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. 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 (Mateo-Casalí 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 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 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, 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).

Figura 1. Conceptualización: IA, ciclo de vida del producto y economía circular.

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 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 "tomar-hacer-eliminar”, 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.

(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.

En este sentido, se ha observado que la implemelntación 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 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).

Figura 2. Marco conceptual de las funcionalidades de la IA en el ciclo de vida del producto.

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).

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 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 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 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 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.

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.

Figura 3. Resumen del paquete de soluciones 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 de control de equipos industriales, de forma que el rendimiento de la máquina mejore a través de soluciones basadas en IA.

A continuación, se conceptualiza un conjunto de tres herramientas que incorporan IA en la fase de diseño del ciclo de vida de los equipos industriales.

•La primera herramienta basada en IA propuesta se llama herramienta de Optimizador del Diseño de Máquinas (Machine Design Optimiser, MDO). El MDO consiste en una herramienta alimentada por IA que ayuda a los diseñadores a definir los parámetros clave de diseño en sistemas multifísicos. La IA se utiliza para optimizar los parámetros de diseño de las máquinas mediante técnicas como algoritmos evolutivos o algoritmos metaheurísticos para encontrar configuraciones óptimas que cumplan con objetivos específicos, como minimizar el consumo de energía, maximizar la producción o reducir el uso de materiales. La IA en el MDO permitirá diseñar algoritmos que aprendan de diseños existentes y restricciones definidas por el usuario para generar nuevas alternativas de diseño. Se pueden emplear herramientas de simulación y prototipado virtual habilitados por IA para simular y evaluar diferentes variantes de diseño de máquinas. Finalmente, los algoritmos de IA pueden analizar las especificaciones de diseño, realizar simulaciones y comparar diseños con criterios predefinidos para detectar posibles fallos o riesgos de diseño en una etapa temprana del proceso de desarrollo.

•La segunda herramienta basada en IA propuesta se enfoca en la síntesis de datos para entrenar la herramienta IA MDO, y se llama Generador de Datos Sintéticos de Máquinas (Machine Data Generator, MDG). El MDG sintetiza conjuntos de datos de alta calidad mediante simulaciones, que son esenciales para analizar el diseño de máquinas y entrenar algoritmos de optimización para proponer parámetros de diseño óptimos. Como resultado, las soluciones de IA estarán disponibles pronto para proyectos a pequeña escala y de corto plazo, y requerirán menos recursos para entrenar los algoritmos necesarios. La caja de herramientas MDG permitirá sintetizar conjuntos de datos grandes de alta calidad mediante simulaciones para el análisis del diseño de máquinas y la capacitación de los algoritmos de optimización que propondrán parámetros de diseño óptimos. Las soluciones de IA MDG estarán disponibles para series de tiempo más cortas y producciones de menor volumen, y requerirán menos recursos para entrenar los algoritmos de IA necesarios.

•Para integrar módulos de optimización asistidos por IA con sistemas asistidos por ordenador (Computer Assisted, CAx) existentes, es esencial un sistema de interoperabilidad. El paquete CAx tiene como objetivo desarrollar módulos de optimización asistidos por IA, como el MDO y el MDG, en productos que puedan integrarse fácilmente con sistemas CAD/CAM/CAE estándar. Esto implica crear interfaces de usuario e interfaces de programación de aplicaciones (application programming interface, API) que permitan integraciones fluidas con sistemas como SolidWorks, preparándolos para su uso en escenarios del mundo real. Las API y las interfaces de usuario incorporarán las funcionalidades individuales de los módulos de optimización, pero también tendrán en cuenta los requisitos de otras soluciones CAx estándar. Estos módulos pueden mejorar significativamente el rendimiento y la eficiencia de las máquinas al mejorar los diseños de equipos industriales. Al emplear herramientas alimentadas por IA como el MDO y el MDG, los diseñadores pueden mejorar la fase de diseño de equipos industriales y optimizar el rendimiento.

4.2. Herramientas IA para la fase de Fabricación de los equipos industriales

El objetivo de estas herramientas es mejorar las principales actividades en la fase de fabricación de equipos industriales, incluyendo el reaprovisionamiento de materiales, la manufactura y montaje, así como la y entrega, a través de soluciones basadas en IA.

A continuación, se conceptualiza un conjunto de tres herramientas que incorporan IA en la fase de fabricación del ciclo de vida de los equipos industriales.

•La herramienta de Optimización del Aprovisionamiento (Procurement Optimiser, PO) es una solución impulsada por la IA que ayuda a los fabricantes a optimizar el inventario y la compra de los materiales necesarios para fabricar componentes y montar equipos industriales, al mismo tiempo que cumple con las fechas de entrega al cliente. Con la herramienta PO, los fabricantes pueden minimizar los costes de inventario y reducir el riesgo de agotamiento de existencias para, de esta manera, mejorar su resultado final en general. Mediante el uso de algoritmos avanzados y análisis predictivos, el PO puede prever con precisión la demanda, identificar los puntos de reorden óptimos e incluso recomendar materiales alternativos que puedan ser más rentables o fácilmente disponibles. Además, la herramienta PO permitirá considerar incertidumbres en el reaprovisionamiento a través de algoritmos de aprendizaje en base a eventos pasados tales como retrasos en la entrega de proveedores. También permitirá dar soporte a la toma de decisiones de selección de proveedores en función de la capacidad de producción, la cual puede depender de diversos factores como, por ejemplo, aumento de pedidos de otros clientes, periodos de picos estacionales de demanda, etc.

•La herramienta de Optimización de Planificación de la Producción (Fabrication Optimiser, FO) es una solución impulsada por la IA que puede predecir los tiempos de producción, las dependencias de operaciones entre estaciones de trabajo y otros factores críticos que afectan la programación de la producción, tales como las faltas de materiales, y la asignación de recursos, equipos para la fabricación de máquinas averiados o en mantenimiento, u operarios con diferentes grados de competencia y experiencia. Esto permite a los fabricantes de equipos industriales responder rápidamente a condiciones cambiantes, como las averías de las máquinas, los pedidos de última hora de los clientes y los retrasos en los materiales. Con la herramienta FO, los fabricantes pueden tomar decisiones informadas sobre cómo asignar recursos, reducir los tiempos de inactividad y aumentar la productividad. Los algoritmos de IA pueden optimizar los procesos de producción, equilibrar las cargas de trabajo, asignar recursos de manera eficiente y en definitiva prever eventos en base a lo ocurrido en el pasado, lo que aumenta la agilidad y la capacidad de respuesta.

•La herramienta de Optimización de Entrega (Delivery Optimiser, DO) es una solución basada en IA que permite optimizar el almacenamiento y la entrega de productos. Esto incluye la optimización del espacio de almacenamiento y las condiciones, el transporte de productos, la programación y planificación logística. Al aprovechar la IA, la herramienta DO puede proporcionar los planes de almacenamiento y entrega más eficientes para optimizar el inventario de productos terminados, reducir los costes de transporte, acelerar la velocidad de entrega y mejorar la satisfacción del cliente. La herramienta DO también puede ayudar a los fabricantes a identificar y resolver cuellos de botella en la cadena de suministro al reducir los retrasos y mejorar la eficiencia en general.

Las soluciones impulsadas por la IA como el PO, FO y DO transformarán la industria de fabricación de equipos al permitir: (i) una gestión rápida y flexible de una gran cantidad de materiales y componentes en la lista de materiales de la máquina, gestionando de manera eficiente la incertidumbre en la reposición de componentes, reutilizando componentes compatibles y calculando planes de requisitos de materiales de manera optimizada; (ii) la reprogramación rápida de operaciones de montaje de los equipos industriales, mediante la introducción de información en tiempo real en los planes de reaprovisionamiento y producción para responder a cambios en el entorno como averías de máquinas, pedidos de última hora de los clientes o retrasos en los materiales; (iii) la optimización de la entrega, el empaque y el almacenamiento de máquinas.

4.3. Herramientas IA para la fase de Uso de los equipos industriales

En esta fase, el producto se encuentra en manos del cliente final y, en algunos casos, de proveedores de servicios, como los encargados del mantenimiento. Durante este período, se recopila información sobre el historial del producto en términos de condiciones de uso, fallos y mantenimiento, con el fin de generar un informe actualizado sobre el estado del producto.

El objetivo de estas herramientas es mejorar las principales actividades en la fase de uso de equipos industriales, incluyendo la calibración de los equipos industriales en la fábrica y en el cliente, la adaptación de las configuraciones de los equipos industriales en función de los cambios en entorno en el que los éstos están funcionando, y la obtención de productos de calidad siguiendo la filosofía de cero defectos.

A continuación, se conceptualiza un conjunto de cinco herramientas que incorporan IA en la fase de uso del ciclo de vida de los equipos industriales.

•La herramienta de Calibración de la Máquina (Machine Calibrator, MC) permite la calibración inicial de las máquinas utilizando algoritmos y modelos de aprendizaje automático para ajustar y configurar los parámetros de la máquina de manera óptima desde el principio, asegurando su correcto y eficiente funcionamiento.

•La herramienta de Evaluación del Entorno (Condition Evaluator, CE) garantiza la calidad de los procesos industriales al evaluar constantemente el estado de las máquinas y detectar anomalías mediante el análisis de los datos recopilados por los sensores. Estas tecnologías permiten identificar y corregir desviaciones en el proceso al optimizar la calidad y eficiencia de la producción.

•La herramienta de Detección de Anomalías (Anomaly Detection, AD) asegura la calidad de los productos fabricados mediante la implementación de sistemas de control de calidad basados en IA que utilizan cámaras, sensores y algoritmos para detectar y prevenir defectos en los productos, garantizando así la satisfacción del cliente y la entrega de productos de alta calidad.

•La herramienta de Control Adaptativo (Adaptative Controller, AC) establece mecanismos adecuados para intercambiar datos de utilización de máquinas con otras etapas del ciclo de vida del equipo industrial. Esto implica la integración de sistemas y la creación de estándares que permitan la transferencia eficiente y segura de datos al facilitar la colaboración y el análisis de datos a lo largo de toda la cadena de valor.

•La herramienta de Inspección de la Calidad (Quality Assurance, QA) tiene un enfoque sistemático para garantizar que las aplicaciones de IA empleadas en equipos sean adecuadas, confiables y seguras. Esto incluye pruebas regulares, evaluación y actualizaciones para optimizar su rendimiento y adaptarlas a los cambiantes requisitos de la industria.

4.4. Herramientas IA para la fase de Reciclaje/Reparación/Reutilización de los equipos industriales

Esta fase es la última etapa del ciclo de vida. El objetivo de estas herramientas es encontrar alternativas para que las máquinas regresen a algunas fases anteriores de su ciclo de vida, en función depende del estado en el que la máquina ha llegado a la fase final de su ciclo de vida. En esta fase, se utiliza el potencial de herramientas basadas en IA para promover la sostenibilidad en el sector de la fabricación de equipos industriales al extender su vida útil, reducir los residuos y mejorar la eficiencia en el flujo de componentes reutilizables.

A continuación, se conceptualiza un conjunto de cuatro herramientas que incorporan IA en la fase de reciclaje/reparación/reutilización del ciclo de vida de los equipos industriales.

•La herramienta de Mantenimiento Predictivo (Prescriptive Maintenance, PM): Utiliza algoritmos de IA para predecir la vida útil restante de una máquina e identificar los requisitos de mantenimiento necesarios. De esta manera, el mantenimiento se puede realizar de manera más precisa y se pueden evitar costosas fallas que podrían comprometer el rendimiento de la máquina.

•La herramienta de Actualización Inteligente (Smart Retrofiter, SR): Aplica la IA para optimizar las condiciones de trabajo y la calidad del producto durante el proceso de actualización. El proceso de actualización implica la mejora de máquinas más antiguas para darles una segunda vida y reducir la cantidad de residuos generados. Mediante esta herramienta, los clientes pueden obtener simultáneamente beneficios económicos y ambientales.

•La herramienta de Ciclo de Vida (Life Cycle, LC): Combina la IA y metodologías de ciclo de vida para identificar la mejor manera de concluir el ciclo de vida de una máquina. Una estrategia de optimización multiobjetivo equilibra los beneficios económicos, sociales y ambientales para garantizar una solución sostenible.

•La herramienta de Desensamblaje (Disassembler, DIS): Utiliza modelos de IA para optimizar los procesos de desensamblaje y reciclaje de máquinas, lo que ayuda a reducir los residuos y mejorar la eficiencia en la circulación de materiales.

5. Caso de uso: Equipos industriales para la inspección y clasificación de alimentos

El proyecto AIDEAS trabaja con cuatro pilotos industriales que fabrican equipos destinados a diferentes sectores, incluyendo centros de mecanizado, máquinas de moldeo por soplado, máquinas de corte y máquinas de inspección y selección.

El caso de uso seleccionado para demostrar la aplicabilidad de las soluciones corresponde a el piloto de fabricación de máquinas para la inspección y clasificación de alimentos. En este contexto, se exploran tres fases clave para el piloto industrial mencionado: fabricación, uso y mantenimiento. Para ello, destacaremos las aplicaciones prácticas de las soluciones IA seleccionadas para su implementación en el piloto, con el objetivo de mejorar la eficiencia, reducir costes y garantizar la calidad.

Para ello se han definido los objetivos del piloto industrial, y en base a éstos, se han identificado las soluciones a implementar del proyecto AIDEAS. A continuación, se detallan los beneficios previstos derivados de su aplicación y el modo en que las soluciones de AIDEAS se integran en los procesos seleccionados, de fabricación, uso y mantenimiento, a través de la notación para el modelado de procesos empresariales (business process modelling notation, BPMN).

5.1. Soluciones IA en la Fabricación

Entre las herramientas de fabricación, la empresa piloto considera de aplicación la herramienta basada en IA para optimizar la entrega de maquinaria al cliente. La herramienta DO, considerada en el piloto de inspección de alimentos, se utilizará para optimizar la entrega de máquinas de inspección. En este caso de uso, el piloto de inspección de alimentos AIDEAS colabora con su cliente.

El objetivo es optimizar el espacio en la entrega y, por lo tanto, reducir los costes de inventario y transporte. Actualmente, existen solo dos tipos de plataformas estándar que se ajustan a dos tipos de máquinas con proporciones diferentes. Sin embargo, estas plataformas deben ajustarse a diferentes máquinas para optimizar el espacio ocupado tanto en las áreas de trabajo de la empresa como en los medios de transporte.

La herramienta DO se alimentará con los requisitos del cliente y las especificaciones de las máquinas. Esto puede implicar comprender las expectativas del cliente en cuanto a requisitos de embalaje y cualquier necesidad especial de manipulación o almacenamiento. Sobre la base de los requisitos recopilados, las partes involucradas en el proceso de entrega elaborarán un plan para la entrega equipos, que incluirá el cronograma, la ruta de entrega y cualquier disposición de transporte y logística necesaria. Los beneficios previstos serán:

(i)Mejorar el diseño de las plataformas para transportar máquinas individuales y múltiples en un contenedor estándar para optimizar el espacio.

(ii)Optimizar la unidad de transporte de carga.

(iii)Optimizar la carga de las máquinas en un contenedor estándar.

En la Figura 4, el proceso de configuración del proceso de entrega se representa con la notación de modelado de procesos comerciales (BPMN). Se representan los puntos de colaboración entre el fabricante y el cliente, y cómo se utiliza la solución DO para respaldar el proceso de entrega de las máquinas.

Figura 4. Fase de Fabricación: caso de uso de la herramienta IA para la optimización de entregas (DO).

5.2. Soluciones IA en la fase de Uso

La fase de uso se compone de un escenario que implicará la incorporación de tecnologías de IA para abordar la configuración adecuada de la máquina de inspección una vez instalada en el sitio del cliente, lo que emplea la solución de QA. En esta fase de uso, uno de los procesos a realizar es la configuración de la máquina, lo que permitirá abordar el avance A3. En este escenario del piloto de inspección de alimentos de AIDEAS, la empresa colabora con su cliente para garantizar el uso adecuado de la máquina en el sitio del cliente.

El cliente definirá un conjunto de requisitos para la máquina que debe ser fabricada y ensamblada en la empresa de maquinaria de inspección de alimentos. La configuración de las máquinas de inspección comienza en el sitio del fabricante cuando se produce la máquina de inspección de acuerdo con los requisitos del cliente y cuando se programa la recopilación de lo que el fabricante llama "recetas". Cada receta contiene la configuración de la máquina de acuerdo con un conjunto de características del producto a clasificar por ejemplo, tipo de producto, tamaño y calidad. Dependiendo del mercado al que se destine el producto clasificado, la receta puede cambiar. Por ejemplo, los productos clasificados en una máquina de inspección pueden ser entregados a un mercado muy restrictivo en términos de calidad o a mercados donde la calidad no es tan restrictiva. Por lo tanto, la receta (configuración de la máquina) de la máquina de inspección es diferente cuando el producto a clasificar se entrega a un mercado distinto. Además, dependiendo de la calidad inicial del producto a clasificar, su color, tamaño, etc., la configuración también cambia.

Cuando la máquina de inspección de alimentos clasifica productos homogéneos, se espera que todos los elementos sean similares en cuanto a tamaño, forma, color, textura, calidad, entre otros. Esto facilita la tarea de clasificación porque el proceso puede basarse en criterios muy específicos y fácilmente medibles en la configuración de la receta. Sin embargo, cuando el producto a clasificar varía ampliamente, como un lote de alimentos de diferentes tamaños, formas, colores y texturas, la tarea de clasificación puede ser mucho más complicada. En este caso, se necesitan recetas más precisas y flexibles, lo que hace que la tarea de clasificación sea más compleja y requiera más tiempo y recursos. Por lo tanto, es importante considerar la homogeneidad del producto al configurar la máquina de inspección. De esta manera, se deben elegir las recetas apropiadas con criterios de clasificación precisos para lograr una clasificación precisa y eficiente.

Actualmente, el fabricante de maquinaria de inspección define una colección de recetas que responden a diferentes características de los productos a clasificar. Cuando la máquina se entrega al sitio del cliente, QA verificará y supervisará la entrada del producto en la máquina y, según las características identificadas, QA propondrá automáticamente una receta para la máquina de inspección. Si el producto cambia de características, QA detectará dichos cambios y propondrá automáticamente una nueva receta o configuración en la máquina. Por lo tanto, la receta de la máquina se seleccionará automáticamente por QA según las características del producto a clasificar y el mercado al que se destina. En la Figura 5, el proceso de configuración de la máquina de inspección se representa mediante BPMN. Se indican los puntos de colaboración entre el fabricante y el cliente y cómo se utilizará la solución de QA para respaldar la calibración de la máquina para una selección precisa de la receta. Los beneficios que se obtendrán al aplicar QA son:

(i)Reducir el tiempo de configuración de la máquina de inspección;

(ii)Optimizar el trabajo de los operadores al pie de la máquina cuando se elige una receta para comenzar a clasificar un nuevo producto sin que el trabajador tenga que realizar una estimación de receta adecuada;

(iii)Aumentar la precisión durante el proceso de selección de receta.

Figura 5. Fase de Uso: caso de uso de la herramienta IA para la inspección de calidad (QA).

Por lo tanto, QA permitirá seleccionar automáticamente la configuración adecuada de la máquina de acuerdo con el tipo y la calidad del producto que ingresa en la máquina para su clasificación. QA también cambiará automáticamente la configuración de la máquina cuando el hardware de QA detecte cambios en las características del producto que ingresa en la máquina para su clasificación.

5.3. Soluciones IA en la fase de Reparación/Reutilización/Reciclaje

En el proceso actual de mantenimiento, se realiza la reposición de componentes o piezas de repuesto cuando un cliente reporta una falla en un componente de la máquina o cuando dicho componente alcanza el máximo de horas definido por el proveedor. Actualmente, no se utiliza un sistema de mantenimiento predictivo. Si la pieza de repuesto requerida está disponible en el inventario, se envía al cliente. De lo contrario, se genera una orden interna para que el departamento de compras adquiera la pieza necesaria.

La empresa manufacturera tiene como objetivo implementar un sistema de Mantenimiento Predictivo basado en IA. La herramienta más adecuada para la mejora de este proceso es PM, esta utilizará la IA para predecir la vida útil de componentes críticos como el generador de rayos X, correas, cadenas, bandas o rodamientos. Los datos que alimentarán la herramienta AI-PM incluyen años de uso de las máquinas, experiencia del gerente de posventa, estimaciones del proveedor sobre el uso de los componentes, monitoreo en tiempo real del uso de los componentes, fechas de cambios y reparaciones de componentes, edad de los componentes, kilómetros recorridos por las máquinas y horas de trabajo diarias. Este enfoque proactivo permitirá prevenir fallas en la clasificación de productos y optimizar las operaciones de mantenimiento.

En la Figura 6 el proceso de mantenimiento de la máquina de inspección se modela mediante BPMN. Se representa como se produce la colaboración entre el fabricante y el cliente, y cómo se utilizará la solución de PM para respaldar el mantenimiento predictivo de los componentes de la máquina. Esta anticipación a posibles fallos de componentes contribuirá a prevenir averías en la máquina debido a un mal funcionamiento, lo que a su vez prolongará significativamente su ciclo de vida útil. Por lo tanto, los beneficios de integrar PM en el proceso de mantenimiento de la empresa son:

(i)Reducción de tiempos de inactividad.

(ii)Mejora en la disponibilidad de piezas de repuesto al prever las necesidades de piezas de repuesto con anticipación.

(iii)Prolongación del ciclo de vida útil de la maquinaria evitando posibles fallos y garantiza un mantenimiento adecuado, el ciclo de vida útil de la maquinaria se extiende.

Figura 6. Fase R3: caso de uso de la herramienta IA para el mantenimiento predictivo (PM).

6. Conclusión

Este artículo presenta un análisis detallado sobre cómo la IA da soporte a las cuatro fases del ciclo de vida de un producto, desde el diseño a la fabricación, pasando por el uso y la reutilización/reparación/reciclado del mismo. Dicho análisis se lleva a cabo en el contexto del proyecto AIDEAS, cuyo objetivo es el desarrollo tecnologías de IA para apoyar todo el ciclo de vida de los equipos industriales desde la perspectiva de fabricación inteligente, como instrumento estratégico alcanzar la para mejorar la sostenibilidad, agilidad y resiliencia de las empresas europeas fabricantes de maquinaria. La integración de la IA en todas las etapas del ciclo de vida de las máquinas permite mejorar la eficiencia, reducir residuos y promover prácticas sostenibles. Desde el diseño hasta la reparación, la IA desempeña un papel esencial en la gestión de activos, la calidad del producto y la toma de decisiones basada en datos en tiempo real. Este enfoque circular promete un futuro más sostenible para la industria, en línea con los principios de la I5.0, que se centra en la eficiencia y el beneficio empresarial, así como en la minimización del impacto ambiental y social.

La IA no solo mejora la productividad, sino que también contribuye a la competitividad de las industrias en una era impulsada por los datos. La combinación de tecnologías avanzadas, la digitalización y la economía circular redefine la forma en que se abordan los productos y su ciclo de vida. En este contexto, el proyecto AIDEAS proporciona una serie de herramientas basadas en la IA para respaldar todo el ciclo de vida de equipos industriales. Dichas soluciones han sido conceptualizadas a lo largo del artículo. En la fase de diseño, la tecnología de IA es integrada con sistemas CAD/CAM/CAE, para optimizar el diseño de componentes estructurales de equipos industriales, mecanismos y 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.

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/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/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

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). Knowledge-embedded 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

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/10.1016/S0142-694X(02)00009-1

NAZARENKO, A. A., SARRAIPA, J., CAMARINHA-MATOS, L. M., GRUNEWALD, C., DORCHAIN, M., & JARDIM-GONCALVEs, 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

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/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

_______________________________

¹ Research Centre on Production Management and Engineering (CIGIP), Universitat Politècnica de València (UPV), Camino de Vera s/n, 46022 Valencia, Spain. Email: mmateo@cigip.upv.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: jfiesco@cigip.upv.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: bandres@cigip.upv.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: rpoler@cigip.upv.es ORCID: 0000-0003-4475-6371