Industria 4.0, mantenimiento predictivo y gemelos digitales

La Industria 4.0 representa un cambio de paradigma en la fabricación, impulsado por la integración de las tecnologías digitales y el mundo físico. Entre sus aspectos transformadores están el mantenimiento predictivo y los gemelos digitales. El mantenimiento predictivo (PdM, Predictive Maintenance) aprovecha los datos procedentes de sensores y análisis avanzados para anticiparse a los fallos de los equipos, optimizando los programas de mantenimiento y reduciendo el tiempo de inactividad. Por otro lado, los gemelos digitales (DT, Digital Twins) crean réplicas virtuales de activos físicos, lo que permite su seguimiento y análisis en tiempo real. Juntos, estos conceptos de vanguardia permiten a las industrias lograr una mayor eficiencia, reducir costes y mejorar la productividad, marcando un avance significativo en la forma de abordar los procesos de fabricación modernos.

Líneas de investigación actuales en DaSCI:

• PdM basado en modelos de detección de anomalías. Los modelos de detección de anomalías permiten a las organizaciones conocer en tiempo real el estado de sus recursos, facilitando la implantación de políticas de mantenimiento eficaces. En DaSCI, capitalizamos nuestra amplia experiencia en el desarrollo de modelos robustos de detección de anomalías, utilizándolos para implementar estrategias óptimas de Mantenimiento Predictivo (PdM).
• Modelos tiempo-acontecimiento en PdM. Estos modelos desempeñan un papel fundamental en el Mantenimiento Predictivo (PdM), ya que predicen el tiempo que transcurrirá hasta que se produzca un evento específico, como un fallo grave de la máquina, mediante el análisis de datos históricos y lecturas de sensores. Nos centramos en el desarrollo de enfoques innovadores para mejorar el estado del arte en esta área, en particular en lo que respecta a los modelos clásicos de regresión de Cox.
• Modelización de la vida útil restante en PdM. La modelización de la vida útil restante (RUL, Remaining Useful Life) es vital en PdM, ya que predice el tiempo que queda hasta el fallo de un activo utilizando datos históricos y sensores. La programación proactiva de reparaciones basada en estimaciones de RUL minimiza el tiempo de inactividad y reduce los costes de mantenimiento. Nuestro objetivo es desarrollar modelos de RUL robustos basados en diferentes enfoques de ML, con el fin de mejorar la precisión y fiabilidad de las estrategias de PdM.
• Gemelos digitales. Tenemos por delante varios retos, entre ellos: (a) desarrollar DT capaces de manejar datos vastos y diversos; (b) crear DT autoatentos y automodelos que se adapten y transfieran los conocimientos de las tareas aprendidas a otras nuevas; (c) diseñar interfaces avanzadas para desplegar DT en el entorno de Metaverso, mejorando la interactividad y el rendimiento de los DT.

Investigadores relacionados:

Letra:
	Nombre	Email	Área	Cat.
	Chiachio Ruano, Manuel	mchiachio@ugrvdeyBZOoDM.es		Doctor
	Chiachío Ruano, Juan	jchiachio@cUJLn@@fu4Iugr.es	Aplicaciones Tecnológicas DaSCI	Doctor
	García Arenas, María Isabel	mgarenas@9.Ro6Kugr.es		–
	Melero Rus, Francisco Javier	fjmelero@ugrGmzxbCkv.es	Aplicaciones Tecnológicas DaSCI	–
	Zafra Gómez, Amelia	azafra@8SFuuDdH8quco.es		–