Documentos de Académico
Documentos de Profesional
Documentos de Cultura
E Abdoune
E Abdoune
Traducción by
automática Google
por
Google
República Popular Democrática de Argelia
Ministerio de Educación Superior e Investigación Científica
Universidad Abu Bakr BelkaidTlemcen
Facultad de Tecnología
Departamento de Ingeniería Eléctrica y Electrónica
Carrera: Ingeniería Industrial
Trabajo Fin de Máster
Especialidad: Ingeniería de Producción
Con derecho :
Implementación de un Gemelo Digital de estaciones
La cadena MPS 500 bajo Flexsim
Presentado por:
ABDOUNE Jadidja Farah
Frente al jurado:
MEKKADERMohamed El Amine Universidad de Tremecén
ingeniero de I+D
Año académico: 2019/2020
Machine Translated
Traducción by
automática Google
por
Google
Gracias
GRACIAS
Este proyecto no hubiera sido posible sin la intervención consciente de un gran número de personas.
Reconozco que cada uno ha aportado, en diversos grados, pero con igual benevolencia, una
contribución positiva a la finalización de este proyecto.
Mi agradecimiento a mi profesor y mi supervisor GHOMRI Latéfa de la Universidad de
Tlemcen, quien me introdujo en la investigación y me dio muchos buenos consejos. Confianza
y la paciencia que me concedió fueron determinantes en la realización de este proyecto.
Quisiera agradecer a CASTAGNA Pierre, profesor universitario en el IUT de Nantes, por
haberme acogido. También le estoy agradecido por el tiempo sustancial que me dio.
concedió, por toda su ayuda, sus valiosos consejos y su capacidad de escucha, que fueron esenciales para la
Buena suerte con éste proyecto. Estoy encantada de haber trabajado con él porque además de su apoyo
científico, no dudó en darme una calurosa bienvenida y compartir su amabilidad y
benevolencia excepcional hacia mí durante la situación de salud debido al COVID 19.
Mi más sincero agradecimiento a CARDIN Olivier y NOUIRI Maroua por darme la bienvenida.
cálidamente dentro del IUT de Nantes y haber mostrado generosidad. les agradezco
particularmente por sus comentarios constructivos, sus preguntas y sus ideas que me permitieron
para mejorar la calidad de mi trabajo.
Expreso mi aprecio y gratitud a todos los profesores que han brindado ayuda, han
guió mis reflexiones y contribuyó al éxito de esta carrera universitaria y de este proyecto,
a través de sus palabras, sus escritos, sus consejos y sus críticas.
Estos cinco años de estudiante de ingeniería industrial fueron ricos tanto científicamente
que humano Un agradecimiento a mis amigos que embellecieron mis experiencias, me apoyaron y
apoyado durante mis periodos de duda. Estoy especialmente agradecido a los miembros
de Archiclub por todos los momentos de felicidad y alegría que me permitieron crecer y abrirme
en el mundo.
yo
Machine Translated
Traducción by
automática Google
por
Google
Gracias
Doy las gracias especialmente a HAMZAOUI Adel por su meticulosa aunque dolorosa revisión
de este manuscrito, así como a YELLES CHAOUCHE Abdelkrim por acceder a dirigir mi
pensamientos y responder a mis preguntas.
Finalmente, siendo las palabras más simples las más fuertes, envío todo mi cariño a mis padres y
A mi familia que siempre ha estado ahí para mí. Su apoyo y aliento incondicional
son para mí los pilares fundamentales de lo que soy y de lo que hago.
Un especial y cálido agradecimiento a la familia que me acogió durante la pandemia,
quienes me apoyaron y alentaron: a Annie, Marinela, Gomette y Naïa. A pesar de la distancia que
me separó de mis seres queridos, su confianza, su aliento, su ternura, su amor, su
generosidad de alma y espíritu, su benevolencia me acompañó durante este período.
Un pensamiento para poner fin a estos agradecimientos a un ser que nos dejó demasiado pronto, un
persona que me gusta especialmente y que me marcó enormemente durante mi carrera
universidad a través de su alegría de vivir, su alegría, su humor, su amabilidad y su devoción. Señor.
BENSMAIN Abderrahmane siempre me animó y me empujó hacia adelante, sacudió mi alma
por sus consejos, transmitiéndome su pasión por vivir. Él vivirá por siempre en mi corazón. Eso
Dios lo acoge en su vasto paraíso.
ABDOUNE Jadidja Farah
iii
Machine Translated
Traducción by
automática Google
por
Google
Contenido
CONTENIDO
GRACIAS ................................................. .................................................... ................... II
CONTENIDO .................................................. .. .................................................. .. ..........IV
LISTA DE PINTURAS.................................................... .................................................... ......... VII
LISTA DE FIGURAS............................................... .................................................... ..............IX
LISTA DE ACRÓNIMOS............................................... .................................................... .............................. XIII
LISTA DE ANEXOS.................................................... .................................................... ............. XV
INTRODUCCIÓN GENERAL................................................ .................................................... ... 1
CAPÍTULO 1 INDUSTRIA 4.0 Y MÁS ALLÁ .......................................... .......... ..................... 4
1.1 Introducción :................................................ .................................................... ....................4
1.2 Industria 4.0:................................................... ... ............................................................. ... ...................5
1.3
Sistemas de producción ciberfísica (CPPS): ....................................... .. ..........6
1.4
Las palancas tecnológicas de la industria 4.0:......................................... .. ......................6
1.4.1 Grandes datos: ............................................. .................................................... .......................7
1.4.2 Robots autónomos: ............................................... .................................................... ........7
1.4.3 Sistemas de integración vertical y horizontal: ....................................... .. ...........7
1.4.4 Internet Industrial de las Cosas (IIOT): ....................................... ..... ...................................8
1.4.5 Ciberseguridad: .............................................. . .................................................. .. ...............8
1.4.6 Computación en la nube: ........................................... ... ............................................................. ... .....8
1.4.7 Aditivo de fabricación :................................................ .................................................... ......9
1.4.8 Comunicación Inter Máquinas (M2M) : ........................................... .............................9
IV
Machine Translated
Traducción by
automática Google
por
Google
Contenido
1.4.9 Realidad aumentada: ...................................... ...... ............................................ .....9
1.4.10 Simulación: ................................................ ..... ............................................. ..... ..........10
1.5
Gemelo digital:............................................... .................................................... ...................11
1.5.1 Los componentes de un Gemelo Digital: ....................................... . ....................................13
1.5.2 Nivel de integración: ....................................... .... ............................................................. .... .14
1.6
Estrategias de mantenimiento: .............................................. ... ...........................................dieciséis
1.7 Revisión de literatura sobre mantenimiento predictivo: ........................................... .... ..............17
1.8 Desafíos: .................................................. .................................................... ..........................19
1.9 Conclusión :................................................ .................................................... ....................20
CAPITULO 2 HERRAMIENTAS PARA MODELADO, SIMULACIÓN Y
PROGRAMACION .................................................. .................................................... .......... 21
2.1 Introducción :................................................ .................................................... ..........21
2.2 FlexSim :................................................. .................................................... .......................21
2.3 CIROS :.................................................... .................................................... .........................23
2.4 PASO 7: .............................................. .................................................... ..........................24
2.5 NetToPlcsim :................................................... ............................................. ..... ..........24
2.6 OPC :.................................................... .................................................... .............................24
2.6.1 Especificaciones OPC: ................................................ ...... ............................................ ....25
2.6.2 L'architecture d'OPC :................................................ .................................................... .....26
2.7 Kepserver EX :.................................................... . ................................................. . ..............26
2.8 Python y sus paquetes de análisis de datos:.................................... ..... .......................26
2.9 El sistema de producción modular MPS500: ........................................... ....................27
2.9.1 El sistema de transporte: ...................................... ..... ............................................. 28
en
Machine Translated
Traducción by
automática Google
por
Google
Contenido
2.9.2 Las diferentes estaciones .......................................... ...... ............................................ .28
2.10 La línea de montaje: .......................................... .. .................................................. .. ...30
2.11 Conclusión :................................................. .................................................... ...................30
CAPÍTULO 3 ARQUITECTURA DEL MANTENIMIENTO PREDICTIVO BASADO EN LA
GEMELO DIGITAL PARA CPPS ............................................... .......................................... 31
3.1 Introducción :................................................ .................................................... ..........31
3.2 Gemelo digital utilizado en el mantenimiento predictivo: ........................................... ...........31
3.3 Arquitectura de Implementación: ............................................. . ..........................................32
3.3.1 El Sistema CiberFísico de Producción (CPPS) ........................................... .... ...............33
3.3.2 Adquisición de datos ............................................. . .................................................. 33
3.3.3 Todos los módulos detectores ........................................... ..... ..................................34
3.3.4 Centro inteligente de apoyo a la decisión de mantenimiento .................................. . .........34
3.4 Aprendizaje automático: .............................................. .................................................... .........35
3.4.1 Regresión logística (LR): ............................................. .............................................36
3.4.2 Red Neuronal Artificial (ANN): ........................................... ....... ...............................37
3.4.3 Máquina de vectores de soporte (SVM): ....................................... . ..............................38
3.5 Conclusión :................................................ .................................................... ....................39
CAPÍTULO 4 IMPLEMENTACIÓN Y ESTUDIO DE CASO........................................... .. ......... 40
4.1 Introducción :................................................ .................................................... ..........40
4.2 Caso de estudio en la línea de montaje:................................................. .. ..............................40
4.2.1 Sistema de producción: ....................................... ..... ............................................. 41
4.2.2 Comunicación de datos: ............................................... ..........................................43
4.2.3 Modelado numérico bajo Flexsim:................................................ .... ..................................43
nosotros
Machine Translated
Traducción by
automática Google
por
Google
Contenido
4.2.4 Guardar datos en MySQL: ........................................... ..... .................................46
4.2.5 Analizando datos en Python ............................................... ..................................................47
4.2.6 Aprendizaje automático en Python ........................................... ........... ..................................48
4.2.7 Conclusión .................................................. .................................................... ....................53
4.3 Estudio de caso de estaciones MPS 500 ............................................... ..... ..................................53
4.3.1 Funcionamiento de la estación de clasificación: ....................................... ........ ..................................54
4.3.2 Observación de la estación en Ciros ........................................... .. ....................................55
4.3.3 Programación del autómata .............................................. ..... ............................................. ..... .....55
4.3.4 Comprobación del programa de PLC ........................................... ... ............................................................. ... 56
4.3.5 Configuración de la red ............................................. . ..........................................58
4.3.6 Modelado 3D en Flexsim:........................................... .... .................................................62
4.3.7 Configuración de la emulación en Flexsim ........................................... ........................63
4.3.8 Resultados ............................................ .. .................................................. .. ...................67
4.4 Conclusión................................................. .................................................... ...................68
CONCLUSIONES Y PERSPECTIVAS .................................................. ............................................. 69
BIBLIOGRAFÍA ............................................................. . .................................................. ..................... 71
TP 0: introducción a Flexsim................................................ ... ............................................................. ... .............74
TP 1: Introducción a los conceptos generales de modelado ....................................... ..... ............77
TP 02 : Introducción al Flujo de Proceso ........................................... .............................................87
REANUDAR................................................. .................................................... .................................... 94
ABSTRACTO................................................. .................................................... ............................... 94
XCIII .................................................. .................................................... .......................................resumen
viii
Machine Translated
Traducción by
automática Google
por
Google
Lista de pinturas
LISTA DE PINTURAS
Cuadro 41 Distribución de las clases de la perturbación e ....................................... .......................47
Tabla 42 Resultados del análisis de datos........................................... ..... .................................................48
viii
Machine Translated
Traducción by
automática Google
por
Google
Lista de Figuras
LISTA DE FIGURAS
Figura 1.1 los diferentes tipos de modelado de un sistema ....................................... . ...............10
Figura 1.1.2 los elementos de un modelo Digital Twin19 .......................................... .. ......................14
Figura 1.3 Flujo de datos en un modelo digital ........................................... ........ ..............................15
Figura 1.4 Flujo de datos en una sombra digital........................................... .......... ............................15
Figura 1.5 Flujo de datos en un gemelo digital ........................................... ........ ................................dieciséis
Figura 2.1 Ejemplo de un modelo 3D en Flexsim......................................... ..... ..................................22
Figura 2.2 Ejemplo de un flujo de proceso en Flexsim .......................................... . .............................22
Figura 2.3 MPS 507 FMS ............................................... .................................................... ...............28
Figura 2.4 La línea de montaje del IUT de Nantes ............................................. .......... ....................30
Figura 3.1 El diagrama de la arquitectura propuesta .......................................... ........ ..........................33
Figura 3.2 La curva de la función sigmoidea ........................................... ..... .....................................37
Figura 3.3 Red neuronal artificial ............................................... .. ...............................................38
Figura 3.4 Máquina de vectores de soporte .......................................... . .............................................39
Figura 4.1 Arquitectura de implementación ............................................... ..................................................41
Figura 4.2 Sistema de transporte del MPS 500 ........................................... ..... ...................................41
Figura 4.3 La línea de ensamblaje de IUT ........................................... ... ............................................................. 42
Figura 4.4 Flujo del proceso de llegada de tarimas .................................. ...... ....................................43
Figura 4.5 Llegada del palet al transportador ............................................... ...............................44
Figura 4.6 Flujo de proceso para procesar un variador........................................... ..... ................................44
Figura 4.7 Llegada del palet al lector ............................................... ...... ..................................................45
Figura 4.8 Sincronización de detectores ............................................... .... ..................................................46
ix
Machine Translated
Traducción by
automática Google
por
Google
Lista de Figuras
Figura 4.9 Conexión al módulo Conector de Base de Datos........................................... ...................47
Figura 4.10 Diagrama de flujo del algoritmo de clasificación ....................................... .. ...............50
Figura 4.11 Importación de bibliotecas ............................................... ..................................................51
Figura 4.12 Creando el modelo.................................................... .. .................................................. .. ......51
Figura 4.13 Entrenamiento de datos ............................................. .... .............................................52
Figura 4.14 Matriz de confusión ............................................... .... ............................................... .... ...52
Figura 4.15 Arquitectura de implementación.................................................. ..................................................54
Figura 4.16 La estación de clasificación MPS 500 en CIROS......................................... ..... .................................55
Figura 4.17 Tabla mnemotécnica de la estación de clasificación .................................. ...... .................................56
Figura 4.18 Descarga del programa STEP 7 a CIROS ............................................... ...... ...............56
Figura 4.19 Interfaz de EzOPC y PLCSIM durante la simulación......................................... ...... .........57
Figura 4.20 Configuración de una red Ethernet en STEP 7 ........................................... ....... ..................58
Figura 4.21 Elección del protocolo TCP/IP en PLCSIM ........................................... .... ..................................59
Figura 4.22 Configuración de direccionamiento en Nettoplcsim ........................................... ...... ...................59
Figura 4.23 Iniciando el servidor en Nettoplcsim ............................................... .... ..................................60
Figura 4.24 Configuración del hardware de Kepserver........................................... ..... .................................60
Figura 4.25 Importación de entradas y salidas en Kepserver........................................... .... ..........61
Figura 4.26 Extracción de entradas y salidas en el TIA Portal Exporter ....................................... .....61
Figura 4.27 Modelo 3D de la estación de Clasificación en Flexsim........................................... ....... .................................62
Figura 4.28 Flujo de proceso de la estación de tri ....................................... ........................................63
Figura 4.29 Conexión OPC DA en la caja de emulación ........................................... ...... ..............64
Figura 4.30 Interfaz de entrada ............................................... . .................................................. . .....sesenta y cinco
Figura 4.31 Interfaz de salida ............................................... .... ............................................... .... .....66
X
Machine Translated
Traducción by
automática Google
por
Google
Lista de Figuras
Figura 4.32 Cliente OPC en Kepserver................................................ ... ............................................................. 67
Figura 4.33 Diagrama que resume el enfoque de implementación .......................................... ......... 68
Figura 0.1 Interfaz de Flexsim......................................... .................................................... .......74
Figura 0.2 Flujo de una entidad en el modelo 3D de Flexsim......................................... ..... .................................76
Figura 0.3 Mover un token en el flujo de proceso de Flexsim .................................. ...... .....76
Figura 0.4 disposición del primer modelo ........................................... .... ..................................................78
Figura 0.5 las unidades de un modelo de simulación en Flexsim ....................................... . ...............78
Figura 0.6 Conexiones a objetos tipo .................................................. .... ............................................... 79
Figura 0.7 Distribución estadística de la ley exponencial ........................................... ..... ...................80
Figura 0.8 los eventos que ocurren durante la creación de una pieza ....................................... .. ......81
Figura 0.9 Propiedades de las existencias.................................... .... ............................................... .... .........82
Figura 0.10 Configuración de propiedades de inventario .................................. ..... ..............................83
Figura 0.11 Ventana de contenedor de elementos de flujo .................................. ...... ............................................ ....83
Figura 0.12 Propiedades del punto de control.................................... ...... .................................................84
Figura 0.13 Configuración de Triggers.................................................. ............................................84
Figura 0.14 configuración de tiempos de funcionamiento de las máquinas.................................. ..... ...........85
Figura 0.15 Configuración de Gatillos a la entrada del stock ............................................. ......... ..........85
Figura 0.16 Tasas de Ocupación de Puestos........................................... ....... .................................................. .86
Figura 0.17 Diagrama de Gantt ............................................... .. .................................................. .. ....86
Figura 0.18 Layout del segundo modelo.................................................. .... ....................................87
Figura 0.19 Uso de un recurso móvil.................................................... ... .....................................88
Figura 0.20 establecimiento de una conexión central........................................... ...................................88
Figura 0.21 los diferentes recursos móviles.................................................... ... ...................................89
xi
Machine Translated
Traducción by
automática Google
por
Google
Lista de Figuras
Figura 0.22 Dimensionamiento de stock ............................................... .... ..................................................90
Figura 0.23 Flujo del proceso del operador ............................................... ..... ............................................. ..90
Figura 0.24 creando un token................................................ .. .................................................. .. ..........91
Figura 0.25 Asignación de un recurso................................................ .. ...............................................91
Figura 0.26 Secuencia de tareas del operador ............................................... ....... ..................................92
Figura 0.27 Configuración de la actividad de carga parcial .................................. ...... ..............92
Figura 0.28 cambiando el color de la pieza ........................................... .....................................92
xi
Machine Translated
Traducción by
automática Google
por
Google
Lista de acrónimos
LISTA DE ACRÓNIMOS
ANA Red neuronal artificial
API
Controlador lógico programable
CIROS
Simulación de robot integrada por computadora
CoDeSys Sistema de desarrollo de controladores
CON
Modelo de objetos componentes
CPPS Sistema de Producción Física Cibernética
CPS Sistema físico cibernético
DCOM
Modelo de objetos de componentes distribuidos
DP Periférico descentralizado
DT
Gemelo digital
E/E Entrada salida
ERP Planificación de recursos empresariales
I A
Inteligencia artificial
A ÉL Interfaz HombreMáquina
IIOT
Internet industrial de las cosas
SOY S
Sistema de mantenimiento inteligente
XIII
Machine Translated
Traducción by
automática Google
por
Google
Lista de acrónimos
LR Regresión logística
NOSOTROS
Sistema de Ejecución de Manufactura
ML
Aprendizaje automático
SER
Unir e incluir objetos
OPC Comunicación de plataforma abierta
PLM
Gestión del ciclo de vida del producto
PROFINET Red de campo de proceso
rfid
Identificación de frecuencia de radio
SCADA
Control de supervisión y Adquisición de Datos
PERO Simulación de eventos discretos
MVS
Máquinas de vectores de soporte
TCP Protocolo de Control de Transmisión
TIC Tecnologías de la información y la comunicación
xiv
Machine Translated
Traducción by
automática Google
por
Google
Lista de anexos
LISTA DE ANEXOS
Apéndice A – Trabajo práctico bajo flexsim ........................................... ..... ..................................74
XV
Machine Translated
Traducción by
automática Google
por
Google
Introducción general
INTRODUCCIÓN GENERAL
Con el tiempo se inventó la escritura, la agricultura, grandes civilizaciones en Mesopotamia, el Indo
Valle y Egipto nacieron. Las grandes pirámides de Giza
fueron erigidas. Ciudades gigantes como Roma y Atenas han sido testigos de brillantes
civilizaciones desaparecidas, al igual que otros imperios que después de un ascenso glorioso se extinguieron tales
la caída de Constantinopla. Corrientes de pensamiento han influido en la historia y el mundo como
Renacimiento.
Aquí estamos ahora en los tiempos modernos, hemos construido objetos de metal que
volar en el espacio, cambió el clima de nuestro planeta, exploró el mundo e incluso fue
en la Luna. Un tiempo de avance tecnológico, de milagros científicos capaces de lograr lo que
que formaba parte del panorama de la ciencia ficción hace apenas medio siglo, pero que
irónicamente permanece estúpidamente indefenso frente a una amenaza microbiológica inmovilizadora
las capacidades de toda la humanidad.
El teatro de acontecimientos de la historia que es el del hombre moderno es sin duda
asombroso con el impacto de grandes descubrimientos, guerras mundiales y revoluciones
político, científico y particularmente industrial.
La transición de la artesanía a la industrialización comenzó con el desarrollo de la máquina.
máquina de vapor que da vida a la producción en pequeña serie. El advenimiento de la electricidad hizo posible
modernizar los medios de producción, en los albores del taylorismo y del fordismo, dando lugar a
producción en masa y estandarización. El advenimiento de la electrónica y la automatización.
condujo a la flexibilización de las cadenas productivas.
Hoy vivimos la revolución de las TIC (Tecnologías de la Información y la Comunicación).
Comunicación). Las TIC hacen que la demanda de los clientes sea cada vez más personalizada. Pero las TIC también han
permitió la 4ª revolución industrial, al favorecer la aparición de productos
tecnologías y el desarrollo de nuevos procesos, productos y servicios. el interés de
La explotación de estas nuevas oportunidades que ofrece la revolución de las TIC está demostrada por muchos
muchos investigadores y empresas buscan montar fábricas
llamados "inteligentes" capaces de una mayor capacidad de respuesta y flexibilidad y caracterizados por
1
Machine Translated
Traducción by
automática Google
por
Google
Introducción general
interconexión de máquinas y sistemas. Estos se basan en sistemas ciberfísicos.
(CPS) y el Internet de las Cosas (IoT).
Al comienzo de esta revolución, los sistemas de producción evolucionaron de monolíticos a
sistemas que son más autónomos, más complejos y más impredecibles. Estos mismos sistemas deben
a menudo se enfrentan a problemas de mantenimiento y peligros de producción (averías, etc.)
Uno de los conceptos clave de Industria 4.0 busca remediar estos peligros. Se imagina una copia
virtual del sistema real. Inicialmente, esta copia virtual permite visualizar la
comportamiento de una línea de producción o de un grupo de máquinas, gracias a los datos
dispositivos inteligentes detectados y conectados. Luego, al sincronizar esta copia virtual
con el sistema real, con la ayuda de modelos matemáticos, herramientas de análisis de datos y
de herramientas de Inteligencia Artificial (IA), buscamos predecir y optimizar el comportamiento de los
sistema de producción en cada fase del ciclo de vida del producto, en tiempo real. Este
concepto no es otro que el gemelo digital o el "Digital Twin".
El objetivo principal de este trabajo de fin de máster es implementar un doble
en las estaciones del MPS 500 de Festo Didactics del laboratorio de producción de
la Universidad de Tlemcen (MELT), así como en la línea de montaje del Laboratorio de Ciencias
du Numérique de Nantes (LS2N) utilizando el software de simulación de flujo Flexsim, con vistas a
hacer mantenimiento predictivo y reactivo utilizando técnicas de inteligencia artificial.
De hecho, este trabajo es el resultado de una colaboración muy fructífera entre el laboratorio de
producción de la Universidad de Tlemcen (MELT) y el LS2N.
En el primer capítulo de esta tesis definiremos la industria 4.0 y sus diferentes
pilares tecnológicos que nos ayudarán a seguir el progreso de este trabajo. Nosotros
Luego nos centraremos en el gemelo digital y sus niveles de integración industrial para finalmente
cerrar con la definición de las diferentes estrategias de mantenimiento y un resumen de la investigación
que se está realizando actualmente en esta zona.
El segundo capítulo está dedicado a las herramientas de software para programación, modelado y
comunicación que usamos para implementar este trabajo pero también una presentación
del MPS500 y la línea de montaje, el hardware físico en el que realizamos un
caso de estudio.
2
Machine Translated
Traducción by
automática Google
por
Google
Introducción general
En el tercer capítulo, presentaremos la arquitectura propuesta basada en el gemelo digital y
Técnicas de inteligencia artificial para mejorar el mantenimiento predictivo en un sistema.
de produccion. El último capítulo estará dedicado a nuestro método de implementar un sistema gemelo.
digital. Mostraremos cómo podemos sincronizar la realidad y lo virtual y explotar la
datos recopilados para mejorar la confiabilidad de un sistema.
3
Machine Translated
Traducción by
automática Google
por
Google
Capítulo 1: Industria 4.0 y más allá
CAPÍTULO 1 INDUSTRIA 4.0 Y MÁS ALLÁ
1.1 Introducción :
Hoy en día, el desarrollo de las tecnologías de la información y la comunicación (TIC) ha
condujo al nacimiento de una nueva revolución industrial. Industria 4.0 liderada según sea necesario
empresas visualizar un sistema o un proceso en el mundo digital permitiendo
proporcionar información sobre su desempeño.
La evolución de los sistemas de producción ciberfísicos les permite ser más receptivos y
capaz de adaptarse mejor a los riesgos de producción, como las averías.
En este contexto, el gemelo digital de sistemas físicos surge como solución
eficiente, que permite recopilar datos mediante sensores, midiendo así el nivel de desgaste
sistemas Ayuda a comprender los problemas más rápidamente y a proceder de manera
pragmático y rápido para adaptarse a resolver estos problemas. Ante estos retos industriales
mantenimiento, se han realizado varios trabajos de investigación en la literatura.
El objetivo de este trabajo es la implementación de un Gemelo Digital de las estaciones de Festo Didactic de
el MPS500 y la línea de aprendizaje IUT utilizando el software de simulación Flexsim en
hacer mantenimiento predictivo y reactivo
En este capítulo, presentamos el marco de investigación que es "Industria 4.0". Nosotros
Proporcionaremos los detalles necesarios con respecto a este último citando los principales
palancas tecnológicas. Luego nos centraremos en “el gemelo digital”. Posteriormente, nos
dedicaremos una parte a la presentación del mantenimiento y presentaremos una revisión de
literatura sobre los métodos utilizados en este campo para conocer los avances recientes.
Machine Translated
Traducción by
automática Google
por
Google
Capítulo 1: Industria 4.0 y más allá
1.2 Industria 4.0:
Hoy se conoce la nueva generación de fábricas conectadas, robóticas e inteligentes
bajo el nombre de industria 4.0. Esta es la nueva revolución digital que interconecta los
mundo físico y el mundo digital dando a máquinas, productos y empleados la
oportunidad de interactuar unos con otros. [1]
Apareció en 2011 por primera vez en el foro mundial de la industria de Hannover naciendo de una
reflexión alemana, el concepto de "Industria 4.0" o "Industria del futuro" ha definido una nueva
manera de ver los medios de producción [2] para enfrentar nuevos desafíos, utilizando
nuevas tecnologías, creando nuevos modelos de negocio para avanzar hacia una llamada transformación
digitales.[3]
Esta revolución pretende trabajar con un alto nivel de automatización asegurando así
eficiencia y eficacia de la producción y reducción de costes. Negocios
trabajar juntos en un ecosistema digital con proveedores y clientes. [3] La idea
principio es explotar el potencial de las nuevas tecnologías y conceptos tales como [4] el uso
del Internet de las Cosas, la integración de nuevos procesos técnicos, la migración a "smart
fábrica » . Industria 4.0 se basa en la comunicación en tiempo real para monitorear y actuar
sobre sistemas físicos. Su despliegue [5] requiere la integración de diferentes conocimientos
específico de las tecnologías digitales.
Varias estrategias nacionales de desarrollo industrial han seguido los pasos de Alemania, que
en 2011 puso en marcha el proyecto “Industria 4.0”. Vemos así la aparición de la “fábrica del futuro”
en Francia, "fábrica inteligente" en Japón, "Catapulta de fabricación de alto valor" en el Reino Unido
Uni, “La fabbrica Del futuro” en Italia, “Advanced manufacturing partnership” en Estados Unidos,
o el proyecto “Made in China 2025” en China. Estos esfuerzos abordan diferentes perspectivas
relacionadas con la aparición de nuevos procesos, productos y servicios.
5
Machine Translated
Traducción by
automática Google
por
Google
Capítulo 1: Industria 4.0 y más allá
1.3 Sistemas de producción cibernéticos (CPPS):
El término sistemas ciberfísicos (CPS) se ha definido como los sistemas naturales diseñados
por humanos (espacio físico) altamente integrado con sistemas de comunicación y comunicación
control (ciberespacio). Sus principales características son la descentralización y
autonomía.[6]
Los sistemas de producción física cibernéticos (CPPS), por otro lado, dependen en gran medida de
últimos avances en tecnologías de la información y la comunicación (TIC),
que condujo a la cuarta revolución industrial. Según [7], “Cyber sistemas de producción
La física son sistemas de sistemas de elementos autónomos y cooperativos que conectan los
entre sí en función de la situación, en todos los niveles de producción,
procesos a máquinas, redes productivas y logísticas, mejorando
por lo tanto, procesos de toma de decisiones en tiempo real, en respuesta a condiciones y desarrollos imprevistos
a tiempo "
1.4 Las palancas tecnológicas de la Industria 4.0:
Los avances en la tecnología han llevado a un aumento dramático en la productividad
desde los albores de la revolución industrial. Fábricas de máquinas de vapor en el siglo XIX,
la electrificación condujo a la producción en masa a principios del siglo XX, y la industria se volvió
automatizado en la década de 1970. En las décadas siguientes, los avances tecnológicos
los industriales sólo están progresando en el campo de la informática, la comunicación y
comercio electrónico [8].
Ahora, durante esta cuarta ola de avances tecnológicos, el surgimiento de
La nueva tecnología industrial digital se basa en los avances tecnológicos
fundamentos En esta transformación, sensores, máquinas, partes y sistemas
las computadoras están interconectadas para crear un ecosistema cibernético físico. los pilares de
Industry 4.0 permite que los datos se recopilen y analicen rápidamente, asegurando
aumentar la productividad manufacturera y estimular el crecimiento industrial y económico, porque
una vez que las células aisladas se transforman en un flujo de trabajo automatizado totalmente integrado
y optimizado.
6
Machine Translated
Traducción by
automática Google
por
Google
Capítulo 1: Industria 4.0 y más allá
1.4.1 Grandes datos:
Big data y su análisis tiene como objetivo procesar grandes volúmenes de datos
provenientes de múltiples fuentes y diferentes formatos, lo que permite una mejor captura de
decisión en tiempo real[5]. Según Forrester [8], cuatro dimensiones definen Big Data:
volumen de datos, variedad de datos, velocidad de generación de nuevos datos y
de análisis y finalmente el valor de los datos [9].
Ejemplo: El fabricante de semiconductores "Infineon Technologies" ha reducido las fallas de
productos al correlacionar los datos capturados durante la fase de prueba al final de la producción con
datos recopilados anteriormente en el proceso. De esta forma, Infineon pudo identificar el
modelos que ayudan a descargar chips defectuosos al principio del proceso de producción y
mejorar la calidad de la producción.
1.4.2 Robots autónomos:
En el paradigma de la Industria 4.0, los robots son cada vez más autónomos, más flexibles y
interactuar cada vez más con los humanos gracias a las nuevas tecnologías de conectividad,
de forma segura, estos robots se denominan “cobots”. Estos robots pueden realizar tareas con
notable precisión e inteligencia mientras se enfoca en la flexibilidad[10].
1.4.3 Sistemas de integración vertical y horizontal:
Los sistemas informáticos actuales no están completamente integrados. negocios,
los proveedores y los clientes están débilmente vinculados. La llegada de la Industria 4.0 ha permitido
cohesión entre empresas, departamentos, funciones. Industria 4.0 tiene tres
dimensiones de la integración: integración horizontal de la cadena de creación de valor,
integración vertical para reconfiguración de procesos productivos e integración
ingeniería durante el ciclo de vida de un producto [10].
Ejemplo: Dassault Systèmes y BoostAeroSpace han lanzado una plataforma de colaboración para
la industria aeroespacial y de defensa europea. La plataforma, AirDesign, sirve como espacio
trabajando para la colaboración de diseño y fabricación y está disponible como un servicio
7
Machine Translated
Traducción by
automática Google
por
Google
Capítulo 1: Industria 4.0 y más allá
en una nube privada. Maneja la compleja tarea de intercambiar datos de productos y producción.
entre varios socios.
1.4.4 Internet industrial de las cosas (IIOT):
Según ISO/IEC 30141, Internet of Things se define como una infraestructura
interconexión de entidades físicas, sistemas, fuentes de información y servicios
sistemas inteligentes que procesan información del mundo físico y virtual.
En Industria 4.0, el Internet Industrial de las Cosas conecta una variedad de recursos
conectándolos a tecnologías a bordo que les permiten interactuar, comunicarse,
recopilar, intercambiar y analizar. Esto permite descentralizar la toma de decisiones, con
capacidad de respuesta en tiempo real.
Internet de las cosas (IoT) también debe conocerse como Internet de todo (IoE), que consiste en
en el internet de los servicios (IoS), el internet de los servicios de fabricación (IoMs), el internet de las personas
(IoP).[11]
Ejemplo: Bosch Rexroth, un proveedor de sistemas de accionamiento y control, ha equipado un
planta de producción de válvulas con un proceso de producción semiautomático descentralizado.
Los productos se identifican mediante códigos de identificación por radiofrecuencia y las estaciones de trabajo
"saber" qué pasos de fabricación deben llevarse a cabo para cada producto y puede
aptos para realizar la operación específica.
1.4.5 Ciberseguridad:
En los albores de la Industria 4.0, el intercambio de datos industriales y el control remoto de
Los sistemas de producción revelan un riesgo crítico de seguridad cibernética. terminó
aumentar las medidas de seguridad mediante el uso de estándares y protocolos de seguridad
comunicación más confiable como VPN, P2P, PIR, TLS, DNSSEC y etiquetas RFID.[6]
1.4.6 Computación en la nube:
La nube proporciona acceso a recursos informáticos compartidos (redes, servidores, almacenamiento,
aplicaciones y servicios) mediante la externalización de su gestión, lo que implica una reducción de
8
Machine Translated
Traducción by
automática Google
por
Google
Capítulo 1: Industria 4.0 y más allá
costos La computación en la nube facilita el intercambio de datos entre sitios y sistemas. En la industria
4.0, muchos recursos están involucrados en la virtualización de infraestructuras,
notons : Software como servicio (SaaS), Infraestructura como servicio (IaaS), Plataforma como servicio
(Paás).[5]
1.4.7 Aditivo de fabricación:
Las necesidades y requisitos de los clientes cambian constantemente, las empresas necesitan
Enfréntate al desafío y adáptate a ellos personalizando los productos y reduciendo
retrasos en la fabricación.
En el contexto de la Industria 4.0, están adoptando cada vez más la fabricación aditiva como
Impresión 3D, utilizada principalmente para la creación de prototipos y la producción de componentes.
pequeños lotes personalizados, cuyo diseño es complejo. La producción se vuelve más rápida y
menos costosa mediante el uso de tecnologías como la fusión selectiva por láser o el método de
deposición láser.[5]
1.4.8 Comunicación entre máquinas (M2M):
Las tecnologías de comunicación máquina a máquina están creciendo. EL
Las tecnologías M2M crean redes locales basadas en protocolos y estándares como
que: TCP/IP, OPC DA, OPC UA, DLNA… Etc.[5]
1.4.9 Realidad aumentada:
La industria puede utilizar la realidad aumentada para proporcionar información a los trabajadores
en tiempo real para mejorar la toma de decisiones y los procedimientos de trabajo. Los trabajadores pueden
recibir instrucciones de reparación sobre cómo reemplazar una pieza en particular cuando
examinar el sistema real a reparar.
La realidad aumentada se superpone en tiempo real al entorno físico real de
información a la realidad circundante. Permite redefinir la forma de monitorear,
controlar, optimizar o hacer autónomos los productos, procesos o servicios de
Industria 4.0.
9
Machine Translated
Traducción by
automática Google
por
Google
Capítulo 1: Industria 4.0 y más allá
1.4.10 Simulación:
La simulación ya está presente en diferentes ámbitos de la ingeniería. Su aplicación en
Industria 4.0 se trata de simular el proceso de fabricación. Su objetivo es probar y optimizar la
operación y configuración para visualizar los cambios antes de trasladarlos a
el mundo real. Consiste en imitar el comportamiento de un sistema real o en predecir el
comportamiento de un sistema subyacente que aún no existe
Existen diferentes métodos para modelar y simular un sistema real como se ilustra en la
Figura 1.1 a continuación, donde nos centraremos en la simulación de flujo en particular.
estudio de
un sistema
Experimentar en Experimentación en
un modelo de
el sistema real
sistema
modelo virtual
Modelo físico
Modelo
Modelo de
analítico/
simulación
Matemático
Simulación mecánica
Simulación eléctrica
Simulación de flujo
Figura 1.1 los diferentes tipos de modelado de un sistema
• Simulación de flujo:
La construcción de un modelo dinámico y el uso experimental de este último son todos
ambos integrados en la simulación del flujo de producción. Estos modelos son una representación
10
Machine Translated
Traducción by
automática Google
por
Google
Capítulo 1: Industria 4.0 y más allá
sistemas reales capaces de reproducir el funcionamiento de estos últimos y tienen una capacidad de
describir la cadena de producción con un grado significativo de precisión.
Se utiliza principalmente para estudiar los flujos físicos que se definen como
movimiento de una entidad física o intangible en un sistema dado
• Simulación de eventos discretos (SED):
En la simulación, distinguimos: modelos estáticos, para los cuales el tiempo no es un
modelos paramétricos y dinámicos, para los cuales el comportamiento es una función del tiempo.
Dentro de los modelos de simulación dinámica, encontramos los modelos de eventos discretos
en el que los estados cambian ante la ocurrencia de eventos tales como el comienzo o el final de un
operación. En una simulación de eventos discretos, los flujos esenciales examinados son
compuesto por elementos aislables que pueden ser llamados "Entidades".
1.5 Gemelo digital:
La primera definición del Gemelo Digital fue dada en 2002 por Michael Grieves en la Universidad
de Michigan como parte de una presentación de la industria sobre la gestión del ciclo de vida
del producto (PLM) [12], donde explicó que la representación digital debe incluir de alguna manera
de manera óptima toda la información sobre el sistema activo que potencialmente podría ser
obtenidos de su minuciosa inspección en el mundo real.
Pero el gemelo digital existía mucho antes, la era pionera de la exploración espacial comenzó alrededor del año 60
hace años que. En ese momento, la NASA tenía el desafío de diseñar objetos que pudieran
viajar tan lejos que estarían más allá de la capacidad humana para verlos, monitorearlos o modificarlos
directamente. Luego, la NASA diseñó un gemelo digital de un sistema físico utilizado para hacer
operar, simular, probar un sistema subyacente. En julio de 1969, el transbordador Apolo 11 que traía
Neil Armstrong en la luna, fue uno de los primeros dispositivos equipados con un gemelo.
El gemelo digital (alemán: digitalizador Zwilling) [13] fue definido para la NASA en
2010 como simulación de un vehículo o sistema utilizando el mejor modelo posible
para representar la imagen de su gemelo real.
11
Machine Translated
Traducción by
automática Google
por
Google
Capítulo 1: Industria 4.0 y más allá
Se da una definición más detallada y en el campo de la investigación ampliamente reconocida
“
en [14]: el El gemelo digital es una simulación multifísica, multiescala e integrada de un
producto complejo y utiliza los mejores modelos físicos disponibles, actualizados por el
sensores para reflejar la vida de su gemelo correspondiente. »
En términos de fabricación, la siguiente definición de Gemelo Digital se da en [15]: “El DT
consiste en una representación virtual de un sistema de producción que es capaz de funcionar
en diferentes disciplinas de simulación caracterizadas por la sincronización entre el sistema
virtual y real, gracias a los datos detectados y dispositivos inteligentes conectados, modelos
matemáticas y procesamiento de datos en tiempo real. El papel de la actualidad en los sistemas.
fabricación de la industria 4.0 es aprovechar estas capacidades para predecir y optimizar la
comportamiento del sistema productivo en cada fase del ciclo de vida en tiempo real. »
La industria y la investigación académica definen un gemelo digital de varias maneras
diferente. Según algunos, un gemelo digital es un modelo integrado de un producto conforme a la
construcción destinada a reflejar defectos de fabricación y a actualizarse continuamente para
incluyen el desgaste ocasionado durante el uso [16]. Otras definiciones ampliamente utilizadas describen la
gemelo digital como un modelo digital animado por sensor de un objeto físico que
simula el objeto en un marco real.
Aunque la terminología ha cambiado a lo largo de los años, el concepto de crear un gemelo digital
y lo físico en una sola entidad ha permanecido igual desde su aparición.[17] el gemelo digital
se basa en el mundo real, midiendo datos en tiempo real a través de un tablero. Estos
las mediciones nos permiten visualizar la evolución de un sistema o proceso en el mundo
digital, para proporcionar información sobre su funcionamiento.
Hoy en día, las empresas utilizan cada vez más las características de los gemelos digitales de
sistemas físicos, lo que permite recopilar datos a través de sensores, midiendo así la
nivel de desgaste de los sistemas. Pero a pesar de lo avanzadas y poderosas que son sus funciones,
el objetivo de un gemelo digital sigue siendo el mismo, comprender los problemas más rápidamente y proceder
pragmática y rápidamente a los comandos necesarios para resolver estos problemas.
Un gemelo digital difiere de los modelos de diseño asistido por computadora (CAD) o
Tecnología de internet de las cosas (IoT). El diseño asistido por computadora es completamente
12
Machine Translated
Traducción by
automática Google
por
Google
Capítulo 1: Industria 4.0 y más allá
encapsulado en una computadora dentro de un entorno simulado que modela objetos y
sistemas bastante complejos. [18] En cuanto al Internet de las Cosas, permite medir la posición o
para dar el diagnóstico de un objeto dado. Pero ninguna de las dos tecnologías permite una
interacción entre el sistema real y el sistema virtual. Seguramente es la interactividad fuerte y completa
en tiempo casi real entre el mundo físico y el mundo real que constituye el poder real
del gemelo digital. Puede prometer modelos ricos y realistas, analizando continuamente
el flujo de datos recopilados. Se puede utilizar durante todo el ciclo de vida del producto para
simular, optimizar y predecir el sistema de producción.
1.5.1 Los componentes de un Gemelo Digital:
La siguiente figura representa un proceso de fabricación real y su gemelo digital
así como los elementos que los componen y conectan [19], citamos:
• Los sensores que permiten que el gemelo digital recopile datos en tiempo real para
reproducir el mismo comportamiento que el proceso de fabricación.
•Los datos recopilados en tiempo real, así como los datos operativos de la empresa, podemos
encuentre incluso dibujos técnicos, se combinan datos externos.
• Integración de los datos comunicados por los sensores al mundo digital gracias a la
periferia, interfaces de comunicación y seguridad.
• Análisis de datos mediante simulación y visualización por el gemelo digital.
• Actuadores: el gemelo digital producirá la misma acción que el modelo real utilizando
información transmitida por los actuadores.
13
Machine Translated
Traducción by
automática Google
por
Google
Capítulo 1: Industria 4.0 y más allá
Figura 1.1.2 los elementos de un modelo Gemelo Digital[19]
1.5.2 Nivel de integración:
Basado en las definiciones dadas de un gemelo digital en cualquier contexto, uno
podría identificar una comprensión común de los gemelos digitales, como contrapartes
de objetos físicos. En estas definiciones, los términos Modelo Digital, Sombra Digital y
Los Gemelos Digitales se usan a menudo como sinónimos. Sin embargo, las definiciones dadas difieren
en el nivel de integración de datos entre la contraparte física y digital. Alguno
las representaciones digitales se modelan manualmente y no están vinculadas a ningún objeto físico
los existentes, mientras que otros están totalmente integrados con el intercambio de datos en tiempo real. Por
Por ello, los autores desean proponer una clasificación de los gemelos digitales en tres
subcategorías, dependiendo de su nivel de integración de datos. [12]
• Modelo digital :
Un modelo digital es una representación digital de un objeto físico existente o planeado
que no utiliza ninguna forma de intercambio automatizado de datos entre el objeto físico y el objeto
digital.
14
Machine Translated
Traducción by
automática Google
por
Google
Capítulo 1: Industria 4.0 y más allá
Figura 1.3 Flujo de datos en un modelo digital
• Sombra digital :
Basado en la definición de un modelo numérico, si además hay un flujo de datos
unidireccional automatizado entre el estado de un objeto físico existente y un objeto digital,
podría referirse a tal combinación como una sombra digital. Un cambio de estado de
el objeto físico provoca un cambio de estado del objeto digital, pero no al revés.
Figura 1.4 Flujo de datos en una sombra digital
• Gemelo Digital :
Si, además, los flujos de datos entre un objeto físico existente y un objeto digital son
totalmente integrado en ambas direcciones, podríamos llamarlo Gemelo Digital. De tal
combinación, el objeto digital también podría actuar como una instancia de control del objeto
físico. También pueden existir otros objetos, físicos o digitales, que induzcan
cambios de estado en el objeto digital. Un cambio de estado del objeto físico provoca
directamente un cambio de estado del objeto digital y viceversa.
15
Machine Translated
Traducción by
automática Google
por
Google
Capítulo 1: Industria 4.0 y más allá
Figura 1.5 Flujo de datos en un gemelo digital
1.6 Estrategias de mantenimiento:
"
La norma AFNOR NF X 60010 define el mantenimiento como un conjunto de acciones
para mantener o restaurar la propiedad a una condición específica o capaz de proporcionar
servicio especificado. Un correcto mantenimiento significa asegurar estas operaciones al coste óptimo. »
Las estrategias de mantenimiento se clasifican en dos grupos principales: reactivo y preventivo [20].
El mantenimiento reactivo representa las intervenciones en el equipo una vez que está
defecto. Esta estrategia de mantenimiento correctivo hace posible que no se elabore un programa de mantenimiento
mantenimiento por adelantado y se asegura de que no se haga nada hasta que todo vaya bien. Sin embargo, tan pronto como
se vuelve necesario, el equipo sufre tiempo de inactividad y costo de reparación
importante.
Para evitar estas pérdidas, realice intervenciones de mantenimiento preventivo en los equipos.
antes de que su falla se volviera bastante común. Estas operaciones se planifican periódicamente sin
interrumpir la producción. Sin embargo, esto se puede hacer con más frecuencia de lo necesario.
Una estrategia más eficiente que tenga en cuenta el estado real de los equipos así como todos sus
fallas anteriores, sería el mantenimiento predictivo, que se basa en monitorear el estado de la
máquina a intervalos regulares o continuamente.
dieciséis
Machine Translated
Traducción by
automática Google
por
Google
Capítulo 1: Industria 4.0 y más allá
1.7 Revisión de literatura sobre mantenimiento predictivo:
Inspección visual y signos que se pueden detectar con los ojos, oídos y
olfato hasta técnicas avanzadas y elaboradas basadas en modelos de inteligencia artificial, la
el mantenimiento ha evolucionado enormemente.
Los sensores ahora están disponibles para aumentar la confiabilidad, reducir costos pero también
analizar y predecir la degradación y las averías mediante la introducción del mantenimiento predictivo. Sujeto
investigación en el paradigma de la industria 4.0, también llamada "vigilancia en línea", "
mantenimiento basado en la condición” o “mantenimiento basado en el riesgo”, donde se toman medidas
continuamente para detectar tendencias y anticipar problemas, permitiendo una respuesta
fallas inmediatas a potenciales utilizando métodos de aprendizaje automático (ML) y
otros. Los sistemas industriales pueden seguir funcionando sin tiempos de inactividad innecesarios.
Cuando se requiere mantenimiento, es muy específico: se informa a los técnicos de la
componentes que necesitan ser inspeccionados, reparados y reemplazados.
Varios proyectos de investigación y trabajos relacionados se han llevado a cabo en un intento de abordar este
problema. Aquí hay algunos:
Para evitar tiempos de inactividad significativos y costos de reparación debido al mantenimiento correctivo
Los fabricantes de aviones clásicos están cada vez más interesados en la estrategia de mantenimiento.
predictivo [5]. Es un tipo de estrategia de mantenimiento preventivo basado en medidas
tomadas continuamente para detectar fallas y anticipar problemas. [21]Los autores revisaron la
enfoques, métodos y herramientas relacionados con el mantenimiento predictivo en los sistemas de
fabricación y ofrecer una plataforma integrada de mantenimiento predictivo.
En [22] Nguyen et al. ofreció una revisión de los enfoques basados en la simulación, que han sido
ampliamente utilizado en el contexto del mantenimiento. En estos enfoques, el comportamiento del
sistema se reproduce y simula a través de los resultados del sistema respectivo.
Recientemente, las técnicas de inteligencia artificial y las aplicaciones de Big Data están proporcionando
apoyos técnicos para el desarrollo efectivo del sistema productivo a través de la recolección
datos de manera precisa y oportuna, analizando y procesando los datos, identificando
causas raíz, reduciendo costos y obteniendo información valiosa para
17
Machine Translated
Traducción by
automática Google
por
Google
Capítulo 1: Industria 4.0 y más allá
mantenimiento mejorado [23]. En la literatura se han publicado varios trabajos sobre el papel de
inteligencia artificial con respecto al mantenimiento del sistema productivo [24].
El aprendizaje automático (ML) se usa ampliamente en el monitoreo de condiciones y
predicción de defectos y análisis predictivo. Las técnicas de ML son una rama de los métodos.
de IA basada en el uso de grandes cantidades de datos para aprender e identificar
modelos
En Shcherbakov et al. [25] los autores propusieron un modelo conceptual para un sistema de ayuda
toma de decisiones proactiva basada en análisis predictivo en tiempo real y diseñada para el mantenimiento
de los sistemas ciberfísicos para optimizar su tiempo de inactividad. Chaudhuri A. [26] propuso un
máquina de vector de soporte difuso modificada jerárquica (HMFSVM) para comprender el
Tendencias de fallas de vehículos. El método propuesto se compara con enfoques
comúnmente utilizados como regresión logística, bosques aleatorios y máquinas tragamonedas.
vectores de apoyo Los autores de [27] Lee et al. propuso una arquitectura de referencia basada
sobre aprendizaje profundo para el cibersistema físico. Exploran el concepto de máquina
control numérico (CNC) con redes neuronales utilizado en el control de un taller.
Expertos del Centro para el Sistema de Mantenimiento de Inteligencia (IMS) crearon Watchdog
Agent Technology [28], un enfoque para evaluar y predecir la degradación de
rendimiento del producto, para modelado y toma de decisiones con interacción
humano necesario. Esta tecnología incluye análisis en el dominio del tiempo,
componentes principales (ACP), lógica difusa (FLS), regresión logística (LR), la red
redes neuronales (ANN), redes de creencias bayesianas y máquinas vectoriales
soporte (SVM) [29]. Un sistema inteligente de mantenimiento predictivo (SIMAP) [30] ha sido
desarrollado para diagnóstico en tiempo real de procesos industriales basado en red neuronal
para detectar anomalías. En [31], la lógica difusa se utiliza para proporcionar modelado
el comportamiento de un experimento de mantenimiento integrado en el sistema de mantenimiento inteligente
proponer. Para estimar la degradación por falla del rodamiento en [32], se usó LR en
combinación con la máquina de vectores de relevancia (RVM) para predecir la probabilidad de
falla.
18
Machine Translated
Traducción by
automática Google
por
Google
Capítulo 1: Industria 4.0 y más allá
Las diversas aplicaciones de las redes neuronales artificiales (ANN) [33] en la evaluación de
Los riesgos de falla y el análisis de detección temprana de fallas se han revisado con
ejemplos de su uso en casos de mantenimiento predictivo. Mientras que en [34], la máquina
Se ha utilizado el vector de soporte (SVM) para el diagnóstico de fallas en el sistema de frenos.
hidráulica automotriz.
Como podemos concluir de la revisión de la literatura, se han propuesto varios métodos
para el mantenimiento predictivo (modelado matemático, técnicas basadas en simulación,
etc.). Los métodos citados anteriormente tienen en cuenta las masas de datos acumulados durante
a lo largo de los años a partir de sensores integrados de CPPS (datos históricos) para tomar decisiones
mantenimiento eficiente. Pocos trabajos utilizan datos en tiempo real para detectar la
desviación del sistema y tratar el mal funcionamiento del sistema en tiempo real.
1.8 Desafíos:
Aunque implementar el mantenimiento predictivo a través de un gemelo digital
ofrece muchas ventajas, su despliegue puede plantear los siguientes retos:
Un gemelo digital debe reflejar con precisión todas las propiedades de un gemelo físico, incluidas
incluyendo mecánicos (presión de succión, temperatura de diseño, etc.) y eléctricos
(capacitancia, conductividad, etc.).
Se requieren planes detallados de fallas de máquinas. Para predecir fallas,
un gemelo digital debe ser alimentado con datos sobre los modos de falla de
el equipamiento. Estos datos deben recopilarse durante un largo período de tiempo para observar un
máquina durante todo su proceso de degradación.
Un gemelo digital requiere remodelación con cualquier cambio en la configuración o
el estado del equipo. Cualquier modificación que afecte el rendimiento del equipo.
requiere un cambio en su modelo y los algoritmos subyacentes. Tales cambios a
el nivel de la máquina o el nivel de fábrica no siempre se reflejan en las especificaciones
de la planta, por lo tanto, no se puede simular con precisión, lo que intensifica el riesgo de errores.
Aunque el despliegue de mantenimiento predictivo basado en el gemelo digital requiere mucho
del tiempo y del trabajo, la tecnología ofrece la posibilidad del reconocimiento oportuno de
19
Machine Translated
Traducción by
automática Google
por
Google
Capítulo 1: Industria 4.0 y más allá
interrupciones en el rendimiento de los activos, predecir problemas potenciales y simular varios
escenarios de mantenimiento. Ayuda a las empresas a eliminar el tiempo de inactividad de las máquinas, reducir
costos de mantenimiento del equipo, mejorar la confiabilidad del equipo y ampliar
su vida útil.
La complejidad de utilizar la inteligencia artificial en la automatización industrial
requiere que los fabricantes trabajen con especialistas para encontrar soluciones
personalizado.
Para ello, se deben considerar una serie de elementos que satisfagan las necesidades de
la implementación:
• Recopilación de datos históricos
• Captura de datos en vivo a través de sensores
• Agregación de datos
• Conectividad a través de protocolos de comunicación Integración con PLCs
• Aplicaciones de IA: aprendizaje automático y otras técnicas
1.9 Conclusión :
En este capítulo, comenzamos con una descripción general del paradigma Industria 4.0 y
los sistemas de producción ciberfísicos así como los principales pilares tecnológicos. Nosotros
Luego expusimos el gemelo digital así como los diferentes conceptos que lo rodean. Entonces nosotros tenemos
presentamos las estrategias de mantenimiento en las que estábamos particularmente interesados
mantenimiento predictivo y los diversos trabajos de referencia que han estudiado este concepto.
Este capítulo destaca la contribución de nuestro trabajo y sitúa el problema en el contexto de
investigación global donde hemos definido las generalidades para entender el camino de lo que
seguirá.
En el capítulo 2, presentaremos las herramientas de software y hardware que teníamos en nuestro
provisión para implementar el gemelo digital.
20
Machine Translated
Traducción by
automática Google
por
Google
Capítulo 2: Herramientas de modelado, simulación y programación
CAPÍTULO 2 Herramientas de modelado, simulación y programación
2.1 Introducción:
El desafío de implementar un gemelo digital es significativo, de hecho, varias funcionalidades deben
garantizados como la programación de autómatas programables, la recogida de datos de
desde el sistema de producción, comunicación, agregación y análisis de datos. Para
Para ello, se utilizaron diferentes herramientas de programación, comunicación y modelado.
En este capítulo, presentaremos el aspecto del hardware, que consiste en la línea de producción MPS500
y sus estaciones, así como la línea de montaje, pero también el aspecto del software como Flexsim, CIROS,
SIMATIC STEP 7, OPC… etc. para comprender la utilidad de cada herramienta y su papel en
la arquitectura general.
2.2 FlexSim:
Flexsim es un software de simulación de eventos discretos potente y fácil de usar
haciendo posible la construcción de modelos tridimensionales de un sistema real proporcionando
animaciones gráficas realistas e importante análisis de rendimiento. Se puede utilizar en
producción, salud, minería, logística, etc.
Un modelo de simulación bajo Flexsim puede estar compuesto de dos partes principales:
• Un modelo 3D del sistema físico que puede representar máquinas, transportadores,
sistemas de almacenamiento, medios de manipulación, etc.
Machine Translated
Traducción by
automática Google
por
Google
Capítulo 2: Herramientas de modelado, simulación y programación
Figura 2.1 Ejemplo de un modelo 3D en Flexsim
Un flujo es modelado por el desplazamiento de elementos de flujo, estos últimos representan el movimiento
productos en el sistema.
• Uno o más flujos de proceso que describen la secuencia de comportamientos lógicos del
sistema. Se representa como un conjunto de pasos donde cada uno representa una tarea.
y puede requerir uno o más recursos. Se puede considerar como un diagrama de flujo
alternativa a la programación.
Figura 2.2 Ejemplo de un flujo de proceso en Flexsim
El flujo del Proceso es atravesado por tokens que modelan la evolución de las actividades del Proceso
Fluir, un poco como las fichas de una red de Petri.
22
Machine Translated
Traducción by
automática Google
por
Google
Capítulo 2: Herramientas de modelado, simulación y programación
2.3 CIROS :
CIROS es una herramienta educativa de simulación 3D dedicada a modelar los diseños de los
materiales y procesos de las cadenas educativas FESTO. Permite la simulación de las celdas de
trabajo robotizado y plantas de fabricación automatizadas y visualización de secuencias
complejos.
Proporciona ejemplos basados en aplicaciones prácticas, ejercicios enfocados
sobre procedimientos operativos con un enfoque holístico del proceso de aprendizaje.
CIROS pone a disposición del usuario modelos preconfigurados de las estaciones comercializadas por FESTO
Didáctico, permitiéndole familiarizarse con el equipo sin riesgo de daño.
máquinas
Proporciona las siguientes funcionalidades:
• Familiarización con la metodología y funcionalidad de las estaciones automatizadas:
Permite familiarizarse con los componentes del accionamiento, las conexiones, los diagramas de circuitos y
circuito eléctrico y neumático, también permite aprender a utilizar las estaciones
automatizado.
• Programación de autómatas:
Ciros incluye un entorno de aprendizaje virtual que se enfoca en sistemas impulsados
por API. Los modelos se pueden controlar inmediatamente utilizando el PLC S7 virtual integrado,
desde STEP 7 o el TIA Portal utilizando el controlador SIMATIC simulado S7PLCSIM o mediante
EasyPort, desde cualquier API de hardware externo.
Cada puesto de una instalación tiene su propio controlador virtual con un programa que
es único y se puede modificar o recrear por completo en cualquier momento.
CIROS apoya al usuario en esta tarea simulando el comportamiento del proceso, mediante
familiarizarse con los componentes y el modo de funcionamiento de los autómatas sino también gracias a
la programación de estos y la creación de programas estables.
23
Machine Translated
Traducción by
automática Google
por
Google
Capítulo 2: Herramientas de modelado, simulación y programación
• Programación de robots:
CIROS proporciona al usuario cursos y formación para aprender el
manipulación y programación de robots industriales de forma sencilla y eficiente y la implementación
Departamento de sistemas robóticos.
2.4 PASO 7:
STEP7 es el software IEC 61131 de Siemens para configurar y programar sistemas
Automatización SIMATIC S7. STEP7 V 5.x se utiliza como sistema de programación para
el controlador central con CPU 314C2 PN/DP del MPS500.
Este software le permite escribir programas estructurados con bloques configurables, para comprobar la
consistencia y lógica del programa, hacer una configuración de hardware y red e inyectar
programas a las API.
Las herramientas de declaración de lista, diagrama de escalera y diagrama de bloques de funciones se proporcionan de forma estándar por
Siemens, mientras que S7SCL y S7GRAPH son herramientas de ingeniería opcionales.
La herramienta S7PLCSIM, suministrada como estándar, emula el hardware del controlador y permite realizar pruebas
funcionalidad de los programas de PLC. Este controlador virtual se puede acoplar a la simulación.
2.5 NetToPlcSim:
La herramienta NetToPlcsim permite utilizar el simulador de PLC virtual siemens PLCSIM con
otro software a través de un protocolo TCP/IP. Funciona como un servidor de datos o
Simulador de puerto Ethernet para conectar el software SIMATIC Manager con el software
terceros sin contar con equipo físico.
2.6 OPC:
Cuando el PLC no tiene interfaz de comunicación o varias marcas
de los PLC se utilizan para procesar diferentes formatos de datos, el uso de un servidor OPC
resulta ser la mejor solución. Esta tecnología clienteservidor asegura la comunicación entre
24
Machine Translated
Traducción by
automática Google
por
Google
Capítulo 2: Herramientas de modelado, simulación y programación
ejemplo, un PLC y una aplicación de terceros, como sistemas HMI / SCADA o
herramientas de simulación.
OPC (Open Platform Communications) es un estándar de comunicación que permite
la interoperabilidad entre los diferentes fabricantes de software y hardware permitiendo la seguridad
los datos fluyen durante su circulación.
En general, el servidor OPC puede ser proporcionado por un fabricante de PLC o ser una herramienta de terceros (por ejemplo
ejemplo de Softing, Matrikon, Kepware). Se comunica con el PLC e intercambia datos con
clientes OPC conectados.
Numerosas herramientas de simulación como, por ejemplo, Arena, AutoMod, CIROS Studio, Delmia
Automatización, Demo3D / Emulate3D, Experimento, Simulación de procesos, SIMIT, Tara VRcontrol, Visual
Los componentes 3D Create / 3DSimulate, Virtual Universe y WinMOD proporcionan un cliente OPC.
2.6.1 Especificaciones OPC:
El OPC y sus diversas especificaciones clásicas, basadas en tecnologías de Microsoft
Windows OLE/COM/DCOM se puede separar en dos categorías. El primero incluye:
OPC DA (Acceso a datos): lectura y escritura de datos en tiempo real
OPC HDA (Acceso a datos históricos): aplicado a datos históricos con sello de tiempo
proporcionada por los dispositivos.
OPC AE (Alarmas y Eventos): utilizado para el control del sistema y envío de alarmas
al software.
La segunda categoría incluye una única especificación de arquitectura unificada (UA) de OPC. Ella
elimina la necesidad de usar una computadora con Microsoft Windows con versiones anteriores
de fondos mutuos. UA combina la funcionalidad de las interfaces OPC existentes con nuevas técnicas
como XML y servicios web. Este protocolo integra mecanismos básicos de seguridad.
Flexible y completamente independiente, OPC UA se considera el protocolo para
comunicación ideal para la implantación de la Industria 4.0.
25
Machine Translated
Traducción by
automática Google
por
Google
Capítulo 2: Herramientas de modelado, simulación y programación
2.6.2 La arquitectura de OPC:
La arquitectura de una red que opera con el estándar OPC siempre consta de 3 partes
principal :
1) Un dispositivo de hardware o software
Este dispositivo de hardware o software contiene los datos que se utilizarán.
2) Un servidor OPC
Un servidor OPC es un software que recopilará los datos que se utilizarán. hay servidores
OPC para las diferentes marcas de PLCs (Siemens, Allen Bradley, Omron, GE, Schneider,
Honeywell, Emerson, Yokogawa, ABB, etc...) y servidores OPC para aplicaciones como
Excel (DDE), para bases de datos (ODBC), para protocolos de comunicación conocidos
como Modbus o DNP3.
3) Clientes OPC
Un cliente OPC es un software que implementa las especificaciones del estándar OPC y puede
comunicarse con cualquier servidor OPC. Un cliente OPC puede conectarse a un servidor OPC desde
cualquier fabricante para intercambiar con otros clientes de OPC.
2.7 KepserverEX:
KepserverEX es un servidor de comunicaciones OPC, certificado por la fundación OPC, entre los
soluciones más comunes. Este último tiene una lista de interfaces de comunicación que incluyen
OPC DA, HDA, AE, etc.
KepserverEX se encuentra ahora en el corazón de la Industria 4.0 y la Internet Industrial de las Cosas gracias a
la interoperabilidad de los sistemas a través de un sistema fiable de transmisión de datos y
seguro.
2.8 Python y sus paquetes de análisis de datos:
Python es un lenguaje dinámico y extensible, que permite un enfoque modular y orientado
objeto de la programación. Durante varios años, gracias al auge de la ciencia de datos, ha conocido una
26
Machine Translated
Traducción by
automática Google
por
Google
Capítulo 2: Herramientas de modelado, simulación y programación
gran uso Dispone de diferentes paquetes específicamente adaptados a las estadísticas,
análisis de datos o visualización.
Las bibliotecas de ciencia de datos y aprendizaje automático más populares, como
que Scikit Learn, Numpy, Panda y Matplotlib permiten escribir código elegante y compacto, pero
también para implementar modelos y resolver problemas rápidamente. Usaremos
esto en la implementación del algoritmo de mantenimiento predictivo.
• Scikit learn es uno de los paquetes de Python más utilizados para Machine Learning. Él
incluye muchos métodos para hacer clasificación, regresión o
más agrupamiento.
• Numpy se utiliza para la manipulación de vectores y matrices. Permite gestionar
tablas, importarlas y exportarlas y trabajar en ellas.
• Panda da la posibilidad de manejar grandes volúmenes de datos y estructurarlos en
formas sencillas e intuitivas.
• Matplotlib se considera un paquete poderoso y completo para visualizar
datos.
2.9 El sistema de producción modular MPS500:
La línea de producción MPS500 ubicada en el laboratorio de ingeniería de producción MELT de la
La Facultad de Tecnología de Tlemcen es un sistema modular diseñado por FESTO con el objetivo
aprendizaje y formación didáctica facilitando la aprehensión, la familiarización con el
equipos industriales y la interacción con los diversos componentes mecánicos, eléctricos,
neumáticos, interfaces de comunicación, etc.
Compuesto por varias estaciones que se comunican con un sistema central de transporte, lo que permite
el intercambio de información, estos pueden organizarse de manera diferente respetando un cierto
orden dando así una referencia específica para cada configuración.
Encontramos en el laboratorio de producción MELT, la línea de producción MPS – 500
configurado como MPS 507 FMS, consta de seis estaciones principales conectadas por un sistema de
transporte
27
Machine Translated
Traducción by
automática Google
por
Google
Capítulo 2: Herramientas de modelado, simulación y programación
Figura 2.3 MPS 507 FMS
2.9.1 El sistema de transporte:
El sistema de transporte, considerado como el elemento central de la cadena productiva, sirve
para transportar piezas de una estación a otra e intercambiar datos entre ellas.
Para poder posicionar las piezas y transmitirlas a las otras estaciones, el
el transporte requiere varios componentes. Los portapiezas, las paletas, la unidad de elevación e indexación son
algunos de ellos
2.9.2 Las diferentes estaciones
El sistema de transporte se encarga de transportar las piezas de una estación a otra. Encontramos
seis puestos de trabajo:
• Posición de trabajo 1
Las estaciones de distribución y control están ubicadas en la posición de trabajo 1. En el
distribución, las piezas de trabajo se separan y se transmiten a la estación de control. el balneario de
la distribución no está conectada directamente con el sistema de transporte, está al lado de la estación
control. Este está acoplado al sistema de transporte y también asegura el control de las piezas a ser
mecanizado, la transferencia de piezas al sistema de transporte.
El flujo de material comienza en esta posición de trabajo.
28
Machine Translated
Traducción by
automática Google
por
Google
Capítulo 2: Herramientas de modelado, simulación y programación
• Posición de trabajo 2
La estación de manipulación se encuentra en la posición de trabajo 2, asegura el transporte de
materiales a la estación de mecanizado. Esto se encuentra justo al lado de la estación.
manipulación y es responsable de perforar un agujero y luego controlar la perforación.
• Posición de trabajo 3
Un sistema de video está instalado en la posición de trabajo 3, la cámara está montada directamente en el
sistema de transporte y está por encima de la posición de trabajo. De esta manera, ninguno
es necesario mover la pieza de trabajo. La cámara se coloca en un carro MPS o en un
el plan de trabajo.
• Posición de trabajo 4
La estación de montaje robótica se encuentra en la posición de trabajo 4. Consta de dos
carros MPS. El robot RV2AJ se monta en el carro directamente al lado del sistema
transporte. Se ocupa de la manipulación de piezas de trabajo y componentes de montaje. un carnero
El modelo está aquí ensamblado por un robot.
• Puesto de trabajo 5
La estación de almacén central automatizado está disponible en la posición de trabajo 5 para el
almacenamiento de materiales. Las piezas de trabajo se pueden almacenar y recuperar allí.
• Puesto de trabajo 6
La estación de clasificación se encuentra en la posición de trabajo 6. Utilizando la estación de manipulación, ubicada
directamente al lado del sistema de transporte, recibe sus piezas y las clasifica por color
del cilindro
El flujo de material termina en esta posición de trabajo.
29
Machine Translated
Traducción by
automática Google
por
Google
Capítulo 2: Herramientas de modelado, simulación y programación
2.10 La línea de montaje:
La línea de montaje automatizada está ubicada en el Área de Calidad, Logística Industrial y
Organización (QLIO) del Instituto Universitario de Tecnología (IUT) de Nantes.
Esta línea incluye seis puestos de trabajo y un almacén de palets. Estos palets transportan el
productos y están equipados con una etiqueta RFID que permite realizar el almacenamiento de los servicios
sobre los productos transportados.
El sistema está controlado por cuatro controladores lógicos programables industriales SCHNEIDER y un MES
(Sistema de Ejecución de Fabricación) INTOUCH ampliamente utilizado en la industria es fabricado por
WONDERWAR, sistema de ejecución de fabricación industrial. Este MES permite el afecto
de operaciones en los seis puestos de trabajo y la definición de gamas de fabricación de productos. Él
luego permite el lanzamiento de Órdenes de Fabricación (OF) permitiendo el disparo de
producciones
Figura 2.4 La línea de montaje de IUT de Nantes
2.11 Conclusión:
En este capítulo, hemos presentado las diferentes herramientas utilizadas para familiarizarse con
sus principales funcionalidades y hacer más fácil la aprehensión de la implementación
explicar y comprender. El siguiente capítulo es la esencia de nuestro trabajo proponiendo una arquitectura
implementación de un gemelo digital para realizar mantenimientos predictivos y reactivos.
30
Machine Translated
Traducción by
automática Google
por
Google
Capítulo 3: Arquitectura de mantenimiento predictivo basada en gemelo digital para CPPS
CAPÍTULO 3 ARQUITECTURA DE MANTENIMIENTO PREDICTIVO
BASADO EN GEMELO DIGITAL PARA CPPS
3.1 Introducción:
Eventos e incidentes no planificados que pueden ocurrir en cualquier momento en
Los entornos industriales reales aumentan la complejidad de los sistemas de producción. En el
cuarta revolución industrial, el sector industrial está cambiando rápidamente con las tecnologías
tecnologías emergentes como los sistemas de producción cibernéticos (CPPS), Internet de las cosas (IoT),
inteligencia artificial (IA), gemelo digital (DT), etc. Sin embargo, la eficiencia y confiabilidad
de estos sistemas siguen siendo cuestionables en muchas circunstancias. Para enfrentar este desafío, un
arquitectura basada en técnicas de IA y DT orientada a desarrollar mantenimiento predictivo y
reactivo en CPPS se propone en este capítulo, introduciremos las técnicas
Técnicas de aprendizaje automático que se pueden utilizar. La herramienta propuesta pretende mejorar la fiabilidad
del sistema y ayuda a los supervisores de mantenimiento a ajustar las decisiones de mantenimiento.
De hecho, una buena estrategia de mantenimiento reduce considerablemente los costos operativos de
sistemas afectados y aumenta la confiabilidad y la disponibilidad general de los sistemas para
emprender operaciones. Falta de conocimiento sobre los sistemas de producción, sus
el equipo y los procesos asociados complican aún más la gestión de estos sistemas.
3.2 Gemelo digital utilizado en mantenimiento predictivo:
La creación de un duplicado digital de una máquina o línea de producción para
modelar su estado y simular su comportamiento permitirá detectar cualquier desviación de
funcionamiento entre esta duplicación digital y el sistema real y evitar
posibles fallos de funcionamiento del sistema y la preparación de la intervención de mantenimiento
preventivo.
Machine Translated
Traducción by
automática Google
por
Google
Capítulo 3: Arquitectura de mantenimiento predictivo basada en gemelo digital para CPPS
Los datos están en el corazón del desarrollo de cualquier algoritmo de mantenimiento predictivo, que
se puede utilizar para la detección de fallas. En nuestro caso, estos datos provendrán de
discrepancias entre el modelo numérico y el sistema real. Las características significativas son
extraído de estos datos en un paso de preprocesamiento y utilizado para entrenar un algoritmo
aprendizaje automático para predecir fallas dentro de un intervalo de tiempo dado.
Por lo tanto, la estrategia propuesta es detectar una posible discrepancia entre el modelo simulado y el modelo
real. Podemos distinguir dos casos, el primero es cuando los sistemas en realidad ponen más
tiempo para reaccionar y que el evento ocurra más bien en el gemelo digital. O en el caso contrario
cuando el evento se desencadena en el sistema físico antes que en el gemelo digital,
el retraso se acumulará y, por lo tanto, los dos modelos ya no estarán sincronizados. [35]
Si un cambio en el mismo lugar es recurrente en el gemelo digital, significará que este sistema
representa un mal funcionamiento o anomalía a este nivel en la realidad.
El objetivo es desarrollar un modelo capaz de predecir una falla a partir de estos datos.
datos previos recogidos por el Gemelo Digital en una base de datos.
Para comprender cómo los gemelos digitales permiten el mantenimiento predictivo,
proponer en lo que sigue una arquitectura que vincula el sistema de producción ciberfísico con
un modelo de observador impulsado por un algoritmo de aprendizaje automático.
3.3 Arquitectura de implementación:
Las anomalías en los sistemas de producción física cibernética pueden deberse a causas
interno o externo. La arquitectura propuesta tiene como objetivo detectar rápidamente las fallas del sistema.
probable que comprometa la confiabilidad del sistema de producción.
El principal objetivo es localizar los problemas, evaluar su criticidad y luego notificar al
gerentes de mantenimiento u operadores a través de herramientas IIot.
La Figura 3.1 presenta el diagrama de flujo de la arquitectura propuesta. Está estructurado en cuatro
partes principales que se detallan a continuación.
32
Machine Translated
Traducción by
automática Google
por
Google
Capítulo 3: Arquitectura de mantenimiento predictivo basada en gemelo digital para CPPS
Figura 3.1 El diagrama de la arquitectura propuesta
3.3.1 El sistema de producción ciberfísico (CPPS)
La primera parte es el CPPS. Podemos descomponer este CPPS en una parte física, incluyendo
incluyendo estaciones de trabajo, medios de almacenamiento y transferencia. Estos diferentes medios son
controlado por la parte lógica del CPPS, incluidas infraestructuras como PLC
PLC, un sistema de ejecución de fabricación (MES) y otras herramientas de software.
3.3.2 Adquisición de datos
Una parte fundamental en el mantenimiento predictivo es la adquisición de datos de
equipo. Esta función es importante porque permite conocer el estado y el comportamiento
usted CPPS.
Los componentes de CPPS como MES o ERP proporcionan datos del equipo
específicos de la producción, por ejemplo, órdenes de producción, horas de operación de
máquinas. Otros componentes como las API se refieren a datos medibles
sobre una pieza que se está procesando, sino también la información procedente de los sensores
necesario para el pilotaje. El módulo de comunicación permite este intercambio con el CPPS (a en el
33
Machine Translated
Traducción by
automática Google
por
Google
Capítulo 3: Arquitectura de mantenimiento predictivo basada en gemelo digital para CPPS
figura 3.1). El Iot puede informarnos sobre cierta información si es necesario, como la
temperatura, presión, vibración (b en la figura 3.1).
3.3.3 Todos los módulos detectores
La tercera parte del CPPS consiste en un conjunto de n módulos detectores (D1 a Dn)
que representan modelos de comportamiento del sistema real utilizado para detectar
Mal funcionamiento del CPPS. El núcleo de cada detector es un diseño que prevé la
comportamiento en tiempo real.
Basado en información de sensores CPPS e Iot, proporcionada por el módulo de adquisición de
datos (DA), este modelo predice el comportamiento "ideal" del sistema.
El modelo predictivo en tiempo real Mi determina la diferencia (ÿ) entre el comportamiento ideal (e)
y el comportamiento real del sistema físico (c). El resultado de la resta proporciona información sobre la
Ocurrió una falla en el CPPS. Cada detector se ocupa de un aspecto particular
CPPS (aspecto de evento en tiempo real, aspecto térmico, aspecto de energía,
económico, ...)
3.3.4 Centro de soporte de decisiones de mantenimiento inteligente
La cuarta parte, el centro inteligente de apoyo a la decisión, permite procesar las desviaciones detectadas,
entre el comportamiento virtual ideal y el comportamiento real.
Las disfunciones observadas (d) detectadas por el modelo predictivo Mi se almacenan en un
base de datos que crea un historial de uso del equipo a lo largo del tiempo.
Estos datos históricos se utilizan como base para un mayor análisis de datos utilizando
de un algoritmo de aprendizaje automático al detectar patrones anormales e identificar
escenarios de fallas recurrentes. El uso de métodos de aprendizaje automático tiene como objetivo
mejorar la eficiencia general del sistema.
Análisis de datos históricos: El resultado de este análisis es la predicción del comportamiento
futuro del sistema, indicando la posible ocurrencia de una falla dentro de un período de tiempo y
notificando al operador del mal funcionamiento así como de su criticidad. Por lo tanto,
se pueden establecer acciones antes del mal funcionamiento.
34
Machine Translated
Traducción by
automática Google
por
Google
Capítulo 3: Arquitectura de mantenimiento predictivo basada en gemelo digital para CPPS
El análisis de datos inmediatos: permite tomar decisiones sobre la
mantenimiento reactivo basado en un umbral de tiempo de bloqueo estimado, previamente establecido por
el operador.
Los resultados de este análisis pueden ser recomendaciones transmitidas al operador para
ayudarlo a emprender respuestas reactivas que se aplicarán a CPPS. Estas recomendaciones
El ajuste de las decisiones de mantenimiento se transmitirá a través de Iot (relojes conectados,
smartphone, herramientas de realidad virtual, etc.).
3.4 Aprendizaje automático:
La inteligencia artificial es una constelación de nuevas tecnologías que dan a las máquinas
la capacidad de percibir, comprender, actuar y aprender.
El aprendizaje automático es una subdivisión de la inteligencia artificial. Los algoritmos de
estos últimos permiten que las computadoras se entrenen con los datos para automatizar el proceso
de decisión
Hoy en día se adoptan ampliamente dos métodos principales de aprendizaje automático:
aprendizaje supervisado basado en datos históricos disponibles y previamente etiquetados
y el aprendizaje no supervisado utiliza datos no etiquetados, por lo que el algoritmo
proceso de aprendizaje encuentra puntos en común entre sus datos de entrada por sí mismo.
En el marco del aprendizaje supervisado encontramos dos enfoques: clasificación y
regresión.
La clasificación es el proceso de encontrar modelos matemáticos y estadísticos para
separar los datos en múltiples clases donde los datos se pueden dividir en binarios o
varias etiquetas discretas. Se utiliza para clasificar patrones normales y anormales,
defectuoso y sonido dentro de un cierto período de tiempo en el mantenimiento predictivo.
Mientras que la regresión es el proceso de encontrar un patrón para distinguir los datos por
valores reales continuos. Se utiliza para predecir el tiempo útil restante del equipo
industria en general.
35
Machine Translated
Traducción by
automática Google
por
Google
Capítulo 3: Arquitectura de mantenimiento predictivo basada en gemelo digital para CPPS
Sin embargo, el desafío es elegir la técnica apropiada y más efectiva para presentar una
sólida base de apoyo para la toma de decisiones.
Existen varios métodos capaces de detectar fallas, desde el más simple hasta el más
complejo. Según la literatura, las más relevantes y las más utilizadas en los modelos de
mantenimiento predictivo son la regresión logística (LR), la red neuronal artificial (ANN) y
máquina de vectores de soporte (SVM).
3.4.1 Regresión logística (LR):
La regresión logística es una técnica de aprendizaje automático que se utiliza para
problemas de clasificación, es un algoritmo de análisis predictivo basado en el concepto de
probabilidad.
Se utiliza para asignar observaciones a un conjunto discreto de clases para analizar
problemas cuando hay una o más variables independientes que determinan un resultado. EL
el resultado se mide con una variable dicotómica en la que solo hay dos resultados
posible.
Algunos de los ejemplos de problemas de clasificación son correo electrónico no deseado o
no, fraude de transacciones en línea o no, tumor maligno o benigno
Hay dos tipos de clasificación en este método, a saber, binaria y multilineal.
La regresión logística utiliza la función logística sigmoidea, que es una función S
discriminante para comprimir la salida de una ecuación lineal entre 0 y 1 y devolver un valor
de probabilidad
La expresión de la función sigmoidea es:
1
( ) = 1
+ ÿ
La curva de la función Sigmoidea es tal que:
36
Machine Translated
Traducción by
automática Google
por
Google
Capítulo 3: Arquitectura de mantenimiento predictivo basada en gemelo digital para CPPS
Figura 3.2 La curva de la función sigmoidea
3.4.2 Red Neuronal Artificial (ANN):
Las redes neuronales, comúnmente conocidas como redes neuronales artificiales (RNA), son
una simulación de la funcionalidad del cerebro humano en problemas de aprendizaje
máquina (ML) diseñada para procesar información interrelacionada. el mayor uso
La práctica común de ANN es la regresión y la clasificación.
El componente básico es similar a una red neuronal real.
Las neuronas están conectadas en capas para que una capa pueda comunicarse con otras
capas que forman una red neuronal. Las capas internas distintas de las capas de entrada y salida
salida se llaman capas ocultas. Las salidas de una capa se envían a las entradas de una
otra capa
El significado de cada una de las entradas se multiplica por un peso. Luego se agregan
por una función de suma y pasa a una función de activación como la función
logística para producir productos.
37
Machine Translated
Traducción by
automática Google
por
Google
Capítulo 3: Arquitectura de mantenimiento predictivo basada en gemelo digital para CPPS
Figura 3.3 Red neuronal artificial
Es muy poderoso cuando hay conjuntos de datos masivos, pueden aprender tareas
teniendo en cuenta los datos de entrada. [33] Debido a su capacidad para aprender de los ejemplos, ANN
ha recibido una atención significativa, puede mostrar resultados prometedores para evaluar datos
para apoyar las actividades de mantenimiento predictivo.
3.4.3 Máquina de vectores de soporte (SVM):
La máquina de vectores de soporte es un modelo lineal para problemas de clasificación y
de regresión Puede resolver problemas lineales y no lineales y funciona bien para muchos
muchos problemas prácticos.
La idea de SVM es crear un hiperplano en un espacio Ndimensional que separe los datos en
clases.[34] Para separar las clases de puntos de datos, hay muchos hiperplanos
posibilidades que se pueden elegir. El objetivo es encontrar un plan que tenga el margen máximo, es decir
es decir, la distancia máxima entre los puntos de datos de las dos clases. La optimización de
la distancia del margen proporciona cierto refuerzo para que los puntos de datos futuros puedan
clasificarse con más confianza.
Los vectores de soporte son puntos de datos más cercanos al hiperplano e influyen en el
posición y orientación del hiperplano. Al utilizar estos vectores de soporte, se maximiza el margen.
Eliminar los vectores de soporte cambiará la posición del hiperplano. Estos puntos ayudan
principalmente para construir un modelo SVM.
38
Machine Translated
Traducción by
automática Google
por
Google
Capítulo 3: Arquitectura de mantenimiento predictivo basada en gemelo digital para CPPS
Figura 3.4 Máquina de vectores de soporte
3.5 Conclusión:
En este capítulo, hemos propuesto una arquitectura para implementar un sistema digital en el
contexto de la industria 4.0. Nuestro enfoque se basa en la simulación de un modelo.
conductual, en análisis de datos y aprendizaje automático por otro lado, con el fin de
para poder detectar comportamientos anormales y calcular la probabilidad de ocurrencia
de un fallo a partir de datos históricos de la evolución de un sistema productivo.
En el próximo capítulo, discutiremos un caso de estudio en el que aplicaremos nuestro
acercarse
39
Machine Translated
Traducción by
automática Google
por
Google
Capítulo 4: Implementación y estudio de caso
CAPÍTULO 4 IMPLEMENTACIÓN Y ESTUDIO DE CASO
4.1 Introducción :
Este capítulo final se divide en dos partes. En la primera, tomamos para un estudio
ejemplo, la línea de montaje IUT de Nantes y el sistema de transporte MPS 500 en
el cual hemos aplicado nuestro enfoque de mantenimiento predictivo basado en el gemelo digital.
En cuanto a la segunda parte, está dedicada a los pasos dados para crear un gemelo digital de
Estaciones MPS500 usando Flexsim y CIROS. Introducimos en esta parte la
principios de programación, prueba, simulación de emulación y comunicación de PLC
4.2 Estudio de caso en la línea de montaje:
El detector se construye utilizando un modelo de simulación de eventos discretos que opera
en tiempo real usando el “ Flexsim ” software.
El modelo digital simulado se comunica con un PLC virtual " S7PLCSIM" utilizando un
módulo de emulación gracias a un servidor OPC DA " servidor Kep "
Este modelo simula el comportamiento ideal del sistema físico y determina la diferencia con el
Comportamiento físico en tiempo real.
Las desviaciones detectadas se registran en una base de datos en “ MySQL” a través de un módulo
“ Conector de base de datos ” y se utilizan para el análisis mediante un algoritmo
aprendizaje automático en Python para detectar posibles fallos de funcionamiento.
Esta prueba de concepto solo se realiza en un solo transportador, que contiene un punto de entrada A y un
Módulo de lectura/escritura L1
Machine Translated
Traducción by
automática Google
por
Google
Capítulo 4: Implementación y estudio de caso
Figura 4.1 Arquitectura de implementación
4.2.1 Sistema de producción:
4.2.1.1 Sistema de transporte MPS 500:
Los portapiezas están equipados con un sistema de identificación de E/S. Un número diferente de
agujeros en la parte inferior de los portapiezas le da su número de identificación personal. De esta
manera, es posible acompañar el soporte de piezas con especificaciones y leer este identificador al frente
cada tapón. Se colocan seis sensores en el sistema de transporte frente a cada posición de
trabajar
Figura 4.2 Sistema de transporte MPS 500
41
Machine Translated
Traducción by
automática Google
por
Google
Capítulo 4: Implementación y estudio de caso
4.2.1.2 Línea de montaje:
Los palets pasan por una red de transportadores complejos. En cada punto de conmutación,
una unidad de lectura RFID que lee el número de identificación del palet permite decidir
la orientación de los palets. Se utilizan diecisiete unidades de lectura para identificar la posición del
paletas
Figura 4.3 Línea de montaje de IUT
4.2.1.3 Operación:
Notamos una similitud en el comportamiento de estos dos sistemas, especialmente en
transporte y lectura del palet. A continuación describimos el funcionamiento operativo
típico y general de este último.
Un palet se mueve en dirección a un tope/tope, este está parado, el número
Se lee el ID, se activa el sensor y se suelta la paleta.
4.2.1.4 Programación del autómata:
Se escribe un programa de PLC en STEP 7 para representar esta operación que describe
temporizadores, sensores y actuadores frente a un lector. Usamos S7PLCSIM
para simular un PLC virtual.
42
Machine Translated
Traducción by
automática Google
por
Google
Capítulo 4: Implementación y estudio de caso
4.2.2 Informe de datos:
Utilizamos el protocolo Ethernet TCP/IP de un servidor OPC que permite conectar el
PLC a aplicaciones de cliente OPC, incluidos HMI, SCADA, ERP o
como en nuestro caso el software de simulación Flexsim. Este último está a su vez provisto de una herramienta
emulación que permite el uso del protocolo OPC, configure esta conexión e importe el
entradas y salidas deseadas. De esta forma, los datos entre la máquina virtual y el modelo
Flexsim se intercambian.
4.2.3 Modelado numérico bajo Flexsim:
El módulo de lectura/escritura L1 se encuentra a una distancia D del punto A. V es la velocidad del
transportador. En el momento t0, el autómata virtual envía la información que conduce a la creación de un
palet en el simulador. En la fecha t1, el autómata envía la información indicando la llegada del
palet real en el punto L1. t1 ha sido programado para que:
1 = 0 + +
Siendo ÿ una variable aleatoria tal que ÿ = Uniforme (D/V, D/V) permitiéndonos
para introducir una perturbación.
4.2.3.1 Llegada de palets a la línea
Una variable de PLC (Inicio) indica el inicio de un palet en la línea real. Leemos el
número de paleta dado por la API, luego creamos la paleta virtual que va en la línea.
Luego colocamos el token en la lista "Lista de paletas", que por lo tanto tiene tantos tokens como
de paletas en la línea.
Figura 4.4 Flujo del proceso de llegada de tarimas
43
Machine Translated
Traducción by
automática Google
por
Google
Capítulo 4: Implementación y estudio de caso
Figura 4.5 Llegada del palet sobre el transportador
4.2.3.2 Procesamiento de una unidad
Cuando una paleta virtual llega al punto de decisión que representa el sensor en el sistema
real, por lo tanto, ingresamos la fecha de llegada de este último. Esto está atascado en el transportador.
hasta que llegue el palé real.
Cuando la variable B001 indique la llegada de la paleta actual al lector, recuperaremos la
Número de este palet. Recuperamos el token que está en la lista de Paletas y que nos dice
el elemento de flujo "Paleta" correspondiente.
Figura 4.6 Flujo del proceso de procesamiento de unidades
44
Machine Translated
Traducción by
automática Google
por
Google
Capítulo 4: Implementación y estudio de caso
Figura 4.7 Llegada del palet al lector
4.2.3.3 Sincronización
Es muy importante sincronizar el modelo virtual con la realidad. Dos fenómenos pueden
ocurrir: la paleta real puede quedar rezagada con respecto a la paleta virtual. Sucede
especialmente cuando la paleta real está atascada. La otra posibilidad es que el palé real esté delante
en la paleta virtual.
Para cada lector, por lo tanto, se deben detectar dos eventos: la llegada de la paleta virtual
en el punto del jugador virtual y la llegada de la paleta real al punto del jugador real.
Cuando el palet virtual llega al punto de la unidad virtual, se bloquea para esperar la llegada
del palet real. Pero es importante generar una alerta antes de que llegue la paleta real,
especialmente en caso de bloqueo de esta paleta real. Esta es la función del bucle (d) Figura 4.8.
Por supuesto, si el palet real llega durante el período Dlim, que es un tiempo de espera fijo
anteriormente, no se enviará la alerta.
Cuando el palet real llega al punto real de la unidad RFID, se entrega una copia del palet virtual.
creado en el punto de la unidad virtual. Esto es importante para que el comportamiento del modelo virtual
ser coherente con la realidad.
45
Machine Translated
Traducción by
automática Google
por
Google
Capítulo 4: Implementación y estudio de caso
El detector analiza las diferencias entre las fechas de llegada de los palets virtuales en el modelo
de observación y las fechas reales de llegada proporcionadas por el autómata virtual.
Figura 4.8 Sincronización de detectores
4.2.4 Guardar datos en MySQL:
Conectamos Flexsim a MySQL usando el módulo "conector de base de datos" y
guardemos en la tabla de una base de datos MySQL, la hora de llegada del palet virtual
y la hora de llegada de la paleta real, el espacio ÿ entre ellos, así como la unidad o posición
en cuestión, el número de identificación del palet, en tiempo real.
Esto nos permitirá tener un historial de los eventos que ocurren en nuestra línea.
46
Machine Translated
Traducción by
automática Google
por
Google
Capítulo 4: Implementación y estudio de caso
Figura 4.9 Conexión en el módulo Conector de Base de Datos
4.2.5 Análisis de datos en Python
La base de datos está a su vez conectada a Python para procesar estos registros a través de la
paquete «Conector mysql Python».
Cada vez que se crea una paleta, se introduce un nuevo valor de perturbación ÿ. Como
Como se muestra en la Tabla 1, esta población de valores de ÿ se puede dividir en cinco clases. Si ÿ es
negativo, esto corresponde a una llegada anticipada del palet en L1. De lo contrario, corresponde a un
llegada tardía.
Cuadro 41 Distribución de clases de la perturbación e
47
Machine Translated
Traducción by
automática Google
por
Google
Capítulo 4: Implementación y estudio de caso
Se escribe un programa en Python para demostrar la posibilidad de analizar estos datos. Es
destinados a clasificar los registros en clases. La tabla 2 muestra el número de registros
en la base de datos SQL para cada clase de ÿ así como el número de registros que
el programa Python ha tenido en cuenta en cada clase.
Tabla 42 Resultados del análisis de datos
Clases Número de retrasos observados
Número de retrasos generados
por API par pitón
Clase 2 15 dieciséis
Clase 1 11 10
Clase 0 6 6
Clase 1 7 7
Clase 2 11 11
Esto significa que las perturbaciones que hemos generado como entrada al autómata son efectivamente
detectadas como desviaciones de salida en nuestro modelo, lo que demuestra la efectividad de nuestro
gemelo digital. Establecer estas clases también ayuda a medir las desviaciones y establecer el umbral de criticidad.
averías.
4.2.6 Aprendizaje automático en Python
El siguiente paso es implementar métodos de inteligencia artificial para
interpretar los resultados y predecir las causas probables del mal funcionamiento.
Las bibliotecas de ciencia de datos y aprendizaje automático más populares, como
que Scikit Learn, Numpy, Pandas y Matplotlib permiten escribir código elegante y compacto,
sino también para implementar modelos y resolver problemas. Usamos estos
paquetes en un programa en Python para construir de manera simple y básica nuestro
48
Machine Translated
Traducción by
automática Google
por
Google
Capítulo 4: Implementación y estudio de caso
algoritmo a saber, regresión logística, máquina de vectores de soporte y red neuronal
artificial.
Para entrenar el modelo de aprendizaje, usamos las observaciones simuladas para predecir
modelos defectuosos.
Por ahora, el modelo solo tiene como objetivo detectar discrepancias entre el sistema real y su modelo virtual,
hacer una clasificación binaria diferenciando entre comportamiento normal y
comportamiento anormal adelantado o rezagado. Veremos esto con más detalle en el
siguientes pasos.
4.2.6.1 Implementación de algoritmos de aprendizaje automático:
El principio de cada algoritmo es diferente, en general, la regresión logística es muy
buen algoritmo para todo uso, especialmente cuando hay pocas características y necesitamos
probabilidades Las ANN son muy flexibles cuando se necesita una gran cantidad de datos y funciones.
requerido. Estos dos métodos no solo producen una etiqueta de clase para un elemento
de datos, sino también una probabilidad, P.
Si bien las SVM son buenas cuando tenemos un conjunto de datos de alta dimensionalidad
y que no tenemos muchos datos y solo consideramos una distinción dicotómica
entre las dos clases y asigna etiquetas de clase, 0 o 1, a un elemento de datos desconocido.
Sin embargo, el método de implementación de un modelo de clasificación sigue siendo el mismo,
el siguiente diagrama de flujo ilustra el principio general de este último.
49
Machine Translated
Traducción by
automática Google
por
Google
Capítulo 4: Implementación y estudio de caso
Figura 4.10 Diagrama de flujo del algoritmo de clasificación
A. Entender el problema y definir el objetivo
Primero, queremos construir un algoritmo de clasificación binaria bajo
aprendizaje supervisado para predecir fallas, esto significa que nuestro modelo clasificará los
eventos en dos clases, a saber, comportamiento normal y comportamiento defectuoso, el objetivo
siendo detectar las diferencias entre el modelo real y el modelo virtual.
B. Adquirir e integrar datos, y si es necesario transformarlos y adaptarlos
Usaremos para construir este modelo una muestra de 140 observaciones simuladas en
Flexsim con diferentes perturbaciones, asignaremos a la clase que contiene los eventos saludables
un 0 y la clase que contiene los eventos potencialmente defectuosos en el cuadro del umbral de espera
superó un 1.
Nuestro análisis se basará en la fecha de llegada del palet al sistema real, la fecha de llegada del
paleta al sistema virtual, el número de paleta, el jugador en cuestión, estos últimos parámetros
representan las variables conocidas puestas como entradas.
Procesaremos nuestros datos en un libro de Excel que importaremos a Python usando el
paquete Pandas.
50
Machine Translated
Traducción by
automática Google
por
Google
Capítulo 4: Implementación y estudio de caso
C. Importar paquetes y funciones necesarios
Scikit learn, Numpy y Matplotlib nos permiten escribir código simple y eficiente con
funciones previamente construidas. Importamos Matplotlib para visualización y NumPy
para operaciones de matriz. También necesitaremos las funciones que definen
el algoritmo como LogisticRegression pero también Classification_report() y confusion_matrix
() de scikitlearn para analizar los resultados obtenidos:
Figura 4.11 Importación de bibliotecas
D. Construir un modelo de clasificación
Construimos el modelo del algoritmo deseado, en nuestro caso construimos tres
modelos separados para cada uno de los métodos, a saber, regresión logística, red neuronal
máquina artificial y de vectores de soporte.
Especificamos los parámetros del modelo y los ajustamos de acuerdo a nuestro problema.
Figura 4.12 Creando el modelo
La declaración anterior crea una instancia de LogisticRegression y vincula sus referencias al modelo
variable. LogisticRegression tiene varios parámetros opcionales que definen el
modelar y abordar el comportamiento como la regularización utilizada, la tolerancia para detener
del procedimiento, calcule la ordenada en el origen, el número máximo de iteraciones, el solucionador para
use para ajustar el modelo como 'liblinear', 'newtoncg', 'lbfgs', 'sag' y 'saga'.
51
Machine Translated
Traducción by
automática Google
por
Google
Capítulo 4: Implementación y estudio de caso
Y.
entrenar al modelo
Ahora que las variables están definidas y el modelo bien construido, usamos la función
“fit” para entrenar el modelo y ajustarlo.
Figura 4.13 Entrenamiento de datos
F. Evaluar el rendimiento del modelo
Una vez que se define un modelo, evaluamos el modelo con la función .predict(), por
obtener las predicciones reales.
Medimos el rendimiento y la precisión del modelo sobre la base de la prueba. Hay algunos
formas estándar de hacerlo dependiendo de los tipos de problemas. Por cuestiones de clasificación,
la matriz de confusión resulta ser un buen método de evaluación.
En el caso de una clasificación binaria, la matriz de confusión muestra los siguientes números:
• Verdaderos negativos en la posición superior izquierda
• Falsos negativos abajo a la izquierda
• Falsos positivos en la posición superior derecha
• Verdaderos positivos en la posición inferior derecha
Figura 4.14 Matriz de confusión
52
Machine Translated
Traducción by
automática Google
por
Google
Capítulo 4: Implementación y estudio de caso
4.2.6.2 Resultados:
De las 140 observaciones realizadas, obtuvimos una precisión del 75% para las tres
algoritmos, el objetivo es detectar discrepancias y comportamiento anormal redundante. Este
la precisión se puede mejorar haciendo un análisis de datos más profundo y rico en el
sistema real, introduciremos en una versión futura un análisis adicional dirigido a
detectar defectos de palé o latencia de unidad de lectura/escritura RFID, y ofrecer
Soluciones basadas en la criticidad del problema.
4.2.7 Conclusión
Se realizaron pruebas de emulación en la línea de montaje real en el IUT de Nantes, donde
haber conectado con éxito Flexsim a los PLC de Schneider a través de Schneider OPC
Unidad.
Se ha desarrollado una prueba de concepto basada en una emulación del sistema real actual sobre el
estaciones de trabajo en la línea de montaje, el buen funcionamiento de esta última nos permitió
validar nuestra propuesta de arquitectura basada en un gemelo digital y técnicas de inteligencia
artificial para gestionar el mantenimiento del CPPS.
También pudimos usar modelos de simulación para entrenar nuestros algoritmos.
aprendizaje automático fuera de línea. Esto nos permitió generar diferentes perturbaciones y
imaginar diferentes escenarios posibles.
4.3 Estudio de caso de la estación MPS 500
En esta segunda parte, proponemos una arquitectura con fines didácticos para observar,
familiarizarse y adquirir los conocimientos necesarios de las estaciones del MPS500 utilizando
de CIROS, sino también para crear un modelo de emulación en Flexsim y aprender a comunicarse
estas dos últimas entidades a través de un servidor OPC.
53
Machine Translated
Traducción by
automática Google
por
Google
Capítulo 4: Implementación y estudio de caso
CIROS tiene modelos preconfigurados de estaciones Festo Didactic similares a los
estaciones reales, estas pueden ser controladas por un PLC virtual S7PLCSIM a través de
de un programa escrito en STEP 7 v5.6 usando EzOPC.
Se crea y configura un modelo de emulación de estación en Flexsim y recibe órdenes de
del PLC virtual a través de KepserverEX.
Tendremos entonces un sistema físico representado por el modelo Ciros y un modelo espejo
simulado en Flexsim reflejando el mismo comportamiento que el sistema físico.
Tomamos la estación Tri como caso de estudio en esta parte.
Cabe señalar que este principio de implementación se inspiró en el trabajo de Yelles Chaouche Karim
y El Ghazi Younes en su disertación del proyecto de fin de estudios "Implementación de un gemelo digital
estaciones controladas por MPS500 PLCs”[35] donde los pasos de configuración son más
detallado.
Figura 4.15 Arquitectura de implementación
4.3.1 Funcionamiento de la estación de clasificación:
La estación clasifica las piezas de trabajo en 3 carros. Las piezas insertadas al principio
cinta se detectan mediante un sensor.
Los sensores instalados aguas abajo de la presa detectan las propiedades de la pieza (negro, rojo,
metálico). Se garantiza la clasificación de las piezas de trabajo y su enrutamiento a los respectivos carros.
por desviaciones accionadas por cilindros de carrera corta. Una barrera de reflexión supervisa la
deslizar el nivel de carga.
54
Machine Translated
Traducción by
automática Google
por
Google
Capítulo 4: Implementación y estudio de caso
4.3.2 Observando la estación en Ciros
Para observar mejor esta estación, utilizamos el modelo de referencia que se encuentra en el
Documentación CIROS de la estación deseada en la sección “Ayuda”.
Entonces podremos lanzar la simulación y observar la secuencia del ciclo de
operación y cambio de sensores y actuadores.
Figura 4.16 La estación de clasificación MPS 500 en CIROS
4.3.3 Programación del PLC
Ahora que hemos leído la descripción operativa de la estación,
podemos escribir nuestro programa en STEP 7 o TIA Portal para programar el PLC.
Encontramos la asignación de las entradas y salidas del autómata en la documentación de
CIROS con direccionamiento propio.
55
Machine Translated
Traducción by
automática Google
por
Google
Capítulo 4: Implementación y estudio de caso
Figura 4.17 Tabla nemotécnica de la estación de clasificación
4.3.4 Prueba del programa de PLC
Ahora que hemos escrito nuestro programa, CIROS nos da la oportunidad de probar
la lógica que controla las estaciones específicas para nosotros bajo STEP7 o TIA PORTAL.
De forma predeterminada en CIROS, las simulaciones están controladas por la API virtual interna. Usa este método
simple nos permite familiarizarnos y manipular la interfaz de CIROS.
Para esto usamos el modelo de usuario de la estación de clasificación, cargamos el programa
PASO 7, podemos entonces lanzar la simulación y visualizar el funcionamiento de la estación.
Figura 4.18 Descarga del programa STEP 7 a CIROS
56
Machine Translated
Traducción by
automática Google
por
Google
Capítulo 4: Implementación y estudio de caso
Este método solo es funcional con programas en formato S7P, solo Step7
guarda sus archivos en este formato. Permite probar inicialmente la lógica del
programar y adaptarlo al correcto funcionamiento de la estación.
Hay otro método que permite más flexibilidad al codificar la lógica en STEP 7 o en
TIA PORTAL utilizando un PLC virtual como PLCSIM o real. Para esto necesitaremos
de EzOPC que permite la transmisión de datos desde la API a CIROS.
Simplemente abra el modelo de usuario de la estación de clasificación en CIROS, cambiamos el
parámetros en CIROS para que sea controlado por un PLC virtual externo.
Cargaremos el programa en PLCSIM y lanzaremos la visualización. EzOPC está abierto, nosotros
nos aseguraremos de que la conexión esté bien establecida.
A continuación, podemos iniciar la simulación en CIROS, que se detectará como un cliente OPC en
EzOPC y podemos en este punto controlar la estación de clasificación de PLCSIM.
Figura 4.19 Interfaz de EzOPC y PLCSIM durante la simulación
De esta forma habremos conectado nuestro autómata virtual S7PLCSIM con CIROS por el
A través de EzOPC, esto nos da la capacidad de controlar la estación de clasificación preconfigurada.
57
Machine Translated
Traducción by
automática Google
por
Google
Capítulo 4: Implementación y estudio de caso
4.3.5 Configuración de red
Para permitir que el servidor KepserverEX acceda a los datos del PLC, un
La configuración de la red es primordial. Es importante que cada CPU tenga su propia dirección
para evitar confusiones de datos.
El protocolo Ethernet TCP/IP nos permite conectar controladores lógicos programables a nuestros
programa Flexsim de terceros. Tenga en cuenta que la elección del protocolo depende de la aplicación deseada.
Debemos elegir una UCP tipo PN para poder configurar una red Ethernet
industrial gracias al protocolo PROFINET (PN) como la CPU 314C2 PN/DP que controla
nuestra estación
Ahora estamos ejecutando STEP 7 (PG) y S7PLCSIM (API) en la misma PC ,
eso significa
deben tener la misma dirección IP.
Figura 4.20 Configuración de una red Ethernet en STEP 7
En PLCSIM, elegimos PLCSIM TCP/IP en el simulador
58
Machine Translated
Traducción by
automática Google
por
Google
Capítulo 4: Implementación y estudio de caso
Figura 4.21 Elección del protocolo TCP/IP en PLCSIM
No olvide guardar, cargar y cerrar la configuración del hardware.
No dudes en cargar el programa, conectarlo online y comprobar que todo funciona bien.
Es imprescindible utilizar NetToPlcsim que nos permite utilizar PLCSIM con software de terceros
sobre TCP/IP. Para configurarlo, es importante primero liberar el puerto 102 y luego
la dirección IP de la red, no elegiremos la dirección IP de nuestra tarjeta de red sino la dirección
de la red Wifi a la que estamos conectados, que tendremos que introducir manualmente.
La dirección IP de PLCSIM coincide con la dirección IP del PLC en STEP 7. Nos aseguraremos de
que se ingresa el número de rack correcto y finalmente marcaremos la casilla habilitar TSAP
controlar.
Figura 4.22 Configuración de direccionamiento en Nettoplcsim
59
Machine Translated
Traducción by
automática Google
por
Google
Capítulo 4: Implementación y estudio de caso
Al pulsar Iniciar servidor, se establece la conexión.
Figura 4.23 Servidor de inicio en Nettoplcsim
Ahora estamos listos para configurar Kepserver. En esta etapa, es fundamental definir
el canal de acceso, el PLC utilizado, el direccionamiento, las etiquetas de entrada y salida.
Para continuar con la configuración, debe abrir un nuevo proyecto en Kepserver, agregar un nuevo
ruta que corresponde a nuestra configuración "Siemens TCP/IP Ethernet", elija la red wifi
en el adaptador de red, otras opciones son plausibles, pero optamos por la última.
Después de eso, simplemente agregue el modelo de API y su dirección IP. Ya que usamos
Nettoplcsim para conectarse a PLCSIM, la dirección IP de la API coincidirá con la misma dirección
de la red wifi introducida en el paso anterior y no a la dirección IP introducida en el PASO 7.
Figura 4.24 Configuración del hardware de Kepserver
60
Machine Translated
Traducción by
automática Google
por
Google
Capítulo 4: Implementación y estudio de caso
Es preferible importar el programa STEP 7 para facilitar el acceso y visualización de los
entradas y salidas automáticamente en lugar de ingresarlas manualmente.
Figura 4.25 Importación de entradas y salidas en Kepserver
Nota: Si el usuario desea escribir su programa bajo TIA PORTAL, deberá instalar TIA
Portal Openness V14 SP1 o una versión reciente y utilice TIA Portal Exporter para
para importar las etiquetas como se muestra en la figura 4.26.
Figura 4.26 Extracción de entradas y salidas en TIA Portal Exporter
Al final de estos pasos, la configuración de la red está completa.
61
Machine Translated
Traducción by
automática Google
por
Google
Capítulo 4: Implementación y estudio de caso
4.3.6 Modelado 3D en Flexsim:
En esta etapa comenzamos a construir nuestro modelo de simulación colocando el transportador
principal, así como los tres controles deslizantes, representaremos los sensores por puntos de decisión
y actuadores por motores.
Es posible importar formas 3D hechas desde Sketch Up en Flexsim en formato .skp arrastrándolas
de la biblioteca visual para que nuestro modelo tenga más parecido con el sistema
real. Son posibles otros formatos como .3ds .ac .ase .blend .cob .csm .dae .dxf fbx…etc.
Figura 4.27 Modelo 3D de la estación de clasificación en Flexsim
El siguiente paso consiste en describir el funcionamiento de la estación utilizando el flujo del proceso.
La lógica de éste es similar al programa escrito en Ladder o en Grafcet, describe el
pasos, transiciones y retardos de tiempo, cambiando variables de entrada y salida,
se encargará de controlar el funcionamiento del modelo 3D.
62
Machine Translated
Traducción by
automática Google
por
Google
Capítulo 4: Implementación y estudio de caso
Figura 4.28 Flujo de proceso de la estación de tri
Las variables de PLC se utilizan como variables de emulación externas que pueden
representado ya sea sensores (entradas de PLC) o controladores (salidas de PLC). En Flexsim, nosotros
recopilar la señal de estos para decidir sobre el progreso del flujo del proceso.
4.3.7 Configuración de la emulación en Flexsim
Cuando el modelo de simulación está terminado y funcionando correctamente, podemos pasar a la
configuración de la caja de emulación Flexsim que nos permitirá comunicarnos e intercambiar
datos con Kepserver.
La herramienta de emulación crea un vínculo entre Flexsim y API externas o clientes/servidores que
comunicarse con las API. Esta herramienta puede crear múltiples conexiones y establecer variables para
cada una de estas conexiones. Esta herramienta puede soportar los siguientes protocolos: OPC DA,
Modbus TCP/IPv4, Modbux TCP/IPv6, Modbus RTU.
Se puede acceder a la herramienta de emulación desde la caja de herramientas.
63
Machine Translated
Traducción by
automática Google
por
Google
Capítulo 4: Implementación y estudio de caso
En nuestro caso, usaremos una conexión al servidor OPC local Kepserver usando el
protocolo de acceso a datos (DA).
Cuando configuramos una conexión a un servidor en Flexsim, podemos decidir
habilitar o deshabilitar esta conexión. Si la conexión está activa, Flexsim lee y escribe
datos directamente desde un servidor real o PLC. Si la conexión está inactiva,
en su lugar, extraerá datos del modelo de simulación teórica que creamos en Flexsim
Figura 4.29 Conexión OPC DA en caja de emulación
Las conexiones OPC DA pueden ser reales, lo que significa que Flexsim se comunicará a través de un
puerto Ethernet físico en la computadora, o pueden ser virtuales, lo que significa que un
programa de software emula una conexión TCP como lo hace para nosotros.
En la dirección IP de conexión , usamos localhost para crear una conexión con un
servidor en la misma computadora. También podemos proporcionar una dirección IP si el servidor no está encendido
la misma computadora.
La tasa de actualización es la tasa de actualización en unidades de tiempo del modelo, para que Flexsim consulte
el servidor para los cambios.
A continuación, especificaremos el servidor Kepserver examinando una lista de servidores a los que
¿Podemos conectarnos?
“
Si el Escritura asíncrona ” casilla está marcada, escribir datos en el servidor requerirá
Flexsim para esperar a que se complete la operación de escritura antes de continuar con la ejecución.
64
Machine Translated
Traducción by
automática Google
por
Google
Capítulo 4: Implementación y estudio de caso
En la pestaña de variables, hay dos tipos de variables que se pueden agregar: sensores
(entradas de PLC) y actuadores (salidas de PLC).
• Sensores (entradas del PLC):
Los sensores se utilizan para escribir datos en el PLC o servidor. Si la conexión es
activo, la modificación del valor del sensor hará que este valor se escriba en el PLC o
el servidor. Si la conexión está inactiva, el valor solo se cambiará localmente.
Figura 4.30 Interfaz de entrada
• Actuadores (salidas de PLC):
Las salidas se utilizan para leer datos del PLC o del servidor. Esto permite que el
lógica de flujo de proceso interno para actuar como la API y realizar cambios en los pedidos
que puede arrancar/detener motores, etc.
Si la casilla " Suscribirse a cambios " que significa Suscribirse a cambios está marcada, el servidor
notificará a Flexsim del valor modificado (suscripción) o Flexsim solicitará cambios en
utilizando eventos.
sesenta y cinco
Machine Translated
Traducción by
automática Google
por
Google
Capítulo 4: Implementación y estudio de caso
Figura 4.31 Interfaz de salida
Las propiedades de los actuadores y sensores se describen a continuación:
El nombre de la variable es el nombre utilizado para identificar la variable en Flexsim.
El Tag ID es la ruta de la variable en el servidor.
El objeto asociado vincula esta variable a un objeto en el modelo.
El % de banda muerta puede filtrar pequeños cambios en el valor (ruido) del control, cuando
la suscripción a los cambios analógicos.
Las acciones nos permiten definir qué sucede con el cambio de la variable dependiendo
de su nuevo valor. Cada acción se evalúa de arriba a abajo hasta el nuevo valor
coincide con el campo Valor o alcanza un valor predeterminado. La acción será entonces
activado y no se probará ninguna otra acción.
Ahora que todo está configurado, podemos ver si la conexión está bien establecida entre
Flexsim y PLC en cliente rápido Kepserver.
66
Machine Translated
Traducción by
automática Google
por
Google
Capítulo 4: Implementación y estudio de caso
Figura 4.32 Cliente OPC en Kepserver
Tenga en cuenta que no todos los proyectos de simulación se benefician necesariamente del uso de
emulación.
Podemos probar la precisión de la lógica del PLC después de programarlo. Una vez el
Se implementa la lógica del flujo de proceso, podemos conectar Flexsim al sistema real y
Determinar si la lógica del PLC se ha programado correctamente. como el
modelo de simulación se ejecuta y recibe datos del sistema real en tiempo real, podemos
comparar el modelo de simulación con los resultados del sistema para validar que la lógica del
El flujo del proceso se ha programado correctamente.
4.3.8 Resultados
Ahora que toda la configuración está implementada y nuestra arquitectura está implementada
con éxito, obtenemos un modelo Flexsim simulado que representa el sistema virtual controlado por
la estación de clasificación preconfigurada en CIROS que representa el sistema real. Te resumimos el proceso
y el resultado en el siguiente diagrama:
67
Machine Translated
Traducción by
automática Google
por
Google
Capítulo 4: Implementación y estudio de caso
Figura 4.33 Diagrama que resume el proceso de implementación
4.4 Conclusión
Este capítulo nos permitió presentar la arquitectura del gemelo digital que tenemos
propuesto. Por lo tanto, representa la suma del trabajo realizado en este proyecto, Después de haber presentado el
línea de montaje y la MPS 500 que sirvió de soporte para la validación del concepto y
luego expuso el interés del software utilizado, este último capítulo nos permitió detallar y
aplicar la arquitectura propuesta e integrarla en el CPPS para mejorar su confiabilidad, anticipar
averías y tiempos de inactividad y reducir los costes de mantenimiento.
Por otro lado, este capítulo ha venido a dilucidar de manera pedagógica los pasos de creación de un
enlace entre Flexsim y CIROS, es decir, para controlar estas dos entidades por separado, para manipular las estaciones
preconfigurado, crear un modelo de simulación adecuado, configurar un OPC para intercambiar el
datos. Esto nos permite salir de la esfera de la teoría y pasar a la práctica y
aprender a obtener una representación virtual de dos sistemas sincronizados en el tiempo
real. El método utilizado nos permite implementar sin correr el riesgo de dañar el
material. Entonces podemos pasar a la implementación en el sistema real sin miedo.
68
Machine Translated
Traducción by
automática Google
por
Google
conclusión y perspectivas
CONCLUSIÓN Y PERSPECTIVAS
Hoy en día, todos los sistemas se pueden conectar gracias a las tecnologías IoT y CPS,
para operar de manera autónoma e independiente. La última revolución industrial
hace hincapié en la necesidad de promover la comunicación y el intercambio de datos entre sistemas
reales y virtuales para aumentar la productividad empresarial. Para seguir siendo competitivos, deben
ser más flexibles y receptivos para adaptarse a las necesidades, así como a los riesgos de producción. En
nivel estratégico, también están llamados a aprovechar las prometedoras oportunidades que ofrece la
industria 4.0.
Para lograr nuestro objetivo, asumimos que los conceptos de comunicación, simulación
y la agregación de datos de un gemelo digital puede mejorar la confiabilidad de
forma eficiente. Esta última parece ser una solución relevante que permite modelar el estado de un
sistema, simular su funcionamiento, facilitar el acceso a la información, dando así la posibilidad
para detectar cualquier desviación de funcionamiento y prevenir cualquier mal funcionamiento del
sistema y la preparación de la intervención de mantenimiento. Esto también conducirá a favorecer
anticipación de averías, lo que redundará en mejores costes y mejores tiempos.
Para ello, se realizó un análisis de la literatura en el primer capítulo y nos permitió
extraer conclusiones de los enfoques existentes para el mantenimiento predictivo
en los sistemas de producción. Pudimos concluir que varios autores utilizan
inteligencia artificial o métodos de optimización teniendo en cuenta masas de datos
acumulados para tomar decisiones sobre operaciones de mantenimiento, pero muy pocos utilizan el
datos en tiempo real para detectar fallas en el sistema.
Luego propusimos una arquitectura para implementar en los sistemas de producción, una
gemelo digital capaz de realizar mantenimiento predictivo y reactivo. Esta arquitectura se basa
principalmente en la sincronización entre el sistema real y el sistema virtual, el análisis de
técnicas de datos e inteligencia artificial.
Machine Translated
Traducción by
automática Google
por
Google
conclusión y perspectivas
La simulación también juega un papel crucial en nuestro enfoque porque es capaz de
representar, de una manera bastante perspicaz, el comportamiento ideal de un sistema, teniendo en cuenta
consideración de perturbaciones aleatorias y diferencias entre los dos sistemas real y virtual.
Posteriormente se aplicó la implementación de la arquitectura propuesta a las estaciones de la línea
de montaje del IUT de Nantes. Se han realizado varias pruebas reales en el campo y parece
funciona perfectamente
Se ha propuesto otro enfoque pedagógico para aprender y dominar las herramientas Flexsim,
OPC, CIROS por un lado pero también para manejar las estaciones de FESTO Didactic de la cadena
producción del MPS500.
Los trabajos de esta tesis forman una base que abre interesantes perspectivas, más o menos
menos a largo plazo. Se implementarán y probarán diferentes técnicas de inteligencia artificial
para seleccionar los mejores capaces de optimizar las estrategias de mantenimiento.
Otra dirección futura es generalizar la arquitectura para obtener un primer diseño y
implementado en el contexto de integración dentro del Gemelo Digital de CPPS. la idea seria
añadir otros detectores con diferentes objetivos: minimizar el consumo de energía,
mejorar la productividad, etc. Análisis de datos históricos en el centro de mantenimiento
inteligente se basará entonces en varios objetivos. Así, el Gemelo Digital podrá ayudar
supervisores para tomar decisiones basadas en compensaciones al proporcionar datos
Avances en el apoyo a la toma de decisiones.
Se seguirá trabajando en la optimización de la implementación de sensores inteligentes
(ubicación, frecuencia de envío de datos, ciclo, etc.) para obtener datos más relevantes
a través de la tecnología IoT.
En el Apéndice se desarrollan prácticas de simulación para que el alumno se familiarice
con la interfaz de Flexsim, así como sus librerías y sus conceptos básicos.
Las contribuciones científicas de esta disertación fueron objeto de un artículo publicado durante un taller
Europeo.
70
Machine Translated
Traducción by
automática Google
por
Google
Bibliografía
BIBLIOGRAFÍA
1. Industria 4.0: definición e implementación hacia la fábrica conectada. En: Visiativ Solut. https://www.visiativsolutions.fr/
industria40/. Consultado el 8 de marzo de 2020
2. Innovación M Economía y Mejora / Industria 4.0 MEI. En: Ministerio de Economía https://www.economie.gouv.qc.ca/objectives/
Innovación. herramientas
ameliorer/industrie40/page/guideset
3. Alcácer V, CruzMachado V (2019) Scanning the Industry 4.0: A Literature Review on Technologies for Manufacturing Systems. ing
Sci Technol Int J 22: 899–919
4. Rojko A (2017) Concepto de Industria 4.0: antecedentes y descripción general. Int J Interact Mob Technol IJIM
11:77
5. Danjou C, Rivest L, Pellerin R Industria 4.0: formas de abordar la era digital y
conectividad. 27
6. Lee J, Bagheri B, Kao HA (2015) Una arquitectura de sistemas cibernéticos para sistemas de fabricación basados en la
Industria 4.0. https://doi.org/10.1016/j.mfglet.2014.12.001
7. Cardin O (2019) Clasificación de las aplicaciones de los sistemas de producción ciberfísicos: Proposición de un marco de análisis. Ind. de cálculo
104:11–21
8. Rüßmann M, Lorenz M, Gerbert P, Waldner M, Justus J, Harnisch M Industry 4.0: El futuro de la productividad y el
crecimiento en las industrias manufactureras. 14
9. Witkowski K (2017) Internet de las Cosas, Big Data, Industria 4.0 – Soluciones Innovadoras en Logística
y Gestión de Cadenas de Suministro. Procedimiento inglés 182: 763–769
10. Vaidya S, Ambad P, Bhosle S (2018) Industria 4.0: un vistazo. Procedia Manuf 20: 233–238
11. Neugebauer R, Hippmann S, Leis M, Landherr M (2016) Industria 4.0: desde la perspectiva de la investigación aplicada. Procedimiento CIRP
57:2–7
12. Kritzinger W, Karner M, Traar G, Henjes J, Sihn W (2018) Digital Twin en fabricación: A
revisión categórica de la literatura y clasificación. IFACPap 51:1016–1022
14. Glaessgen E, Stargel D (2012) El paradigma del gemelo digital para los futuros vehículos de la NASA y la fuerza aérea de EE. UU.
https://doi.org/10.2514/6.20121818
15. Negri E, Fumagalli L, Macchi M (2017) Una revisión de los roles de Digital Twin en CPSbased
Sistemas de Producción. Procedia Manuf 11: 939–948
Machine Translated
Traducción by
automática Google
por
Google
Bibliografía
16. Reid JB, Rhodes DH Modelos de sistemas digitales: una investigación de los desafíos no técnicos y las necesidades de
investigación. 10
17. La misteriosa historia de la tecnología de gemelos digitales y quién la creó. En: Chal. Asesoramiento https://www.challenge.org/insights/digital twinhistory/. Consultado el
12 de marzo de 2020
18. West T, Pyster A (2015) Desenredando el hilo digital: el desafío y la promesa de la tecnología basada en modelos
Ingeniería en Adquisición de Defensa. PERSPECTIVA 18:45–55
4.0 digital. https://www2.deloitte.com/us/en/insights/focus/industry40/digitaltwintechnologysmart
el mellizo Deloitte
19. Insights de industria y tecnología |
fábrica.html..html. Consultado el 27 de abril de 2020
20. Khazraei K, Deuse J (2011) Un punto de vista estratégico sobre la taxonomía de mantenimiento. J Fácil Manag 9:96–
113
21. Efthymiou K, Papakostas N, Mourtzis D, Chryssolouris G (2012) Sobre un mantenimiento predictivo
Plataforma de Sistemas de Producción. Procedimiento CIRP 3:221–226
22. Nguyen AT, Reiter S, Rigo P (2014) Una revisión de los métodos de optimización basados en simulación aplicados al análisis del
rendimiento de edificios. Aplicación Energía 113:1043–1058
23. Zhu L, Yu FR, Wang Y, Ning B, Tang T (2019) Big Data Analytics in Intelligent Transportation Systems: A Survey. Inteligencia trans IEEE
Transp Syst. https://doi.org/10.1109/TITS.2018.2815678
24. Rault R, Trentesaux D (2018) Inteligencia artificial, sistemas autónomos y robótica: innovaciones legales. En: Borangiu T,
Trentesaux D, Thomas A, Cardin O (eds) Serv. Orientar Holonic Multi Agent Manuf. proc. SOHOMA 2017. Springer International Publishing, Cham, págs. 1–9
25. Kravets AG, Bolshakov AA, Shcherbakov M (eds) (2020) CyberPhysical Systems: Advances in Design & Modelling. https://doi.org/
10.1007/9783030325794
26. Chaudhuri A (2018) Mantenimiento predictivo para IoT industrial de flotas de vehículos utilizando el vector de soporte difuso modificado jerárquico
Máquina.
27. Lee J, Azamfar M, Singh J, Siahpour S (2020) Integración de gemelos digitales y aprendizaje profundo en sistemas ciberfísicos: hacia
Fabricación inteligente. https://doi.org/10.1049/ietcim.2020.0009
28. Djurdjanovic D, Lee J, Ni J (2003) Watchdog Agent: un enfoque de pronóstico basado en infotrónica para la degradación del rendimiento del producto
evaluación y predicción. Informe de inglés avanzado 17: 109–125
29. Raza J, Liyanage JP, Al Atat H, Lee J (2010) Un estudio comparativo de clasificación de datos de mantenimiento basado en redes neuronales,
regresión logística y máquinas de vectores de soporte. J Qual Maint Ing 16:303– 318
30. Garcia MC, SanzBobi MA, del Pico J (2006) SIMAP: Sistema Inteligente de Mantenimiento Predictivo: Aplicación a la salud
monitoreo de condición de una caja de engranajes de turbina eólica. Calcular Ind 57: 552–568
31. Niu G, Li H (2017) Sistema de mantenimiento inteligente centrado en IETM que integra semántica difusa
inferencia y fusión de datos. Microelectrón Reliab 75: 197–204
72
Machine Translated
Traducción by
automática Google
por
Google
Bibliografía
32. Caesarendra W, Widodo A, Yang BS (2010) Aplicación de la máquina de vector de relevancia y regresión logística para la evaluación de la
degradación de la máquina. Proceso de señal del sistema mecánico 24: 1161–1171
33. Krenek J, Kuca K, Blazek P, Krejcar O, Jun D (2016) Aplicación de redes neuronales artificiales en mantenimiento predictivo basado en
condiciones. En: Król D, Madeyski L, Nguyen NT (eds) Recent Dev.
Intel. información Sistema de base de datos Springer International Publishing, Cham, págs. 75–86
34. Jegadeeshwaran R, Sugumaran V (2015) Diagnóstico de fallas del sistema de frenos hidráulicos de automóviles utilizando
características estadísticas y máquinas de vectores de soporte. Proceso de señal Mech Syst 52–53: 436–446
35. Elghazi Y, Chaouche ARY Implementación de un gemelo digital de estaciones controladas por PLC
del MPS500. 73
73
Machine Translated
Traducción by
automática Google
por
Google
Apéndice A – Trabajo práctico bajo FLEXSIM
APÉNDICE A – TRABAJO PRÁCTICO CON FLEXSIM
TP 0: introducción a Flexsim
• La ventana de Flexsim:
En la ventana de Flexsim, podemos distinguir varios compartimentos:
Figura 0.1 Interfaz de Flexsim
1. Menú principal
2. Bibliotecas de modelado:
Flexsim contiene varias bibliotecas de modelado:
• Recursos fijos: no se mueven durante la simulación, como las máquinas. • Recursos móviles: pueden
moverse durante la simulación. Estos son los recursos que realizan las tareas o las transportan.
• Redes de circulación: definición de pasillos de circulación y caminos a seguir. • Transportadores
74
Machine Translated
Traducción by
automática Google
por
Google
Apéndice A – Trabajo práctico bajo FLEXSIM
• AGV
• Una navegación estelar: Algoritmo de búsqueda de ruta
También puede encontrar las bibliotecas para el flujo de proceso y el tablero
3. Un modelo 3D del sistema físico:
Objetos de simulación que representan existencias, máquinas, carros de transporte,
transportadores, robots,…
4. Un conjunto de FLUJO DE PROCESO
Gráficos de actividad que representan la secuencia de actividades que describen el comportamiento
lógica del sistema.
5. Tablero
Para analizar el rendimiento, Flexsim utiliza paneles.
La biblioteca de gráficos puede medir:
– Les encours (WIP = Trabajo en curso)
– Caudales (Throughput): pieza producida por hora…
– Tiempos de espera (staytime)
– Los estados: inactivo, ocupado, averiado, esperando…
6. Propiedades rápidas
Estas propiedades de los objetos definidos en el modelo nos permiten modificar los parámetros
rápidamente.
7. Consolas
Las consolas permiten la comunicación durante una simulación, para rastrear eventos y
detectar errores.
Elemento de flujo Vs token:
Los elementos de flujo circulan en el modelo 3D y modelan el flujo de productos en el sistema.
75
Machine Translated
Traducción by
automática Google
por
Google
Apéndice A – Trabajo práctico bajo FLEXSIM
Figura 0.2 Flujo de una entidad en el modelo 3D de Flexsim
Los tokens o tokens circulan en Process Flows, sus movimientos modelan la evolución
actividades en el modelo.
Figura 0.3 Mover un token en el flujo de proceso de Flexsim
76
Machine Translated
Traducción by
automática Google
por
Google
Apéndice A – Trabajo práctico bajo FLEXSIM
TP 1: Introducción a los conceptos generales de modelado
Parte 1: construir el modelo 3D
Objetivo: familiarizarse con los siguientes conceptos:
– Tipos de artículos
Etiquetas
– Distribución estadística
– Disparadores
Descripción :
Las monedas llegan a intervalos de unos 30 s (ley exponencial)
Hay 2 tipos de monedas en las siguientes proporciones: 60% tipo 1, 40% tipo 2
Hay 2 máquinas, una para cada tipo de pieza después del mecanizado, las piezas se ponen en espera
ser controlado. La duración del control es constante: 10 s. Si la calidad de la pieza es buena,
ella deja este taller. El 10 % de las piezas defectuosas se devuelven a producción para su
rectificado.
Los tiempos de mecanizado son idénticos para todas las máquinas: uniformes (100,120). por una pieza
defectuoso a corregir, el tiempo de mecanizado es mayor: uniforme (120, 130)
Las piezas defectuosas tienen prioridad sobre otras piezas
disposición :
77
Machine Translated
Traducción by
automática Google
por
Google
Apéndice A – Trabajo práctico bajo FLEXSIM
Figura 0.4 Diseño del primer modelo
Paso 1: crear una nueva plantilla
Determinar las unidades más adecuadas para el sistema modelado.
• Unidades de tiempo: segundos
• Unidad de longitud: metros, milímetros...
Establecer fecha y hora de inicio del modelo
Figura 0.5 Unidades de un modelo de simulación en Flexsim
78
Machine Translated
Traducción by
automática Google
por
Google
Apéndice A – Trabajo práctico bajo FLEXSIM
Paso 2: Elija objetos Flexsim
Elija los objetos Flexsim que representen los elementos más adecuados para nuestro sistema
• Fuente: la llegada de las piezas
• Procesador: Máquinas de mecanizado y control
• Cola : stock de tampones
• Transportador: la devolución de piezas defectuosas a las máquinas de mecanizado
Hay varias formas de insertar objetos en el modelo.
1. Arrastrando y soltando en la vista 3D
2. Haciendo doble clic en la vista 3D y luego seleccione el objeto elegido
3. Modo de creación rápida: 1 clic izquierdo en un objeto de la biblioteca y luego cada clic en la vista
3D
Paso 3: crea las conexiones
Hay dos tipos de conexión: Conexiones entre puertos de entrada/salida de recursos
fijo y las conexiones entre los puertos centrales de los recursos fijos y los recursos móviles.
Una conexión A entre dos recursos fijos conecta un puerto de salida del objeto ascendente a un puerto
entrada del objeto aguas abajo
Ayuda a crear el camino que pueden tomar las piezas.
Figura 0.6 Conexiones de objetos de tipo
Paso 4: edite las propiedades del objeto
79
Machine Translated
Traducción by
automática Google
por
Google
Apéndice A – Trabajo práctico bajo FLEXSIM
• Llegada de piezas:
Recordatorio: Las monedas llegan a intervalos de aproximadamente 30 s (ley exponencial)
Check Llegada en tiempo 0 para forzar la llegada de la primera pieza en t 0
Tiempo entre llegadas es el tiempo que transcurre entre 2 llegadas de piezas
Este intervalo puede ser constante o definido usando una distribución estadística para representar el
variabilidad de llegadas.
Hay diferentes distribuciones que se pueden encontrar en el menú desplegable.
Para una distribución estadística exponencial, hay 3 parámetros:
• Ubicación: mínimo
• Escala: factor de escala
• Corriente: semilla aleatoria
La media de la distribución y la suma del mínimo y el factor de escala
Figura 0.7 Distribución Estadística de la Ley Exponencial
• Activadores:
Lógica ejecutada cada vez que ocurre un evento, ayuda a definir y personalizar
el comportamiento del sistema durante la ocurrencia de un evento específico, como
llegada o salida de un producto.
Los disparadores le permiten:
80
Machine Translated
Traducción by
automática Google
por
Google
Apéndice A – Trabajo práctico bajo FLEXSIM
• Escribir/leer información/desde un stream.
• Cambiar las propiedades visuales de los elementos u objetos de flujo.
• Enviar mensajes a otros objetos.
• …etc.
Recordatorio: Hay 2 tipos de piezas en las siguientes proporciones: 60% tipo 1, 40% tipo 2
Agregamos un disparador cuando llegan las monedas para especificar el porcentaje de cada tipo.
Para tener un bono visual, también especificamos el color de los tipos.
Figura 0.8 Eventos que ocurren durante la creación de piezas
Todos los elementos del feed tienen un atributo (Etiqueta) denominado tipo de elemento. Este es un identificador
numérico utilizado para distinguir un "tipo" de flujo de datos de otro en las decisiones de
procesamiento y enrutamiento en un modelo.
81
Machine Translated
Traducción by
automática Google
por
Google
Apéndice A – Trabajo práctico bajo FLEXSIM
• Etiquetas:
Las etiquetas o atributos son la información asociada con un elemento de flujo (y otros objetos de
modelado) en forma de etiquetas.
Los elementos de flujo y otros objetos en Flexsim pueden tener un número ilimitado de etiquetas.
Las etiquetas tienen un nombre y datos. Estos datos pueden ser numéricos, cadenas, listas o
cuadro.
Por ejemplo, un elemento de flujo se puede caracterizar por una referencia de artículo, un número de pedido, un
tipo…etc.
• Inventario:
El parámetro Enviar a puerto se utiliza para definir a través de qué puerto de salida enviar el producto
Hay varias reglas de flujo:
• Puerto Premier disponible (Primera
• Hacia la cola más corta
• Por expresión
• Aleatoriamente…etc.
Figura 0.9 Propiedades de las acciones
82
Machine Translated
Traducción by
automática Google
por
Google
Apéndice A – Trabajo práctico bajo FLEXSIM
En nuestro modelo elegiremos un puerto de salida según el tipo de producto “Port By Case”
esto significa que enviamos el tipo 1 a la máquina 1 y el tipo 2 a la máquina 2
Figura 0.10 Configuración de propiedades de stock
• Piezas defectuosas:
Recordatorio: el 10 % de las piezas están defectuosas y se envían de nuevo a producción para su rectificación
A la salida del puesto de control, el 10% de las piezas están defectuosas y se devuelven.
Las piezas defectuosas tienen propiedades específicas (prioridad, mayor tiempo de mecanizado), es
por lo tanto, es necesario etiquetar la información de este defecto en estas piezas mediante una etiqueta.
Para asignar estas etiquetas, vamos a la ventana del contenedor FlowItem y las agregamos a la entidad de caja,
que será creado más tarde por la fuente
Figura 0.11 Ventana de contenedor de elementos de flujo
83
Machine Translated
Traducción by
automática Google
por
Google
Apéndice A – Trabajo práctico bajo FLEXSIM
Después de la verificación, si la pieza está defectuosa, la etiqueta cambia a 1
En la estación de control, elegimos enviar el 90% a la salida y el 10% de las piezas defectuosas a un
tampón común.
Figura 0.12 Propiedades del punto de control
Cuando entran en stock, la etiqueta de "defectuoso" cambia a 1 y la forma de las piezas cambia a
cilindro para tener un mejor seguimiento visual, utilizando un gatillo "On Entry"
Figura 0.13 Configuración de Triggers
84
Machine Translated
Traducción by
automática Google
por
Google
Apéndice A – Trabajo práctico bajo FLEXSIM
Recordatorio: Los tiempos de mecanizado son idénticos para todas las máquinas: uniforme (100,120). Para
una pieza defectuosa a rectificar, el tiempo de mecanizado es mayor: uniforme (120, 130)
En las máquinas de mecanizado, los tiempos de funcionamiento se modifican según el defecto del
piezas.
Figura 0.14 Configuración de Tiempos de Operación de Máquinas
Para priorizar las piezas defectuosas cuando se devuelven al primer stock regulador, ponemos un
Disparador "En Entry" que clasifica las piezas entrantes de acuerdo con su etiqueta "defectuosa" por
orden descendiente.
Figura 0.15 Configuración de Triggers en Inventario
Paso 5: Ejecute la simulación
Lanzamos el modelo a máxima velocidad para recoger los resultados lo más rápido posible y
visualizar el progreso.
85
Machine Translated
Traducción by
automática Google
por
Google
Apéndice A – Trabajo práctico bajo FLEXSIM
Preguntas :
1. ¿Dónde está el cuello de botella?
2. ¿Se puede cambiar el color de las piezas defectuosas?
3. Agregue un panel para realizar un seguimiento del rendimiento de la máquina
• Adquisición de datos de rendimiento de un modelo 3D
Para visualizar el rendimiento de las máquinas, utilizamos un Dashboard, agregamos desde
de la biblioteca los siguientes elementos:
• Tasa de ocupación de puestos utilizando un gráfico de barras
Figura 0.16 Tasa de Ocupación de Puestos
Posicionar estados de utilización utilizando un diagrama de Gantt
Figura 0.17 Diagrama de Gantt
86
Machine Translated
Traducción by
automática Google
por
Google
Apéndice A – Trabajo práctico bajo FLEXSIM
TP 02: Introducción al flujo del proceso
Objetivo :
• Crear un flujo de proceso general
• Familiarizarse con los recursos móviles
Descripción :
Las monedas llegan a intervalos de 20 s en promedio (ley exponencial) en un área de recepción
5 parcelas de 2m x 2m.
Un operador primero debe controlar la pieza, esta operación dura 10 s
Una vez comprobado este último, el operario puede llevarlo al puesto de trabajo donde
será procesado.
Modele esta área de recepción con un flujo de proceso
disposición :
Figura 0.18 Diseño del segundo modelo
87
Machine Translated
Traducción by
automática Google
por
Google
Apéndice A – Trabajo práctico bajo FLEXSIM
• Secuencia de tareas:
Una tarea (Tarea): una sola instrucción o acción que debe realizar un recurso móvil
(TaskExecuter) como cargar, descargar, mover, retrasar
Secuencia de tareas (Tasksequence) : una serie de tareas que se realizarán en el orden especificado.
Cuando un TaskExecuter recibe una secuencia de tareas, comienza a ejecutar las tareas una por una.
después de los demás hasta que la secuencia de tareas se complete o sea reemplazada por una secuencia
tareas de preferencia de mayor prioridad.
Las secuencias de tareas personalizadas también se pueden crear y distribuir utilizando
Comandos de flujo de proceso.
Ejemplo: Pasar a stock
Elemento de flujo del cargador
Mover a la CPU
Descargar elemento de flujo
Un recurso móvil se usa automáticamente en el modelo 3D cuando la opción "Usar el
transporte” se comprueba en un recurso fijo.
Figura 0.19 Uso de recursos móviles
Para esto, es importante crear primero una conexión central entre el recurso fijo y el
recurso móvil
Figura 0.20 estableciendo una conexión central
88
Machine Translated
Traducción by
automática Google
por
Google
Apéndice A – Trabajo práctico bajo FLEXSIM
Encontramos diferentes recursos móviles en la biblioteca
Figura 0.21 Diferentes recursos móviles
• Operador:
Un operador modelará tareas humanas como la configuración de la máquina o
montaje manual.
El operador también se puede utilizar para transportar FlowItems de un recurso fijo a un
otro.
El operador puede moverse en las direcciones x, y y z.
Como todos los recursos móviles, el operador puede cargar muchos FlowItems desde
varias ubicaciones y luego descargue los FlowItems por separado en varias ubicaciones.
• Modelado:
Modelaremos la zona de recepción mediante un stock denominado “Rack”.
Después de colocar los elementos esenciales en el modelo 3D, primero configuramos el tiempo
de llegada y tamaño de stock.
Recordatorio: Las monedas llegan a intervalos de 20 s en promedio (ley exponencial) en una zona de
recepción de 5 parcelas de 2m x 2m.
89
Machine Translated
Traducción by
automática Google
por
Google
Apéndice A – Trabajo práctico bajo FLEXSIM
Esta ventana se utiliza para modificar el ancho, la altura de las celdas de almacenamiento y el número de
celdas deseadas.
Figura 0.22 Tamaño de inventario
No es necesario conectar el área de recepción y la estación de trabajo con una conexión,
ya que es el operario el que transportará las piezas y estará controlado por la lógica del Flujo del Proceso.
• Lógica de flujo de proceso:
Figura 0.23 Flujo de proceso del operador
90
Machine Translated
Traducción by
automática Google
por
Google
Apéndice A – Trabajo práctico bajo FLEXSIM
1. Actividad de uso se crea un token al ingresar el
habitación a la zona de recepción y se le asigna una etiqueta de "habitación" para utilizarla en la
ruta de flujo del proceso
Figura 0.24 Creación de tokens
2. En la actividad , creamos el recurso "operador" y nos referimos
al operador en el modelo 3D
Figura 0.25 Asignación de recursos
A continuación, el operador ejecutará la secuencia de tareas para pasar al área de recepción,
revisar las piezas, cargarlas desde el área de recepción y descargarlas en el
trabajar.
91
Machine Translated
Traducción by
automática Google
por
Google
Apéndice A – Trabajo práctico bajo FLEXSIM
Figura 0.26 Secuencia de tareas del operador
En las actividades nos referiremos al token del operador en "Ejecutar" y al token de la parte
cuando se habla de esto último.
Figura 0.27 Configuración de la actividad de carga parcial
Para tener una bonificación visual, el color de las piezas se cambia a verde después de verificarlas.
Figura 0.28 Cambiando el Color de la Pieza
Al final de la secuencia, soltamos el operador.
92
Machine Translated
Traducción by
automática Google
por
Google
abstracto, abstracto, resumen
REANUDAR
Los sistemas de producción son cada vez más autónomos e impredecibles. En este proyecto, un gemelo
digital basado en análisis de datos y técnicas de IA tiene como objetivo desarrollar un mantenimiento
Se implementa CPPS predictivo y reactivo, utilizando un software de simulación de flujo.
FlexSim. Para evaluar los desempeños de la herramienta propuesta, se realizó un estudio de caso sobre las estaciones del
línea de producción flexible de FESTO Didactic MPS500 de la Universidad de Tlemcen, así como
se propone la línea de montaje de Nantes IUT.
Palabras clave: Gemelo digital, mantenimiento predictivo, sistema de producción ciberfísico,
inteligencia artificial.
ABSTRACTO
Los sistemas de producción son más autónomos e impredecibles. En este proyecto, un gemelo digital basado
sobre análisis de datos y técnicas de IA tiene como objetivo desarrollar el mantenimiento predictivo y reactivo de CPPS
se implementa, usando Flexsim, un software de simulación de flujo. Para probar la eficacia de la
herramienta propuesta, un caso de estudio sobre el sistema de fabricación flexible MPS500 de FESTO en la
Se propone la Universidad de Tlemcen así como la línea de montaje del IUT de Nantes.
Palabras clave: Digital Twin, mantenimiento predictivo, sistema de producción ciberfísico, artificial
inteligencia.
resumen
Los eventos inesperados y las interrupciones que pueden ocurrir en cualquier momento en entornos industriales reales aumentan la complejidad de los sistemas de producción. Este
El proyecto tiene como objetivo desarrollar un mantenimiento predictivo e interactivo mediante la consecución de un gemelo digital utilizando análisis de datos e inteligencia artificial.
técnicas, usando el programa de simulación de flujo Flexim. Con el fin de evaluar el desempeño de la herramienta propuesta, se llevó a cabo un estudio de caso sobre el
plantas de producción de la Universidad de Tlemcen, así como la cadena de montaje de la Universidad de Nantes.
Palabras clave: gemelo digital, mantenimiento predictivo, sistema de producción ciberfísico, inteligencia artificial
93
Machine Translated
Traducción by
automática Google
por
Google
abstracto, abstracto, resumen
94