Gemelos digitales para plantas de procesos

Abstract

[Resumen]: La presente tesis doctoral se enmarca en el contexto de la creciente necesidad de maximizar el rendimiento operativo y reducir los costes de producción en la industria, lo cual ha promovido la adopción de herramientas avanzadas para la monitorización, el control, el aprendizaje automático y la optimización. Tradicionalmente, estas soluciones se han implementado de forma aislada, sin una integración global dentro de un marco unificado. En este contexto, el concepto de gemelo digital se perfila como una solución integral con alto potencial, al representar virtualmente activos físicos en tiempo real mediante modelos dinámicos conectados a datos operacionales. A pesar de su relevancia y de su creciente aplicación en el ámbito de la digitalización industrial, tanto su arquitectura como su implementación continúan siendo objeto de investigación. Esta tesis propone un marco metodológico-funcional, denominado DTM4SM, para el desarrollo e implantación de un gemelo digital en la industria manufacturera. El marco es validado mediante su aplicación a un caso de estudio de la industria siderúrgica, donde se identifican los componentes clave del sistema y sus interacciones con el fin de generar un modelo óptimo del proceso productivo, considerando los costes operativos y de mantenimiento, la disponibilidad y confiabilidad del sistema, así como las distintas casuísticas que pueden afectar a la operación. Para ello, se emplean modelos de simulación dotados de algoritmos de inteligencia artificial que permiten avanzar en el desarrollo del cerebro de la planta, el gemelo digital. Además del marco base, la tesis presenta una versión extendida, DTM4SM-C, que incorpora capacidades avanzadas de análisis de datos y un sistema de toma de decisiones estructurado en dos rutas operativas, seleccionadas en función de los requisitos de precisión y velocidad de respuesta del proceso industrial. Esta evolución refuerza las capacidades predictivas del modelo e integra funcionalidades orientadas a la detección de anomalías, el pronóstico de eventos y la estimación de fallos en los equipos. Con esta propuesta, la tesis contribuye al desarrollo de un marco metodológico funcional sólido que articula la investigación académica con la práctica industrial, ofreciendo una herramienta con potencial para transformar la gestión de procesos productivos mediante digitalización avanzada.[Abstract]: This doctoral thesis is framed within the context of the growing need to maximize operational performance and reduce production costs in industry, which has driven the adoption of advanced tools for monitoring, control, machine learning, and optimization. Traditionally, these solutions have been implemented in isolation, without global integration within a unified framework. In this context, the concept of the digital twin emerges as a comprehensive solution with high potential, representing physical assets virtually in real time through dynamic models connected to operational data. Despite its relevance and increasing application in the field of industrial digitalization, both its architecture and implementation remain subjects of ongoing research. This thesis proposes a methodological-functional framework, called DTM4SM, for the development and deployment of a digital twin in the manufacturing industry. This framework is validated through its application to a case study in the steel industry, where the key components of the system and their interactions are identified in order to generate an optimal model of the production process, considering operational and maintenance costs, system availability and reliability, as well as the various scenarios that may affect operations. To this end, simulation models equipped with artificial intelligence algorithms are employed, enabling the advancement of the plant’s brain, the digital twin. In addition to the base framework, the thesis presents an extended version, DTM4SMC, which incorporates advanced data analysis capabilities and a decision-making system structured into two operational pathways, selected according to the precision and response time requirements of the industrial process. This evolution enhances the predictive capabilities of the model and integrates functionalities for anomaly detection, event forecasting, and equipment failure estimation. With this proposal, the thesis contributes to the development of a robust methodological functional framework that bridges academic research and industrial practice, providing a tool with the potential to transform the management of production processes through advanced digitalization.[Resumo]: A presente tese doutoral enmárcase no contexto da crecente necesidade de maximizar o rendemento operativo e reducir os custos de produción na industria, o que promoveu a adopción de ferramentas avanzadas para a monitorización, o control, a aprendizaxe automática e a optimización. Tradicionalmente, estas solucións implementáronse de forma illada, sen unha integración global dentro dun marco unificado. Neste contexto, o concepto de xemelgo dixital perfílase como unha solución integral con alto potencial, ao representar virtualmente activos físicos en tempo real mediante modelos dinámicos conectados a datos operacionais. A pesar da súa relevancia e da súa crecente aplicación no ámbito da dixitalización industrial, tanto a súa arquitectura como a súa implementación continúan a ser obxecto de investigación. Esta tese propón un marco metodolóxico-funcional, denominado DTM4SM, para o desenvolvemento e implantación dun xemelgo dixital na industria manufacturadeira. Este marco validause mediante a súa aplicación a un caso de estudo na industria siderúrxica, onde se identifican os compoñentes clave do sistema e as súas interaccións co fin de xerar un modelo óptimo do proceso produtivo, considerando os custos operativos e de mantemento, a dispoñibilidade e a fiabilidade do sistema, así como as distintas casuísticas que poden afectar á operación. Para isto, empregáronse modelos de simulación dotados de algoritmos de intelixencia artificial que permiten avanzar no desenvolvemento do cerebro da planta, o xemelgo dixital. Ademais do marco base, a tese presenta unha versión ampliada, DTM4SM-C, que incorpora capacidades avanzadas de análise de datos e un sistema de toma de decisión estruturado en dúas rutas operativas, seleccionadas en función dos requisitos de precisión e velocidade de resposta do proceso industrial. Esta evolución reforza as capacidades predictivas do modelo e integra funcionalidades orientadas á detección de anomalías, ao prognóstico de eventos e á estimación de fallos nos equipos. Con esta proposta, a tese contribúe ao desenvolvemento dun marco metodolóxicofuncional sólido que articula a investigación académica coa práctica industrial, ofrecendo unha ferramenta con potencial para transformar a xestión dos procesos produtivos mediante dixitalización avanzada.