IIoT, Inteligencia Artificial, Aprendizaje

Automático, y Datos en el entorno Industrial

Dr. Federico Walas Mateo

1.1 Introducción.

En este apunte se desarrollan los conceptos asociados a la generación de datos

desde los procesos industriales, y su transformación en información para que
las empresas industriales evolucionen hacia el modelo I4.0 para alcanzar el I5.0.

Se presentan conceptos clave y un análisis del estado del arte sobre mejores
prácticas para integrar datos desde las operaciones industriales, y utilizarlos
para generar información de valor agregado para optimizar los procesos
industriales. Se tratan temas de estándares sobre arquitectura de Tecnología de
Operaciones (OT) y Tecnología Informática (IT), se incluyen conceptos de
Internet Industrial de las Cosas (IIoT), Inteligencia Artificial y Aprendizaje
Automático (AI/ML).

Al final del documento se presenta un análisis de oportunidades y debilidades

que presentan estas soluciones para la optimizar de procesos en el ámbito
industrial según las condiciones de borde establecidas para los nuevos modelos
de producción.

1.2 Generación de datos del proceso industrial, arquitectura integrada

Para iniciar este tema, consideremos el artículo de He & Xu (2014) donde

destacan la necesidad de considerar el enfoque de sistemas al abordar la
investigación en la integración de la información industrial. El texto presenta el
modelado y la integración de flujos de información para la vinculación de la
información empresarial a través de la arquitectura que propone IIoT.

El tema de la recopilación e integración de información ha sido abordado por

organismos de normalización autorizados como la Sociedad Internacional de
Automatización (ISA) (2022) y la Comisión Electrotécnica Internacional (IEC)
(2022). Como ejemplo, el estándar multicapa IEC 62264 basado en las
especificaciones ISA-95 (2010) define un marco de intercambio de modelos de
información que permite la integración de aplicaciones que se ejecutan en áreas
de gestión, y operaciones. Las empresas que cumplen con este estándar pueden
definir interfaces entre el control y las funciones de gestión, lo que les permite
tomar decisiones informadas sobre los datos para intercambiar de forma que
los costos y los riesgos se mantengan bajos en caso de errores de
implementación.

La figura 1 muestra la arquitectura de niveles que propone el estándar

ANSI/ISA-95. Esta norma internacional ha sido generada para abordar los
problemas que surgen durante el desarrollo de interfaces automatizadas en el
ámbito de los sistemas de gestión de la empresa y los sistemas de control. Este
estándar proporciona una guía para la integración vertical de la información de
la firma.
El estándar ISA 95 define un modelo de jerarquía funcional para categorizar las
funciones de las empresas industriales. Este modelo de 5 capas es conocido
como la pirámide de automatización.
El nivel 0 es donde los procesos productivos son realizados. En ese nivel el
marco operacional esta medido en milisegundos (Åkerman, 2018). En este nivel
se encuentran los sensores (presión, temperatura, caudal, etc.), y todos los
dispositivos de campo (actuadores, servo motores, etc.).

El nivel 1 representa la primera capa lógica, donde los datos recibidos desde el
nivel anterior son procesados. Los procesos operativos en este nivel se basan en
mecanismos de retroalimentación constantes. En esta instancia aparecen
elementos de control como Controladores Lógicos Programables (PLC),
variadores de velocidad, entre otros. El marco temporal esta dado en segundos.

El nivel 2 representa la capa de automatización, donde se generan mecanismos

de control y automatización. En esta instancia aparecen las Interfaces Hombre
Máquina (HMI), sistemas de Supervisión Control y Adquisición de Datos
(SCADA). Estos sistemas se comunican con las capas inferiores como los PLC a
través de protocolos, estándares de comunicación, como MODBUS. El marco
temporal en este nivel esta dado en minutos.

El siguiente nivel, el 3, es la capa donde ocurre la contextualización con el

producto que es fabricado. En esta capa se definen y mantienen las recetas o
lista de Materiales (BOM). El sistema que trabaja en esta instancia es el Sistema
de Ejecución de Manufactura (MES), sobre esta herramienta es posible que
operadores ingresen datos. El marco temporal se da en horas hasta días.

El último nivel, el 4, representa la instancia de gestión, planificación, e

inteligencia de operaciones y negocio. El elemento clave es el Sistema de
Planificación de Recursos de la Empresa (ERP). Acá también podemos encontrar
soluciones de AI en la nube. El marco de tiempo se da en semanas hasta meses.

Fig. 1. Modelo de integración vertical de la Información que propone el estándar

ANSI/ISA 95. Fuente: Elaboración propia.

Para concluir este punto debemos observar que, aunque el modelo ISA 95 y la
pirámide de la automatización son aun pertinentes para respaldar las
tecnologías de producción inteligente e IIoT, parecería necesario analizar la
extensión de este modelo a partir de los desafíos que presentan las nuevas
variantes tecnológicas. Este ítem se adelanta como una de las futuras líneas de
investigación.

1.3 Elementos de IIoT

Seetharaman et al. (2019) consideran que la plataforma de IIoT comprende

cuatro capacidades fundamentales: conectividad, big data, analítica avanzada
y desarrollo de aplicaciones. IIoT tiene el potencial de proporcionar un alto nivel
de sinergias entre hombre, máquina, material y método. Según el autor, a los
proveedores de servicios les interesa colaborar y proporcionar una solución
universal para conservar los sistemas heredados a fin de minimizar la inversión
y reducir la amenaza a la seguridad, lo que podría impulsar la adopción de IIoT
al tiempo que garantiza que los fabricantes puedan aprovechar esta nueva
tecnología de manera eficiente.

Sobre los elementos de IIoT, Chandler et al (2022) identifica seis componentes,

que se muestran en la figura 2. Se describen a continuación:

1.3.1 Identificación

Este componente se refiere a la posibilidad de reconocer cada dispositivo

correctamente en el ámbito de la red en forma correcta, es decir asignar una ID
de dispositivo a una dirección IP especifica.

1.3.2 Sensado

La infraestructura de IIoT se nutre de datos del ambiente de operaciones para

transmitirlos a la base de datos local, o a la nube para su procesamiento. En
este componente se identifican sensores, procesadores, y dispositivos que
puedan aportar datos de la operación.

1.3.3 Comunicación

En general, la mayoría de los artefactos de IIoT se conectan a través de la red.

En el ámbito industrial, y esta es una de las particularidades más notables de
la IIoT, es que la comunicación debe soportar connotaciones ruidosas y con
pérdida de calidad. Algunos de las tecnologías utilizados por IIoT son, WiFi,
Bluetooth, NFC, RFID, Lora, e IEEE entre otros.

1.3.4 Proceso Computacional

El poder de cómputo de los dispositivos de hardware es una variable esencial

en IIoT. Los componentes de computación como microprocesadores,
microcontroladores representan el cerebro de la arquitectura.

1.3.5 Servicios

Este es el elemento de IIoT que genera insumos específicos para el usuario final
(por ejemplo, monitoreo de dispositivos o mantenimiento predictivo).

1.3.6 Semántica

La operación semántica en IIoT funciona con información abstracta útil que

surge de manera inteligente desde diferentes artefactos. Este ítem se refiere a
los distintos protocolos que permiten estandarizar la comunicación. Algunos de
estos son: (RDF), Wide Web Consortium (W3C), Efficient XML Interchange (EXI)
y Web Ontology Language (OWL).

Fig. 2. Componentes de IIoT según Chander et al (2022).

1.4 Arquitectura de IIoT. Integración de IT y OT a través de IIoT

La OT consiste en sistemas que monitorean y controlan procesos físicos que

administran procesos automatizados de fabricación, y las aplicaciones
asociadas suelen ser críticas para la seguridad, en tiempo real, incorporando
propiedades adicionales no funcionales, como latencia limitada, confiabilidad y
cumplimiento de estándares de seguridad y protección específicos de la
industria (Garbugli et al., 2021; Arestova et al, 2021).

Hasta ahora, las IT, como computación Cloud/Edge, arquitecturas orientadas a

servicios (SOA) y virtualización, han sido explotados en aplicaciones
industriales solo de forma limitada, es decir, solo en contextos donde no se
necesitaban requisitos muy estrictos. Sin embargo, cada vez es más evidente
que I5.0 tendrá un impacto muy significativo solo con una convergencia total
de OT/IT que impulsará para la profunda explotación conjunta de las
tecnologías informáticas y de comunicación más recientes.

El artículo de Patera et al (2022) desarrolla el marco conceptual sobre la

infraestructura IT y OT para facilitar el modelo I5.0. La convergencia de OT/IT
es fundamental para la integración de datos, y sobre todo para avanzar en
soluciones de AI en el proceso de toma de decisiones industriales,
proporcionando la base para una planta con capacidad cognitiva. El artículo
incluye un caso real que satisface las necesidades específicas de IT y OT,
logrando una transferencia rápida y homogénea de grandes volúmenes de datos
hacia la capa de IT.

Lara et al. (2020) considera que con el auge de tendencias como IIoT y
fabricación en la nube que buscan la convergencia de herramientas de IT en
redes de OT, el análisis de IT y OT es muy buscado en las industrias actuales
que buscan soluciones en tiempo real. análisis de los datos. Para analizar los
datos en el dominio IT y OT es necesario utilizar modelos, que no solo se centren
en describir ambos dominios, sino que también puedan mostrar la relación
entre ellos. En este artículo se presenta una técnica que utiliza los datos
operativos, producidos en una organización a partir de soluciones IIoT, para
modelar OT, con el fin de aplicar métodos de análisis.
1.5 IIoT como facilitador de la AI/ML

En esta sección se desarrollan conceptos, y un análisis del estado del arte sobre
IIoT como solución que habilita y genera oportunidades para la adopción de
soluciones de AI tales como ML.

Para comenzar a analizar esta arista, se puede citar el trabajo de Walas Mateo
& Redchuk (2021), donde se realizó una investigación a partir de un análisis
bibliométrico sobre el impacto de IIoT para el éxito de AI/ML como motor de
optimización de procesos en la I4.0. El trabajo valida la hipótesis, aunque
resalta la complejidad intrínseca que presenta este tipo de soluciones, observa
la novedad del tema, y por último que el tema es dominado por el ámbito
científico académico, pero existe una limitada aplicación en la industria.

En el marco de los sistemas de producción inteligente, el ecosistema de

manufactura está compuesto por una amplia variedad de dispositivos que
recolectan datos de los distintos procesos industriales. Yalcinkaya et al. (2021)
afirma que IIoT es una nueva generación de tecnología que se enriquece con la
existencia de soluciones que toman datos a nivel piso de planta (sensores,
actuadores, etc.) con altos grados de precisión. Por lo tanto, la visibilidad de las
operaciones ha avanzado a nuevos niveles que facilitan la adquisición de una
vasta cantidad de datos y retroalimentación prácticamente instantánea. De esta
manera es posible adoptar algoritmos de AI que facilitan la productividad y
eficiencia en los procesos.

Un trabajo de Silveira et al. (2020) estudia el modelo I4.0 en la industria de los

semiconductores, donde la alta confiabilidad y los bajos costos operativos son
críticos para el éxito de un negocio. En este contexto, ese trabajo propone un
piloto I4.0 como una recopilación de las lecciones aprendidas durante el
desarrollo de un diseño de referencia aplicado a una empresa de pruebas y
empaquetado de semiconductores. Se exploran los requisitos de las salas
limpias y la información relacionada con los sensores y las placas de adquisición
de datos, además de los detalles de rendimiento y las configuraciones
relacionadas con las herramientas de visualización y las notificaciones de
advertencia de las herramientas de AI.
Yang et al (2020) observa que la fabricación inteligente es un nuevo paradigma
que permite que la fabricación entre en su cuarta revolución mediante la
explotación de sensores, comunicaciones y computación de última generación
como el IIoT. Mediante el uso de computación de alto rendimiento y modelado
avanzado, SM tiene como objetivo mejorar la flexibilidad y adaptabilidad de la
fabricación. Los autores abordan esta metodología mediante la revisión del uso
combinado de modelos híbridos basados en datos y basados en el conocimiento,
y analiza cómo dichas técnicas encajan perfectamente en la plataforma de
fabricación inteligente. Además, se brinda una discusión sobre los nuevos
paradigmas de modelos híbridos habilitados por la plataforma de fabricación
inteligente.

En el artículo de Vatter et al. (2019) se afirma que IIoT, big data, análisis de
datos, y computación en la nube están cambiando la producción hacia la
próxima generación de la industria. Para abordar estos desafíos, la fabricación
inteligente en combinación con el análisis de datos juega un papel importante.
En este sentido, la integración de análisis prescriptivos en la fabricación puede
ayudar a la industria a aumentar la productividad. Este documento destaca los
requisitos para un control de producción basado en análisis prescriptivo,
llamado automatización prescriptiva, y finalmente señala el campo de
actividades en este tema.

Finalmente, Khakifirooz et al (2018) se refieren al análisis de big data como

impulsor de la inteligencia de fabricación efectiva para la gestión del
rendimiento en la fabricación de semiconductores, que es uno de los procesos
de fabricación más complejos, como observan los autores, debido a los procesos
de producción estrictamente restringidos, flujos de procesos reentrantes,
equipos sofisticados, demandas volátiles y una mezcla de productos
complicada. De hecho, la creciente adopción de sensores multimodo, equipos
inteligentes, y robótica ha permitido la evolución de IIoT y el análisis de big data
para la fabricación de semiconductores. El estudio desarrolla un marco basado
en la inferencia bayesiana y el muestreo de Gibbs para investigar los intrincados
datos de fabricación de semiconductores para la detección de fallas y potenciar
la fabricación inteligente. El enfoque propuesto fue validado a través de un
estudio empírico y simulación. Los resultados han demostrado la viabilidad
práctica del planteo realizado en este trabajo.

Bibliografia

W. He, L. Xu. (2014). Integration of Distributed Enterprise Applications: A

Survey. IEEE Transactions on Industry Informatics, 10(1), pp. 35-42.
ISA. International Society of Automation. Available online:
https://www.isa.org/ (accessed on 1 July 2022).
International Electrotechnical Commission. Available online:
https://www.iec.ch/ (accessed on 1 July 2022).
American National Standards Institute (ANSI), ISA-95.00.01-2010, ISA-
95.00.02-2010, ISA-95.00.03-2013, ISA-95.00.04-2012, ISA-95.00.05-2013.
North Carolina USA.
M. Åkerman. (2018). Implementing Shop Floor IT for Industry 4.0. Department
of Industrial and Materials Science. CHALMERS UNIVERSITY OF
TECHNOLOGY. Gothenburg, ISBN 978-91-7597-752-2.
A. Seetharaman, N. Patwa, A.S. Saravanan, A. Sharma. (2019). Customer
expectation from Industrial Internet of Things (IIOT). Journal of Manufacturing
Technology Management.
B. Chandler, S. Pal, D. De, R. Buyya. (2022). Artificial Intelligence-based
Internet of Things for Industry 5.0. Artificial Intelligence-based Internet of
Things Systems. DOI: 10.1007/978-3-030-87059-1_1
A. Garbugli, A. Bujari, P. Bellavista. (2021). End-to-end QoS Management in
Self-Configuring TSN Networks. In Proceedings of the IEEE International
Conference on Factory Communication Systems (WFCS), Linz, Austria, 9–11
June 2021; pp. 131–134. [CrossRef]
A. Arestova, M. Martin, K.S.J. Hielscher, R. German. (2021). A Service-Oriented
Real-Time Communication Scheme for AUTOSAR Adaptive Using OPC UA and
Time-Sensitive Networking. Sensors 2021, 21, 2337. [CrossRef]
L. Patera, A. Garbugli, A. Bujari, D. Scotece, A. Corradi. A Layered Middleware
for OT/IT Convergence to Empower Industry 5.0 Applications. Sensors 2022,
22, 190. https://doi.org/10.3390/s22010190
P. Lara, M. Sánchez, J. Villalobos. (2020). Enterprise modelling and operational
technologies (OT) application in the oil and gas industry. Journal of Industrial
Information Integration.
F. Walas Mateo, A. Redchuk. (2021). A review of IIoT/IoT and AI/ML as Process
Optimization driver under industry 4.0 model. Journal of Computer Science &
Technology (JCS&T). Vol 21. ed. 2, pp 170-176.
https://doi.org/10.24215/16666038.21.e15
E. Yalcinkaya, A. Maffei, H. Akillioglu, M. Onori. (2021). Empowering ISA95
compliant traditional and smart manufacturing systems with the blockchain
technology. Manufacturing Review. 8, 15
https://doi.org/10.1051/mfreview/2021013.
G.D.N. Silveira, R. F. Viana, M.J. Lima, H.C. Kuhn, C.D.P. Crovato, S.B.
Ferreira, G. Pesenti, E. Storck, R. da Rosa Righ. (2020). I4.0 pilot project on a
semiconductor industry: Implementation and lessons learned. Sensors 2020,
5752S.
S. Yang, P. Navarathna, S. Ghosh, B.W. Bequette. (2020). Hybrid Modelling in
the Era of Smart Manufacturing. Computers and Chemical Engineering. DOI:
10.1016/j.compchemeng.2020.106874.
J. Vater, L. Harscheidt, A. Knoll. (2019). Smart Manufacturing with Prescriptive
Analytics. Proceedings of 2019 8th International Conference on Industrial
Technology and Management, ICITM.
M. Khakifirooz, C.F. Chien, Y.J. Chen. (2018). Bayesian inference for mining
semiconductor manufacturing big data for yield enhancement and smart
production to empower industry 4.0. Applied Soft Computing Journal.