Homelowertripezone500x180px.png)
Una herramienta de gemelo digital aplicada a la mejora de la eficiencia en una planta industrial
.jpg)
Héctor Martín Aguilar
Investigador
Ikerlan
Ana Gómez González
Investigadora
Ikerlan
Ángel Rodríguez Carballo
Investigador
Ikerlan
Alexander De La Puente González
Investigador
Ikerlan
Rafael Espadas Pérez
Investigador
Ikerlan
Urko Leturiondo Zubizarreta
Responsable de equipo
Ikerlan
1. INTRODUCCIÓN
La industria 4.0 se enfrenta constantemente al desafío de mejorar su eficiencia para reducir los costes, aumentar su productividad y mejorar la calidad de sus productos. En muchas ocasiones lograr dichos objetivos implica poseer la capacidad de predecir los resultados de un determinado proceso para determinadas circunstancias. Uno de los métodos usados más novedosos en este contexto engloba a los gemelos digitales, réplicas virtuales de sistemas, procesos y productos que son indistinguibles del elemento físico del mundo real al que representan (VanDerHorn, 2021).
Los gemelos digitales permiten simular y optimizar el rendimiento del sistema analizado en un entorno controlado Así, son capaces de recopilar información sobre el comportamiento de las diferentes entidades antes de que estas se creen o se sometan a algún cambio en su configuración, siendo por tanto muy útiles también en la fase de diseño. La precisión de un gemelo digital es tan alta o baja como lo requiera el tipo de análisis que se quiera realizar, así como también dependerá de la metodología usada para crearlo.
Existen dos métodos principales para generar gemelos digitales: los basados en modelos matemáticos, que a partir de datos relativos al ciclo de vida del proceso/producto son capaces de desarrollar algoritmos de machine-learning; y los basados en modelos físicos, construidos a partir del conocimiento previo del comportamiento en el mundo real del sistema que se pretende emular (Erikstad, 2017).
La herramienta de gemelo digital presentada en este artículo permite generar y simular modelos usando ambos métodos. Se centra, sin embargo, en los modelos basados en la física, ya que es su característica más novedosa, al permitir a la persona usuaria generar gemelos digitales complejos a partir de modelos más simples ya existentes, usando una librería propietaria de cosimulación. Asimismo, se aplica la herramienta en un caso de uso de mejora de eficiencia de una planta industrial.
2. LIBRERÍA DE COSIMULACIÓN DE FMU
Una de las complicaciones que presentan los modelos digitales basados en la física, es que no existe una plataforma estándar para construirlos e implementarlos. La cantidad de herramientas que se pueden usar para generarlos es tan amplia (OpenModelica, Matlab-Simulink, Ansys, Abaqus, etc) que muchas veces, sobre todo en equipos multidisciplinares, pueden generarse situaciones de incompatibilidad entre modelos. Es por ello que se creó el estándar FMI (Functional Mock-up Interface), un estándar open- source que define un contenedor y su correspondiente interfaz para intercambiar estos modelos dinámicos de simulación (FMI, 2014).
Las FMUs (Funtional Mock-up Units) se componen de una combinación de archivos XML, binarios y código C, que son empaquetados en un archivo ZIP. Así, estas unidades de simulación encapsulan los modelos en un formato estándar, lo cual permite su reutilización y su integración con otros modelos, independientemente de la herramienta de origen con la que hayan sido generados.
Para garantizar la interoperabilidad entre diferentes FMUs es necesario utilizar herramientas específicas, que sean capaces tanto de parametrizarlos de manera individual como de definir las relaciones entre ellos que permitan construir los modelos más complejos. La cosimulación es la técnica avanzada que permite precisamente integrar múltiples modelos de simulación en un único entorno (Gomes, 2018). Permite asimismo la simulación en tiempo real y ofrece la capacidad de ajustar el gemelo digital en función de los resultados obtenidos.
En el presente artículo se describe una herramienta de gemelo digital que permite construir estos gemelos digitales más complejos de una manera sencilla y visual. Esta herramienta se basa en la librería fmiSim, desarrollada por Ikerlan, que habilita las funciones necesarias para llevar a cabo esta cosimulación de los modelos individuales.
Una vez construido un modelo con la librería fmiSim, se genera un archivo denominado cosim que incluye todos los FMU individuales usados en su generación y un archivo de configuración. En la Figura 1 se muestra un ejemplo de dicho archivo, donde se resumen los modelos, sus parametrizaciones y sus conexiones.
3. HERRAMIENTA DE GEMELO DIGITAL
La herramienta de gemelo digital presentada en este artículo se compone de un back- end conformado por la librería fmiSim y su correspondiente interfaz REST API (Application Programming Interface), y un front-end o interfaz gráfica.
En la Figura 2 se muestra un diagrama con las principales funcionalidades de la herramienta de gemelo digital. El objetivo de la interfaz gráfica de la herramienta de gemelo digital es ayudar a la persona usuaria tanto a construir el modelo como a simularlo de una manera sencilla y visual. En la Figura 3 y en la Figura 4 se muestran sendos ejemplos de dicha interfaz, tanto del ajuste de los parámetros de una simulación (tiempos de inicio y de fin e intervalos de tiempo) como de la representación gráfica de los resultados de dicha simulación, previa selección de las variables a estudiar y simular.
Figura 1: Ejemplo de archivo cosim usado por la librería fmiSim
Figura 2: Diagrama del proceso de generación del modelo y simulación
4. CASO DE USO: MEJORA DE LA EFICIENCIA DE UNA PLANTA INDUSTRIAL
Un ejemplo de aplicación de la herramienta de gemelo digital descrita es la modelización de una planta industrial. La aplicación de FMUs puede ayudar a mejorar la eficiencia de la planta al proporcionar una representación detallada de los diferentes procesos y máquinas que la componen. Así, desarrollando una librería ad-hoc de FMUs de modelos de los elementos de la planta, la herramienta de gemelo digital permite a la persona usuaria construir el modelo de la planta, realizar diferentes simulaciones y analizar el efecto que cada una de las variables tiene en el resultado final, identificando posibles cuellos de botella y optimizando los procesos.
Por ejemplo, en una planta de producción de piezas industriales, los modelos FMUs representan diferentes procesos y máquinas como la mezcla de los diferentes materiales, los ciclos de temperatura y el empaquetado, entre otros. Cada uno de estos modelos se parametriza en función de eventos, entendiéndose cada uno de estos eventos como las entidades o productos procesadas por cada equipo. Así, estos modelos se parametrizan en función de variables como las distribuciones de tiempo de procesado y de espera entre cada evento, así como la capacidad de cada máquina y los diferentes recursos disponibles para cada proceso.
Figura 3: Ejemplo de selección de los parámetros de simulación en la herramienta
Figura 4: Ejemplo de la visualización de resultados en la herramienta
Uno de los modelos desarrollados se puede observar en la Figura 5 (previa encapsulación en FMU), que representa una entidad genérica de máquina. Otros modelos incluyen generadores de los propios eventos, modelos para incluir retrasos entre procesos (típicos en cadenas de producción, por ejemplo), y simuladores de procesamientos en batch (puntos de la planta en los cuales se requiere una cantidad mínima de eventos acumulados para poder pasar al siguiente proceso).
Figura 5: Modelo de máquina generado en Matlab Simulink antes de compilarlo en FMU
Para la validación de esta metodología se ha aplicado la herramienta al caso de uso práctico de la línea de producción de una planta siderúrgica de fabricación de acero (Deng, 2018). Partiendo de la librería de FMUs descrita, se ha construido el modelo de la planta, para finalmente simular todo el proceso y obtener información relevante sobre su eficiencia. En la Figura 6 se muestran algunas de las simulaciones realizadas con la herramienta, donde se comparan el número de ítems procesados por una de las máquinas en cada instante para diferentes valores del número máximo de recursos disponibles en cada momento (izquierda). Así, se ve el cambio en la pendiente de la función acumulada (derecha), permitiendo a la persona usuaria diseñar su planta en función de la eficiencia deseada para cada uno de los procesos.
Figura 6: Resultados obtenidos con la herramienta para el modelo de planta: número de ítems procesados en cada instante en función del número máximo de recursos disponibles
5. CONCLUSIONES
La herramienta de gemelo digital presentada en este artículo ofrece un entorno amigable para el uso de esta tecnología, permitiendo a la persona usuaria tanto construir como simular dichos sistemas compuestos de una manera clara y sencilla.
En conclusión, la tecnología FMU permite la simulación de diferentes escenarios y condiciones de operación, la optimización de los procesos y la integración de diferentes sistemas y equipos. Un ejemplo de ello es la modelización de una planta industrial, permitiendo a la persona usuaria mejorar la eficiencia de cada uno de los procesos involucrados en función diferentes variables del sistema.
6. AGRADECIMIENTOS
Esta investigación ha sido apoyada por el proyecto i4Q, financiado por el programa de investigación e innovación “Horizon 2020” de la Unión Europea, bajo el “Grant Agreement No. 958205”.
7. BIBLIOGRAFÍA
Deng, S.; Xu, A.; & Wang, H. 2018. “Simulation Study on Steel Plant Capacity and Equipment Efficiency Based on Plant Simulation”. Steel Research International, 1800507.
Erikstad, S. 2017. “Merging Physics, Big Data Analytics and Simulation for the Next- Generation Digital Twins”. HIPER 2017, High-Performance Marine Vehicles At: Zevenwacht, South-Africa, 11-13 September 2017.
Functional mock-up interface for model exchange and co-simulation. July 2014. Disponible en: https://www.fmi-standard.org/downloads
Gomes C.; Thule C.; Broman D.; Larsen P. G.; Vangheluwe H., 2018. "Co-Simulation: A Survey". ACM Computing Surveys, vol. 51, no. 3
VanDerHorn, E.; Mahadevan, S. (2021) ‘Digital Twin: Generalization, characterization and implementation’, Decision Support Systems, 145, p. 113524.
