen al mundo, desde su escasez de recursos, a la crisis climática o a las tensiones sociales. Gracias a este compromiso, la UE está centrándose en alinearse con la optimización de los modelos de negocio y económicos tradicionales (Renda etal., 2021) dejando de lado las prácticas de "tomarhacereliminar”, que priorizan la producción y la eliminación continua para seguir siendo competitivos (Blomsma & Brennan, 2017), y enfocándose en su compromiso de transición hacia un completo aprovechamiento de las tecnologías dentro de la industria y generando las bases para una buena futura introducción a un nuevo paradigma industrial denominado Industria 5.0 (I5.0) (Xu et al., 2021). A diferencia de la I4.0, la I5.0 no se basa en una revolución tecnológica, si no en una revolución de los valores éticos de las empresas a la hora de aprovechar los recursos y tecnologías desarrolladas en la previa revolución industrial, siendo su eje central la interacción máquina-humano, la resiliencia y la sostenibilidad. Enfocándose en pilares fundamentales como son la eficiencia y el beneficio empresarial (Ronaghi, 2022). Para ello, este nuevo paradigma promueve el uso de las tecnologías para mejorar la sostenibilidad, resiliencia y orientación hacia las necesidades humanas, en consonancia con los principios de la economía circular (Commission et al., 2021), promoviendo practicas tan cruciales como la reducción del consumo eléctrico, la disminución de emisiones de CO2 o la minimización de los residuos. En este contexto, la Economía Circular (EC) representa un marco que busca proporcionar una alternativa a las prácticas predominantes de "tomar-hacer-eliminar", que han sido lineales en la gestión de recursos y residuos. La EC promueve la idea de un ciclo continuo de recursos y residuos, abordando así las limitaciones y debilidades del modelo existente, una preocupación que se ha planteado durante las últimas dos décadas (Blomsma & Brennan, 2017). Esta transición hacia un enfoque circular es particularmente relevante en el contexto del ciclo de vida de los productos y maquinaria, donde se busca minimizar los desechos y maximizar la reutilización y recuperación de materiales. Inteligencia Artificial para el soporte a la toma de decisiones en el ciclo de vida de los equipos industriales 71 En este sentido, se ha observado que la implementación eficaz de la IA se produce de manera más efectiva cuando se despliega de manera colaborativa en todos los eslabones de la cadena de suministro. Esto conlleva un aumento significativo en la visibilidad y agilidad de toda la cadena, como lo evidencian las investigaciones de (Pournader et al., 2021). La amplia variedad de operaciones industriales en las que se puede implementar la IA, con el objetivo de optimizar y mejorar, posibilita un enfoque holístico pudiendo integrarla en cualquier fase del ciclo de vida. Un claro ejemplo del uso de IA se manifiesta en la etapa de fabricación y distribución, donde esta tecnología desencadena un aumento en la rotación de productos al combinar datos históricos y en tiempo real de usuarios y productos. Así, se logra una gestión inteligente del inventario mediante la previsión de precios y demanda, tal y como señala Ronaghi (Ronaghi, 2022). Asimismo, otro escenario se presenta en la fase de diseño de productos y sistemas, donde la IA no solo cumple con los requisitos y especificaciones del usuario, sino que también permite interacciones entre distintos componentes para tomar medidas correctivas cuando sea necesario. Esto conduce a una mejora en la inteligencia de las operaciones y a lo largo de todo el ciclo de vida del producto (Hou et al., 2008). En cuanto a desarrollar un sistema de producción sostenible, tecnologías como IoT y Edge-IA tienen el potencial necesario para impulsar la adopción de conceptos de Economía Circular Digital (ECD) en las organizaciones y la sociedad en general (Fraga-Lamas et al., 2021a). Este enfoque se alinea con la Iniciativa de Productos Sostenibles (IPS) de la Comisión Europea, que busca acelerar la transición hacia una EC en el marco del Pacto Verde Europeo. Parte de esta iniciativa es la Propuesta de Reglamento de Ecodiseño para Productos Sostenibles (ESPR), estableciendo el concepto de Pasaporte Digital de Producto Pasaporte (PDP) como requisito para ciertos productos en la Unión Europea (UE) (European Commission, 2022). La adopción de una arquitectura IoT abierta, que incorpora elementos como ciberseguridad, privacidad e interoperabilidad, permite que los dispositivos IoT fomenten la circularidad. Simultáneamente, una red de dispositivos con internet conectados ofrece servicios inteligentes y datos en tiempo real a diversas partes interesadas, lo que mejora significativamente la visibilidad en la cadena de suministro y la transparencia en las operaciones comerciales, como se ilustra en la investigación de Fraga-Lamas et al. (Fraga-Lamas et al., 2021b). Esto permite tomar decisiones precisas en el momento adecuado, utilizar los recursos de manera eficaz, optimizar los procesos y reducir los residuos, contribuyendo así a la sostenibilidad y eficiencia global del negocio. En conjunto, estas medidas buscan hacer de lo sostenible y circular la norma en el mercado europeo, fortaleciendo aún más la conexión entre diseño inteligente y economía circular. En las (i) De acuerdo con la definición de Terzi et al., (2010), el término "ciclo de vida" hace referencia a las distintas fases que atraviesa un producto desde su concepción hasta su disposición final. El modelo de ciclo de vida está estrechamente relacionado con el tipo de producto, ya que debe adaptarse con los procesos empresariales necesarios para su lanzamiento y mantenimiento en el mercado. Esta adaptabilidad se extiende a una amplia variedad de categorías de productos, que pueden abarcar desde objetos de fabricación compleja y larga duración, como automóviles o herramientas industriales, hasta objetos de fabricación compleja, pero de corta duración, como computadoras, reproductores de CD o cámaras, e incluso productos farmacéuticos altamente especializados, como vacunas o antibióticos. Estas categorías de productos se dividen en cuatro fases principales de su ciclo de vida: (i) el inicio de su vida, que abarca el proceso de diseño; (ii) la etapa intermedia de su vida, que involucra la gestión de recursos, la fabricación y la distribución; (iii) la fase de utilización, que comprende su uso y el soporte postventa al cliente; y (iv)la etapa final de su vida, que incluye la recolección, el reacondicionamiento, el reciclaje, el ensamblaje nuevamente, la reutilización o la eliminación. La gestión efectiva de estas fases es esencial para maximizar la eficiencia, reducir el impacto ambiental y promover la sostenibilidad en el ámbito del ciclo de vida de los productos. En este punto, Ren et al., (2019) propone un marco de referencia conocido como “Fabricación Sostenible e Inteligente” un nuevo paradigma de fabricación. Este enfoque integra y aplica las tecnologías más avanzadas de información y análisis de datos en las operaciones y procesos de toma de decisiones relacionados con la gestión del ciclo de vida de los productos. El propósito es transformar los enfoques de producción tradicionales y las actividades operativas a lo largo de todo el ciclo de vida. Se pasa de un enfoque impulsado por el producto a un enfoque impulsado por datos y servicios, con el objetivo último de lograr una producción inteligente y sostenible. Este marco redefine la forma en que se abordan los productos y su ciclo de vida, centrándose en la inteligencia y la sostenibilidad como pilares clave para la evolución de la industria manufacturera. Para alcanzar los objetivos relacionados con el desarrollo sostenible y la Economía Circular, es necesario presentar soluciones que combinen eficacia y sostenibilidad en cada etapa de su ciclo de vida, como destaca Cheah et al., (2022). Estas soluciones deben tener la capacidad de abordar la adquisición, transmisión, almacenamiento, procesamiento y descubrimiento de patrones de los datos de todo el ciclo de vida (Ren et al., 2019). En este punto, la IA se alza como una herramienta esencial en este proceso. Mateo-Casalí, M. Á.; Pablo Fiesco, J.; Andres, B.; Poler, R. 72 Las tecnologías de IoT han permitido el acceso a los datos de los dispositivos o máquinas a tiempo real, esto ha impulsado avances significativos en las tecnologías de gemelos digitales (GD). Los GD se basan en datos reales para llevar a cabo simulaciones que sean lo más precisas posible. Este enfoque ha allanado el camino para la integración de la IA, especialmente modelos de aprendizaje automático basados en datos, en el ámbito de la fabricación inteligente. Sin embargo, un desafío recurrente asociado con estos modelos es su susceptibilidad a los datos de entrenamiento y la falta de unicidad en los resultados, a veces generando resultados poco realistas (Farbiz et al., 2022). Inicialmente, los GD se han utilizado principalmente para funciones como la detección de fallos, la anticipación de las necesidades de mantenimiento y el análisis de rendimiento. Sin embargo, es fundamental centrar una atención más amplia en el potencial de los GD en el ámbito del diseño de productos. En particular, ha habido una exploración limitada en cuanto a cómo la interacción, la colaboración y la evolución dinámica entre el producto físico y su equivalente digital (producto virtual) pueden enriquecer el proceso de diseño, llevando a resultados más eficientes, con mayor información y más eficientes con los recursos disponibles (Tao et al., 2019). En el contexto de la I4.0, la generación y acumulación de grandes volúmenes de datos en diversos formatos a lo largo del ciclo de vida del producto se han vuelto cada vez más comunes. Para obtener datos significativos de esta información, es necesario desarrollar nuevos métodos de procesamiento y análisis de datos para convertir esta información en formatos fácilmente comprensibles y explicables. En este sentido, la tecnología de los GD puede desempeñar un papel fundamental al ofrecer una representación virtual del producto físico y facilitar la integración de Big Data y el siguientes subsecciones se explora el rol y funcionalidades que tiene la IA en cada una de las fases del ciclo de vida de los equipos industriales teniendo en cuenta el marco conceptual definido en el proyecto de AIDEAS (Figura 2). 3.1. IA en la fase de Diseño del ciclo de vida del producto El proceso de diseño implica una interacción continua entre la definición del problema y la creación de soluciones, y se requieren múltiples iteraciones para lograr una solución de diseño óptima o sólida. Se pueden utilizar herramientas de apoyo computacional para capturar el conocimiento generado en cada etapa del proceso de diseño y ayudar en la toma de decisiones. Sin embargo, aunque existen muchas herramientas de apoyo disponibles para las etapas posteriores del diseño, como el diseño detallado, hay relativamente pocas herramientas disponibles para las primeras etapas conceptuales (Meniru et al., 2003). Con el objetivo de mejorar el valor añadido en la fase de desarrollo de productos complejos, como la maquinaria, con elementos físicos y dinámicos, se ha estado explorando el uso de herramientas destinadas a facilitar la gestión del proceso de diseño (Almoslehy & Alkahtani, 2021). Además, en un mercado altamente competitivo, la presión para reducir los costes es cada vez más exigente (Karayel et al., 2013), teniendo en cuenta, además, que durante la etapa de diseño se un control de aproximadamente el 80% de los costes asociados al producto. Para hacer frente a estos retos, los investigadores se han centrado en establecer un entorno cooperativo e integrado utilizando diversos sistemas asistidos por ordenador, incluidos programas de aplicación de diseño, fabricación e ingeniería (CAD/CAM/CAE), bases de datos y servicios basados en la web (Saric et al., 2018). Figura 2. Marco conceptual de las funcionalidades de la IA en el ciclo de vida del producto. Inteligencia Artificial para el soporte a la toma de decisiones en el ciclo de vida de los equipos industriales 73 suministro y entrega. La IA permitirá monitorizar, ajustar y optimizar procesos industriales reales para anticipar fallos y aumentar la eficiencia de los procesos de previsión y planificación en la empresa, incrementando su resiliencia ante el cambiante entorno actual (Zavala-Alcívar et al., 2023). La integración de la IA y la I4.0 conduce a un círculo virtuoso, donde los datos de las fábricas inteligentes y los sistemas ciberfísicos entrenan modelos de IA, lo que mejora la eficiencia de la reposición, producción y entrega de máquinas al reducir los costes de planificación y producción, y al mejorar la disponibilidad de materiales y componentes, así como la calidad del producto (Cioffi et al., 2020). 3.3. IA en la fase de Uso del ciclo de vida del producto La IA desempeña un papel esencial al facilitar la configuración automatizada de equipos industriales, tanto en la etapa de fabricación como en la etapa de uso. Esta configuración se adapta en función de factores como las condiciones ambientales y los productos a procesar, lo que resulta en sistemas más precisos, eficientes, adaptables y optimizados. Esto se traduce en la capacidad de detectar y corregir errores de manera proactiva, lo que, a su vez, mejora significativamente el rendimiento y la confiabilidad de la maquinaria, garantizando un calibrado preciso (Ben Salah et al., 2022). Esta sinergia entre la IA y la fabricación de "Zero Defects," que busca la eliminación total de defectos en los productos, tiene como objetivo primordial mejorar la calidad, reducir los costos y satisfacer las necesidades del cliente al producir bienes de alta calidad sin defectos (Mateo-Casalí et al., 2023). Esta estrategia no solo resulta en una mejora de la eficiencia, sino también en un aumento de la satisfacción del cliente. La IA, alineada con los objetivos del contexto de Zero Defects manufacturing, permite la detección temprana de defectos mediante el análisis de datos en tiempo real y patrones de producción, lo que posibilita la implementación de correcciones antes de que los problemas se agraven. Además, la IA automatiza procesos de control de calidad, inspección visual y verificación de productos, asegurando coherencia y precisión en la detección de defectos. En cuanto a los equipos industriales, se caracterizan por su robustez, durabilidad, eficiencia y alta productividad, impulsados por la tecnología avanzada que potencia su desempeño. El funcionamiento óptimo de estos equipos durante la fase de uso es esencial para garantizar la producción de bienes o servicios de alta calidad. Los sistemas de monitoreo de calidad y visión por computadora permiten a los operadores detectar defectos en tiempo real, lo que agiliza la corrección y reduce la cantidad de productos defectuosos. Asimismo, el empleo de algoritmos de aprendizaje automático y sistemas de mantenimiento predictivo contribuye a prevenir fallas y defectos aprendizaje automático para respaldar el proceso de diseño del producto (Niu et al., 2021). En la fase de diseño de equipos industriales, una planificación y ejecución cuidadosas son fundamentales para asegurar un rendimiento y eficiencia óptimos. Al integrar tecnologías de IA con sistemas CAD/CAM/CAE, los diseñadores pueden optimizar los componentes estructurales, mecanismos y componentes de control de equipos industriales. El uso adecuado de estas herramientas puede mejorar significativamente las actividades clave involucradas en la fase de diseño, lo que puede resultar en un mejor rendimiento de la máquina y una mayor eficiencia. 3.2. IA en la fase de Fabricación del ciclo de vida del producto En la fase de fabricación de un producto, existen varias áreas clave en las que la IA puede dar soporte. Desde la optimización de la gestión de inventario hasta la reducción de los tiempos de producción y preparación, mejorando así el almacenamiento y la entrega, la IA tiene el potencial de generar impactos significativos. Puede analizar patrones de grandes cantidades de datos mediante la aplicación de algoritmos para la previsión de la demanda, la gestión de inventario, reduciendo el desperdicio, la planificación del reaprovisionamiento y de la producción en tiempo real, detectando diferentes anomalías y optimizando las operaciones para reducir los tiempos de inactividad de las máquinas, mejorar la logística y la organización de la producción. La planificación del reaprovisionamiento, producción y entrega son tareas complejas que requieren análisis continuos de la información para garantizar que todo esté disponible en tiempo y cantidad, y que el proceso de fabricación funcione en las mejores condiciones. En este sentido, la I4.0 surge de la necesidad de mejorar las fábricas mediante la integración de nuevas tecnologías avanzadas, como la IA, robots, IoT o la computación en la nube, que mejoran la sostenibilidad y la resiliencia de los sistemas de producción (Javaid et al., 2022). Las fábricas inteligentes son un ejemplo de esta integración, ya que emplean tecnologías avanzadas como aplicaciones con conciencia contextual y mecánicas autorreguladoras para optimizar los procesos de producción (Prause, 2019). La IA es fundamental en la I4.0 y en la fábrica inteligente para permitir que las máquinas tomen decisiones autónomas y optimicen continuamente los procesos de producción. Del mismo modo, la IA es de vital importancia para dar soporte a la planificación y replanificación en entornos cambiantes de reaprovisionamiento, producción o entrega, donde existen incertidumbres relacionadas con los clientes, los operarios y los sistemas logísticos. La IA pretende dar respuesta a dichas incertidumbres que se producen a lo largo del tiempo siguiendo una serie de patrones que pueden modelarse para prevenir fallos, interrupciones de Mateo-Casalí, M. Á.; Pablo Fiesco, J.; Andres, B.; Poler, R. 74 basada en la norma ISO 14044:2006, (2006), se utiliza para evaluar los impactos ambientales asociados con cada etapa en el ciclo de vida de un producto, proceso o servicio comercial. Este enfoque permite un examen completo de cada fase en el ciclo de vida de productos nuevos y existentes, facilitando la evaluación y optimización de su impacto ambiental. El término "segunda vida" en el contexto del ACV se refiere a la etapa de un producto, proceso o servicio después de su uso inicial, cuando se considera su posible reparación, reutilización, reciclado u otras alternativas para extender su vida útil y reducir su impacto ambiental. Además, se consigue evitar la generación de residuos y la necesidad de recursos adicionales para reemplazarlo. A pesar de los posibles beneficios de incorporar IA en la R3, esta área sigue siendo relativamente poco explorada. La aplicación de algoritmos de IA en la investigación de ACV abarca desde la identificación del motivo por el cual el equipo industrial alcanza la fase de declive hasta el análisis del proceso necesario a aplicar para darle un segundo uso. Destacando la necesidad de integrar de manera efectiva la IA con los modelos de ACV para ayudar en la toma de decisiones relativas a la reparación, reutilización y reciclado de equipos industriales (Dostatni et al., 2023). Aunque el enfoque sigue siendo experimental, abre la puerta a la automatización de la entrada de datos para acelerar los esfuerzos de investigación. Las técnicas de Aprendizaje Profundo y Aprendizaje Automático tienen el potencial de mejorar las bases de datos existentes y crear otras nuevas, adaptadas a una amplia gama de aplicaciones (Elouariaghli et al., 2022). Durante esta revisión, se identificaron una serie de beneficios clave que la IA aporta a las distintas fases del ciclo de vida de productos y sistemas industriales, desde el diseño hasta la fase de R3. Estos beneficios son fundamentales para mejorar la eficiencia, competitividad y sostenibilidad en la industria, y se presentan de manera resumida en la Tabla 1. en la producción antes de que ocurran. La filosofía de Cero Defectos (Calvin, 1984) y las soluciones de IA utilizadas en la etapa de uso buscan reducir y eliminar los defectos en la producción, lo que, a su vez, mejora la calidad del producto y optimiza la rentabilidad de la producción. Al incorporar estas soluciones de IA en las operaciones diarias de una fábrica, las empresas pueden avanzar hacia el objetivo de Cero Defectos y, en última instancia, fortalecer su posición competitiva en el mercado (Nazarenko et al., 2021). 3.4. IA en la fase de Reparación/Reutilización/ Reciclaje del ciclo de vida del producto El potencial de las herramientas basadas en IA puede utilizase para promover la sostenibilidad en el sector de la maquinaria, alargando la vida útil de las máquinas, reduciendo los residuos y mejorando la eficiencia del flujo de materiales (Baduge et al., 2022). La utilización de IA, especialmente el aprendizaje profundo, para prever la vida útil restante de equipos industriales puede ofrecer una valiosa guía para la implementación de mantenimiento predictivo. Esta estrategia se destaca como más eficiente en comparación con las alternativas de mantenimiento reactivo o preventivo, dado que optimiza la disponibilidad del sistema y reduce los costes de operación (Çinar et al., 2020). Además, dentro de cualquier estrategia de mantenimiento, se enfatizan objetivos esenciales, como la minimización de las tasas de fallo de los equipos, la mejora de su estado, la prolongación de su vida útil y la disminución de los costes de mantenimiento. En este sentido, el mantenimiento predictivo, basado en tecnologías IA, ha surgido como una de las estrategias más prometedoras para alcanzar estos fines (Nchekwube et al., 2022). Por otro lado, otra manera de prolongar la vida de las máquinas es dándoles un segundo uso si es posible. El Análisis del Ciclo de Vida (ACV), una metodología estandarizada Tabla 1. Funcionalidades de la IA en las fases del ciclo de vida de los equipos industriales. IA fase de diseño • Permite la captura de información en cada etapa del proceso de diseño, facilitando la toma de decisiones informadas. Esto es crucial en el diseño, que implica una interacción continua entre la definición del problema y la creación de soluciones, requerido múltiples iteraciones. • En un mercado altamente competitivo, la IA identifica oportunidades para optimizar el diseño y reducir los costos, lo que es esencial para la eficiencia y competitividad. • La integración de sistemas asistidos por ordenador, como programas de diseño y fabricación CAD/CAM/CAE, con la IA, promueve un enfoque más cooperativo e integrado en el proceso de diseño. • La aplicación de tecnologías de GD basados en datos reales permite simulaciones precisas para detectar fallos y anticipar necesidades de mantenimiento. • La IA enriquece la colaboración entre el producto físico y su equivalente digital, lo que mejora el proceso de diseño y los resultados finales. • El procesamiento de grandes volúmenes de datos generados en la I4.0 se simplifica con la IA, convirtiendo esta información en datos valiosos para respaldar el diseño. • Cuando se combina con sistemas CAD/CAM/CAE, optimiza componentes estructurales y mecánicos en equipos industriales, lo que mejora el rendimiento y la eficiencia de las máquinas. Inteligencia Artificial para el soporte a la toma de decisiones en el ciclo de vida de los equipos industriales 75 IA fase de fabricación • Analizar y modelar grandes cantidades de datos a través de la supervisión de los procesos de reaprovisionamiento, producción y entrega en tiempo real. • Prever interrupciones de suministro y ajustar los niveles de inventario. • Seleccionar proveedores en función de las restricciones que presenten. • Prever la posible demanda futura. • Prever tiempos de producción. • Asignar de recursos de forma eficiente, como operarios con diferentes competencias y grados de experiencia. • Equilibrar las cargas de trabajo. • Optimizar la precedencia y dependencias de operaciones. • Identificar patrones para anticipar fallos de suministro, reparación de máquinas, mantenimiento de equipos. • Optimizar el almacenamiento y entrega de productos. • Optimizar el transporte y la programación y planificación logística en base al estudio del comportamiento de los clientes. • Considerar incertidumbres relacionadas con los recursos, los clientes, y los sistemas logísticos. • Planificar y replanificar en entornos cambiantes de reaprovisionamiento, producción o entrega. • Prever eventos de planificación del reaprovisionamiento, producción y entrega en base a lo ocurrido en el pasado. IA fase de uso • Ajusta automáticamente equipos según condiciones y productos, mejorando precisión y eficiencia. • Detección temprana de defectos analizando datos en tiempo real para detectar y corregir errores proactivamente. • Automatización de la inspección garantizando la precisión en la detección de defectos. • Usando visión por computadora, agiliza la corrección y reduce productos defectuosos. • Mejora de calidad siguiendo la filosofía de Cero Defectos, la IA perfecciona la calidad del producto. • Competitividad fortalecida La incorporación de IA impulsa la eficiencia y la competitividad en el mercado. IA fase de R3 • La aplicación de técnicas de IA, en particular el aprendizaje profundo, contribuye significativamente a la sostenibilidad en entornos industriales. La capacidad de predecir la vida útil restante de equipos industriales se logra mediante modelos predictivos entrenados en datos históricos y en tiempo real. • La estrategia de mantenimiento predictivo, habilitada por técnicas de IA, revoluciona la gestión de activos industriales. El aprendizaje profundo y otros métodos de IA son capaces de analizar datos en tiempo real y detectar patrones sutiles que indican un posible fallo en los equipos antes de que ocurra. • La IA se convierte en una herramienta crucial para identificar las causas subyacentes del declive de equipos industriales. A través de la recopilación y análisis de datos relacionados con el rendimiento y el desgaste, la IA puede identificar patrones y factores que contribuyen al deterioro de los equipos. • Las técnicas de IA tienen un impacto significativo en la mejora de las bases de datos existentes, permitiendo una mayor precisión en la gestión de activos y el ciclo de vida de productos industriales. Esto no solo facilita la identificación de oportunidades para la extensión de la vida útil, sino que también mejora la eficiencia de procesos de reciclaje al identificar materiales y componentes valiosos en productos desechados. 4. IA para dar soporte al ciclo de vida de los equipos industriales En esta sección se conceptualizan las herramientas desarrolladas en el marco del proyecto europeo AI Driven Industrial Equipment Product Life Cycle Boosting Agility, Sustainability and Resilience AIDEAS. El proyecto (AIDEAS, 2022) desarrollará tecnologías de IA para apoyar todo el ciclo de vida de los equipos industriales (diseño, fabricación, uso y reparación/reutilización/reciclaje) como instrumento estratégico para mejorar la sostenibilidad, la agilidad y la resiliencia de las empresas europeas fabricantes de maquinaria. La Figura 3 presenta una visión general de las soluciones dentro de cada Suite del proyecto AIDEAS. A continuación, se define de forma conceptual las herramientas de IA, a desarrollar en el proyecto AIDEAS, considerando cada una de las fases del ciclo de vida del producto. 4.1. Herramientas IA para la fase de Diseño de los equipos industriales El objetivo de las herramientas es dar soporte a las actividades clave involucradas en la fase de diseño, para optimizar los componentes estructurales, mecanismos y componentes Mateo-Casalí, M. Á.; Pablo Fiesco, J.; Andres, B.; Poler, R. 82 componentes de control. Durante la fase de fabricación, se gestiona el reaprovisionamiento, la producción y la entrega con soluciones basadas en IA para la selección y adquisición de componentes de equipos industriales, optimización de procesos de fabricación de piezas, secuenciación de operaciones, control de calidad y personalización. La fase de uso se beneficia de de la tecnología de IA para dar valor añadido al usuario de equipos industriales, proporcionando un mayor apoyo de instalación y calibración inicial, garantizando un funcionamiento eficiente y seguro asegurando las garantías de calidad a través de la detección preventiva de anomalías con el fin de trabajar en condiciones óptimas y garantizar un funcionamiento eficiente y seguro. En la fase de reciclaje y reparación, la tecnología de IA se usa para alargar la vida útil de las máquinas mediante el mantenimiento prescriptivo (reparación), facilitando una segunda vida a las máquinas. Se promueve la sostenibilidad y la prolongación de la vida útil de las máquinas mediante IA. El caso de uso que se presentado permite demostrar la aplicación de las soluciones del proyecto AIDEAS, con el objetivo definir las mejoras que supone su implementación. De este modo se han seleccionado una serie de procesos relevantes para la empresa. Además, se han modelado, a través de BPMN, diferentes escenarios en los que se implementan tres soluciones de AIDEAS. Las líneas futuras de investigación se dirigen hacia la identificación de requisitos concretos para cada una de las soluciones seleccionadas en el piloto industrial. De esta forma, los desarrolladores tendrán la capacidad de implementar las soluciones de AIDEAS considerando las necesidades de los pilotos industriales. Por otro lado, se están tomando medidas para incorporar elementos de seguridad y comunicación en el diseño de las soluciones, garantizado las necesidades y requisitos de los pilotos. Además, se está priorizando la implementación de estándares de interoperabilidad, asegurando que las diferentes partes del sistema puedan comunicarse de manera efectiva y sin obstáculos. Esto permitirá una mayor flexibilidad y adaptabilidad en entornos industriales. Asimismo, se está enfocando de forma significativa en la calidad de los datos recopilados y en la trazabilidad de estos, lo que resultará en una toma de decisiones más precisa y en un seguimiento más completo de las operaciones del piloto industrial. Todo esto contribuirá a una mejora de la implementación de soluciones con IA para el soporte en la toma de decisiones de los equipos industriales a lo largo de todo su ciclo de vida. Figura 6. Fase R3: caso de uso de la herramienta IA para el mantenimiento predictivo (PM). Inteligencia Artificial para el soporte a la toma de decisiones en el ciclo de vida de los equipos industriales 83 CHEAH, C. G., CHIA, W. Y., LAI, S. F., CHEW, K. W., CHIA, S. R., & SHOW, P. L. (2022). Innovation designs of industry 4.0 based solid waste management: Machinery and digital circular economy. Environmental Research, 213. https://doi.org/10.1016/j. envres.2022.113619 ÇINAR, Z. M., NUHU, A. A., ZEESHAN, Q., KORHAN, O., ASMAEL, M., & SAFAEi, B. (2020). Machine learning in predictive maintenance towards sustainable smart manufacturing in industry 4.0. Sustainability (Switzerland), 12(19). https://doi. org/10.3390/su12198211 CIOFFI, R., TRAVAGLIONI, M., PISCITELLI, G., PETRILLO, A., & DE FELICE, F. (2020). Artificial intelligence and machine learning applications in smart production: Progress, trends, and directions. In Sustainability (Switzerland), 12(2). MDPI. https:// doi.org/10.3390/su12020492 COMMISSION, E., INNOVATION, D.-G. FOR R. AND, BREQUE, M., DE NUL, L., & PETRIDIS, A. (2021). Industry 5.0 – Towards a sustainable, human-centric and resilient European industry. Publications Office of the European Union. https://doi. org/doi/10.2777/308407 DOSTATNI, E., DUDKOWIAK, A., ROJEK, I., & MIKOLAJEWSKI, D. (2023). Environmental analysis of a product manufactured with the use of an additive technology – AI-based vs. traditional approaches. Bulletin of the Polish Academy of Sciences Technical Sciences. https://doi.org/10.24425/bpasts.2023.144478 ELOUARIAGHLI, F. N., KOZDERKA, S. M., QUARANTA, T. G., PENA, F. D., ROSE, F. B., & HOARAU, S. Y. (2022). Eco-design and Life Cycle Management: Consequential Life Cycle Assessment, Artificial Intelligence and Green IT. IFAC-PapersOnLine, 55(5), 49–53. https://doi.org/10.1016/j. ifacol.2022.07.638 EUROPEAN COMMISSION. (2022). COM/2022/140 final. https:// www.resourcepanel.org/es/reports/global-resources-outlook FARBIZ, F., HABIBULLAH, M. S., HAMADICHAREF, B., MASZCZYK, T., & AGGARWAL, S. (2022). Knowledgeembedded machine learning and its applications in smart manufacturing. Journal of Intelligent Manufacturing. https://doi. org/10.1007/s10845-022-01973-6 FORTUNY-SANTOS, J., LÓPEZ, P. R. DE A., LUJÁN-BLANCO, I., & CHEN, P. K. (2020). Assessing the synergies between lean manufacturing and Industry 4.0. Direccion y Organizacion, 71, 71–86. https://doi.org/10.37610/dyo.v0i71.579 FRAGA-LAMAS, P., LOPES, S. I., & FERNÁNDEZ-CARAMÉS, T. M. (2021a). Green iot and edge AI as key technological enablers for a sustainable digital transition towards a smart circular economy: An industry 5.0 use case. Sensors, 21(17). https://doi. org/10.3390/s21175745 FRAGA-LAMAS, P., LOPES, S. I., & FERNÁNDEZ-CARAMÉS, T. M. (2021b). Green iot and edge AI as key technological enablers for a sustainable digital transition towards a smart circular economy: An industry 5.0 use case. Sensors, 21(17). https://doi. org/10.3390/s21175745 FRAILE, F., TAGAWA, T., POLER, R., & ORTIZ, A. (2018). Trustworthy Industrial IoT Gateways for Interoperability Platforms and Ecosystems. IEEE Internet of Things Journal, 5(6), 4506–4514. https://doi.org/10.1109/JIOT.2018.2832041 HADEA. (2023, May 11). Digital Product Passport. European Health and Digital Executive Agency. HOU, J., SU, C., & WANG, W. (2008). Knowledge management in collaborative design. Proceedings of 2008 IEEE International Conference on Service Operations and Logistics, and Informatics, IEEE/SOLI 2008, 1, 848–852. https://doi.org/10.1109/ SOLI.2008.4686517 ISO 14044:2006. (2006, July). Environmental management Life cycle assessment. SO/TC 207/SC 5. https://www.iso.org/obp/ ui/#iso:std:iso:14044:ed-1:v1:es 7. Financiación La investigación que ha conducido a estos resultados ha recibido financiación del Programa Marco Horizonte Europa (HORIZONTE) con el acuerdo de subvención nº 101057294 "AI Driven Industrial Equipment Product Life Cycle Boosting Agility, Sustainability, and Resilience (AIDEAS)", de la Conselleria de Innovación, Universidades, Ciencia y Sociedad Digital de la Generalitat Valenciana "Programa Investigo" (ref. INVEST/2022/330), apoyado por la Unión Europea - NextGenerationEU dentro del Plan de Recuperación, Transformación y Resiliencia. Referencias AIDEAS. (2022). AI Driven Industrial Equipment Product Life Cycle Boosting Agility, Sustainability and Resilience. European Union’s Horizon Europe re-search and innovation programme under grant agreement No. 101057294. https://doi.org/10.3030/ 101057294 ALMOSLEHY, S. A. M., & ALKAHTANI, M. S. (2021). Key approaches, risks, and product performance in managing the development process of complex products sustainably. Sustainability (Switzerland), 13(9). https://doi.org/10.3390/ su13094727 AYNETO GUBERt, X. (2019). La industria 4.0, el nuevo motor de la innovación industrial. Dirección y Organización, 69, 99–110. https://doi.org/https://doi.org/10.37610/dyo.v0i69.563 BADUGE, S. K., THILAKARATHNA, S., PERERA, J. S., ARASHPOUR, M., SHARAFI, P., TEODOSIO, B., SHRINGI, A., & MENDIS, P. (2022). Artificial intelligence and smart vision for building and construction 4.0: Machine and deep learning methods and applications. Automation in Construction, 141, 104440. https://doi.org/https://doi.org/10.1016/j.autcon.2022. 104440 BEN SALAH, Y., WEIGUO, L., AILING, T., SELLAMI, L., BEN HAMIDA, A., & ZARDOUMI, S. (2022). Optimal set up for manufacturing inspection system via mapping, and 3D scanning. PROCEEDINGS OF 2022 14TH INTERNATIONAL CONFERENCE ON MANAGEMENT OF DIGITAL ECOSYSTEMS, MEDES 2022, 70–73. https://doi. org/10.1145/3508397.3564829 BLOMSMA, F., & BRENNAN, G. (2017). The Emergence of Circular Economy: A New Framing Around Prolonging Resource Productivity. Journal of Industrial Ecology, 21(3), 603–614. https://doi.org/10.1111/jiec.12603 BOZA, A., ALARCÓN, F., PEREZ, D., & GÓMEZ-GASQUET, P. (2018). Industry 4.0 From the Supply Chain Perspective, 331–351. https://doi.org/10.4018/978-1-5225-4936-9.ch014 BUCHMEISTER, B., PALCIC, I., & OJSTERSEK, R. (2019). Artificial Intelligence in Manufacturing Companies and Broader: An Overview. 081–098. https://doi.org/10.2507/daaam. scibook.2019.07 CALVIN, T. W. (1984). Quality control techniques for “Zero Defects”: Thomas W. Calvin. IEEE Trans. Components Hybrids Mfg Technol.CHMT, 6(3), 323 (September 1983). Microelectronics Reliability, 24(5), 991–992. https://doi. org/10.1016/0026-2714(84)90075-1 CHANG, C. W., LEE, H. W., & LIU, C. H. (2018). A review of artificial intelligence algorithms used for smart machine tools. In Inventions, 3(3). MDPI Multidisciplinary Digital Publishing Institute. https://doi.org/10.3390/inventions3030041 Mateo-Casalí, M. Á.; Pablo Fiesco, J.; Andres, B.; Poler, R. 84 PRAUSE, M. (2019). Challenges of Industry 4.0 technology adoption for SMEs: The case of Japan. Sustainability (Switzerland), 11(20). https://doi.org/10.3390/su11205807 REN, S., ZHANG, Y., LIU, Y., SAKAO, T., HUISINGH, D., & ALMEIDA, C. M. V. B. (2019). A comprehensive review of big data analytics throughout product lifecycle to support sustainable smart manufacturing: A framework, challenges and future research directions. Journal of Cleaner Production, 210, 1343–1365. https://doi.org/10.1016/j.jclepro.2018.11.025 RENDA, A., SCHWAAG SERGER, S., TATAJ, D., MORLET, A., ISAKSSON, D., MARTINS, F., MIR ROCA, M., HIDALGO, C., HUANG, A., DIXSON-DECLÈVE, S., BALLAND, P. A., BRIA, F., CHARVÉRIAT, C., DUNLOP, K., GIOVANNINI, E., & EUROPEAN COMMISSION. Directorate-General for Research and Innovation. (2021). Industry 5.0, a transformative vision for Europe: governing systemic transformations towards a sustainable industry. RONAGHI, M. H. (2022). The influence of artificial intelligence adoption on circular economy practices in manufacturing industries. Environment, Development and Sustainability. https:// doi.org/10.1007/s10668-022-02670-3 SARIC, I., PERVAN, N., MUMINOVIC, A., & COLIC, M. (2018). Development of integrated intelligent cad system for design of shafts. Tehnicki Vjesnik, 25, 99–104. https://doi.org/10.17559/ TV-20170521194820 SERRANO-RUIZ, J. C., MULA, J., & POLER, R. (2021). Smart manufacturing scheduling: A literature review. In Journal of Manufacturing Systems, 61, 265–287. Elsevier B.V. https://doi. org/10.1016/j.jmsy.2021.09.011 TAO, F., SUI, F., LIU, A., QI, Q., ZHANG, M., SONG, B., GUO, Z., LU, S. C. Y., & NEE, A. Y. C. (2019). Digital twin-driven product design framework. International Journal of Production Research, 57(12), 3935–3953. https://doi.org/10.1080/00207543.2018.1443229 TERZI, S., BOURAS, A., DUTTA, D., GARETTI, M., & KIRITSIS, D. (2010). Product lifecycle management - From its history to its new role. International Journal of Product Lifecycle Management, 4(4), 360–389. https://doi.org/10.1504/IJPLM.2010. 036489 WANG, J., WU, H., & CHEN, Y. (2020). Made in China 2025 and manufacturing strategy decisions with reverse QFD. International Journal of Production Economics, 224, 107539. https://doi.org/ https://doi.org/10.1016/j.ijpe.2019.107539 XU, X., LU, Y., VOGEL-HEUSER, B., & WANG, L. (2021). Industry 4.0 and Industry 5.0—Inception, conception and perception. Journal of Manufacturing Systems, 61, 530–535. https://doi. org/10.1016/j.jmsy.2021.10.006 ZAVALA-ALCÍVAR, A., VERDECHO, M. J., & ALFARO-SAIZ, J. J. (2023). Supply chain resilience: A conceptual evolution analysis. Direccion y Organizacion, 79, 5–17. https://doi.org/10.37610/ dyo.v0i79.633 JAVAID, M., HALEEM, A., SINGH, R. P., SUMAN, R., & GONZALEZ, E. S. (2022). Understanding the adoption of Industry 4.0 technologies in improving environmental sustainability. Sustainable Operations and Computers, 3(January), 203–217. https://doi.org/10.1016/j.susoc.2022.01.008 KARAYEL, D., OZKAN, S. S., & VATANSEVER, F. (2013). Integrated knowledge-based system for machine design. Advances in Mechanical Engineering, 2013. https://doi. org/10.1155/2013/702590 LI, B. HU, HOU, B. CUN, YU, W. TAO, LU, X. BING, & YANG, C. WEI. (2017). Applications of artificial intelligence in intelligent manufacturing: a review. In Frontiers of Information Technology and Electronic Engineering, 18(1), 86–96. Zhejiang University. https://doi.org/10.1631/FITEE.1601885 MATEO-CASALÍ, M. Á., FRAILE, F., BOZA, A., & POLER, R. (2023). A Maturity Model for Industry 4.0 Manufacturing Execution Systems. Springer International Publishing. https://doi. org/10.1007/978-3-031-29382-5_22 MENIRU, K., RIVARD, H., & BÉDARD, C. (2003). Specifications for computer-aided conceptual building design. Design Studies, 24(1), 51–71. https://doi.org/https://doi.org/10.1016/ S0142-694X(02)00009-1 NAZARENKO, A. A., SARRAIPA, J., CAMARINHA-MATOS, L. M., GRUNEWALD, C., DORCHAIN, M., & JARDIMGONCALVEs, R. (2021). Analysis of relevant standards for industrial systems to support zero defects manufacturing process. In Journal of Industrial Information Integration, 23. Elsevier B.V. https://doi.org/10.1016/j.jii.2021.100214 NCHEKWUBE, D. C., FERRACUTI, F., FREDDI, A., IARLORI, S., LONGHI, S., & MONTERIU, A. (2022). Predictive Maintenance of Industrial Equipment using Deep Learning: from sensory data to remaining useful life estimation. 2022 IEEE International Workshop on Metrology for Extended Reality, Artificial Intelligence and Neural Engineering, MetroXRAINE 2022 - Proceedings, 624–629. https://doi.org/10.1109/ MetroXRAINE54828.2022.9967582 NIU, X., WANG, M., & QIN, S. (2021). Product design lifecycle information model (PDLIM). The International Journal of Advanced Manufacturing Technology. https://doi.org/10.1007/ s00170-021-07945-z/Published ONGSULEE, P. (2017). Artificial intelligence, machine learning and deep learning. Fifteenth International Conference on ICT and Knowledge Engineering, 1–6. https://doi.org/10.1109/ ICTKE.2017.8259629 POURNADER, M., GHADERI, H., HASSANZADEGAN, A., & FAHIMNIA, B. (2021). Artificial intelligence applications in supply chain management. In International Journal of Production Economics, 241. Elsevier B.V. https://doi.org/10.1016/j. ijpe.2021.108250