Figura 1: Esquemas de una simulación incorporando escenarios y variables virtuales y reales.

2. Competencias clave de MBSE.

Como competencia central, debemos poder desarrollar cualquier tipo de software, incluidas aplicaciones e interfaces de usuario, bases de datos y comunicación entre sistemas.

Para modelar cualquier sistema aplicamos aprendizaje profundo y automático, modelos virtuales y gemelos digitales en tiempo real, adquiriendo datos de telemetría de máquinas y vehículos vía IoT. Aquí es donde entra en juego la capacidad de predecir exactamente lo que va a pasar en el futuro, estableciendo tendencias de comportamiento y sembrando el campo del mantenimiento predictivo. Podemos combinar herramientas 3D de otras empresas. Es posible crear copias precisas de los campos de pruebas para replicar las condiciones de prueba y la vida operativa real de los activos y las máquinas.

Es buena idea potenciar la visualización de la información con realidad aumentada, superponiendo información virtual al mundo real y vinculando aplicaciones de realidad virtual para mejorar la formación, creando una experiencia inmersiva en medio de una reproducción virtual fiable del mundo real.

3. Competencias de Diseño de MBSE.

A nivel de diseño, podemos desarrollar cabinas y estaciones de control en tierra (GCS) con interfaces hombre-máquina (HMI) para la industria en general y los vehículos en particular. Esto puede vincularse al funcionamiento remoto y la conducción automática de todo tipo de maquinaria, bajo supervisión humana: por ejemplo, carretillas elevadoras en almacenes o flotas de taxis en zonas urbanas.

Esto contribuye a la etapa final de validación y verificación (V&V) al unísono con el usuario final.

4. Competencias transversales MBSE.

Entre las habilidades transversales que es útil desarrollar se encuentra la capacidad de integración: la capacidad de conectar diferentes sistemas de diferentes proveedores y diferentes plataformas. Esto nos permitiría certificar cualquier sistema.

Si queremos conseguir un ecosistema virtual completo en nuestra industria, debemos pasar del diseño conceptual a la ciberseguridad, pasando por la simulación, los gemelos digitales, el IoT, el mantenimiento predictivo y la validación final. Si somos capaces de adoptar todo esto, ya sea por nosotros mismos o con la ayuda de socios, podremos aprovechar al máximo la virtualización.

5. Integración de gemelos virtuales en la Industria 5.0

La integración virtual requiere un motor visual que pueda generar entornos 3D y también proporcionar las tres capacidades más importantes para una simulación de gemelos virtuales.

• Hardware in the Loop, introduciendo activos reales en un mundo virtual.
• Software in the loop, introduciendo cualquier solución en el gemelo virtual principal.
• Human in the loop que introduce a los humanos en el mundo virtual.

Tenga en cuenta que los dos aspectos más poderosos de la inteligencia artificial son la capacidad de capturar e interpretar imágenes, lo que llamamos visión por computadora, y la capacidad de ayudarnos a tomar las mejores decisiones. La inteligencia artificial no va a ocupar nuestro lugar, pero sí nos ayudará en nuestro trabajo diario.

Figura 2: El diseño CAD y MBSE que incorpora el comportamiento operativo son clave para el mantenimiento predictivo.

6. Los fundamentos del mantenimiento predictivo.

El mantenimiento preventivo incluye las acciones necesarias para mantener las máquinas en funcionamiento, minimizando los tiempos improductivos por averías, averías de la maquinaria o paradas imprevistas. El objetivo principal es anticipar paradas inesperadas y minimizar el tiempo de inactividad.

El mantenimiento predictivo va más allá. Al monitorear la cadena de producción podemos monitorear datos de la máquina como temperatura, humedad, presión o tiempos de actividad para evaluar y detectar problemas antes de que ocurran.

El uso de inteligencia artificial o aprendizaje profundo permite una gestión del mantenimiento predictivo más eficaz y rápida.

Todos los datos capturados en tiempo real se pueden utilizar para mejorar el mantenimiento predictivo, permitiendo que las máquinas aprendan y detecten problemas de forma autónoma, mostrando alarmas, indicando cuándo hay que cambiar una pieza o, en casos extremos, detener la producción para extraer este conocimiento. y generar modelos predictivos que detecten cuándo ocurrirá un defecto en la producción.

Implementar el mantenimiento predictivo requiere algoritmos que estén continuamente aprendiendo y mejorando los modelos, y aquí es donde entra en juego la inteligencia artificial y el aprendizaje profundo.

7. Cómo implementar el mantenimiento predictivo.

En primer lugar, todos los datos relevantes se importan, almacenan y transforman a un formato utilizable.

El segundo paso es explorar este conjunto de datos históricos, antes de desarrollar los modelos en los que se definen las variables utilizadas para identificar patrones.

Una vez que tenemos el modelo pasamos a la fase de entrenamiento y, cuando está lo suficientemente probado, se despliega en el entorno real. Así, trabaja con nuevos datos y puede realizar mantenimiento predictivo, generando las alertas tempranas necesarias de fallo o disminución de la calidad de las piezas producidas en caso de que las métricas previstas superen con creces los umbrales definidos.

Existen diferentes combinaciones de redes neuronales recurrentes y convolucionales que se pueden combinar para generar modelos que permitan procesar datos en tiempo real y proporcionar predicciones de fallas con altos niveles de precisión.

El enfoque de CT consiste en utilizar redes neuronales y algoritmos de inteligencia artificial para establecer un modelo predictivo basado en todos los datos operativos del activo a examinar, así como los producidos por otros elementos conectados.

Actualmente se utilizan tres tipos de mantenimiento:

• Ejecución hasta el fallo (RtF; Run to Failure): el mantenimiento se lleva a cabo después de que se produce el fallo. Se utiliza cuando la falla del equipo no afecta significativamente las operaciones o la productividad.

• Mantenimiento preventivo planificado (PvM; Preventice Maintenance): Se realizan revisiones para evitar que los equipos fallen inesperadamente.

• Mantenimiento predictivo (PdM; Predictive Maintenance): El desempeño de los equipos se monitorea en el tiempo a través de Sistemas IoT, estos datos se recopilan en el tiempo, permitiendo determinar cuánta vida útil le queda a un vehículo, máquina o pieza; Al anticipar cuándo fallará la máquina, evitamos mantenimientos innecesarios o fallas inesperadas.

El mantenimiento predictivo consta de cuatro fases:

• Recopilación de datos del sistema: Existen dos métodos principales para recopilar datos, a bordo y fuera de borda. El método integrado se basa en sensores para recopilar datos directamente del equipo, mientras que los métodos externos se basan en grandes bases de datos existentes.

• Procesamiento de los datos: Debido a que constantemente se producen grandes volúmenes de datos, debemos eliminar la información irrelevante y extraer lo que es más importante para nuestras necesidades. Esto es especialmente relevante cuando se trabaja con inteligencia artificial, ya que los datos que utilizamos para entrenar el modelo influyen mucho en su rendimiento.

• Diagnóstico de fallos: Normalmente se utiliza RUL (vida útil restante). Una vez que obtengamos las salidas de nuestra inteligencia artificial, podremos ejecutarlas a través de un indicador de salud, lo que nos permitirá conocer el estado de nuestra máquina y predecir su vida útil.

• Decisión sobre la estrategia de mantenimiento: Una vez conocemos el RUL de nuestra máquina, podremos tomar las decisiones de mantenimiento correspondientes.

Figura 3: El mantenimiento predictivo se puede complementar con aplicaciones que utilicen realidad aumentada y realidad virtual.

8. Mantenimiento predictivo aplicado a máquinas y flotas de vehículos.

Existen cuatro modelos para implementar el mantenimiento predictivo:

• Enfoque de modelo físico: Se puede utilizar un modelo físico o matemático del sistema para evaluar la degradación de los componentes. Este tipo de modelo es difícil de implementar en entornos complejos.

• Enfoque basado en el conocimiento: Este enfoque utiliza sistemas expertos o lógica difusa. Se requiere conocimiento experto para construir el sistema.

• Enfoque basado en datos: Para este enfoque se utiliza potencia informática y una gran cantidad de datos. Hay tres modelos: estadístico, estocástico o aprendizaje automático.

• Enfoque de gemelo digital: Este enfoque se basa en datos y modelos, creando una unión entre el mundo digital y físico.

El enfoque basado en datos es el más extendido y utiliza una amplia variedad de algoritmos y aplicaciones basadas en aprendizaje profundo y automático. Los métodos de aprendizaje profundo garantizan un buen rendimiento en la predicción de fallos, pero requieren una gran cantidad de datos en comparación con las técnicas tradicionales de aprendizaje automático.

El gemelo digital es una técnica más moderna, con una gran capacidad para identificar condiciones anormales y predecir la vida útil de un producto, ya que combina modelos físicos (para crear el gemelo digital) con un enfoque basado en datos.

Nuestro enfoque de mantenimiento predictivo nos permite anticipar las operaciones de mantenimiento y las fallas antes de que ocurran. Además, podemos diseñar operaciones para mejorar cualquier sistema. En estos casos, CT Engineering Group, se encarga de analizar toda la información disponible de cualquier fuente, analizar la causa raíz, realizar investigaciones funcionales, desarrollar hipótesis del modelo, identificar variantes relevantes y proponer métodos de validación. En definitiva, coordinamos el desarrollo de todo un sistema. ECOMOVIL ‘23 es un buen ejemplo de ello, aplicado a un autobús urbano eléctrico.

Podemos imaginar las complejas conexiones con la telemetría, transferir datos a una base de datos, calcular el mantenimiento predictivo y crear gemelos digitales. Entonces, los gemelos digitales interactúan entre sí.

En este caso hemos elegido los que creemos que son los elementos clave de un vehículo eléctrico: el motor eléctrico, la batería, el sistema ADAS para frenada de emergencia, la unidad de aire acondicionado y finalmente el desgaste de frenos y neumáticos.

Primero creamos un modelo de cada subsistema y luego vinculamos cada modelo individual dentro de una única plataforma y, finalmente, representamos las interacciones entre los subsistemas. Todos estuvimos de acuerdo en que el estado de la carretera o el estilo de conducción pueden afectar en gran medida la vida útil de la batería o de los neumáticos.

Este conocimiento tiene implicaciones en los costes operativos y la eficiencia de un vehículo, y con la ayuda de nuestra capacidad de predecir lo que sucederá con el vehículo en un futuro próximo, podemos reprogramar las operaciones de mantenimiento, reducir los tiempos de parada, optimizar la disponibilidad de repuestos en un modelo justo a tiempo, evitando así la acumulación de piezas en miles de metros cúbicos y cuadrados, ahorrando mucho dinero, disminuyendo al mínimo las averías, además de ampliar la vida real de la flota de vehículos.

Gracias al mantenimiento predictivo podrás saber con antelación, en función de la fecha o el kilometraje, cuándo se deben sustituir componentes, como la batería de arranque o las pastillas de freno, recibiendo un informe siempre que haya signos de mal funcionamiento de componentes cruciales, con modelos de inteligencia artificial para detección de fallas.

Figura 4: Elementos clave de un autobús eléctrico a los que se puede aplicar el mantenimiento predictivo.

El diagnóstico remoto es como tener el equipo de diagnóstico más avanzado instalado en cada uno de sus vehículos funcionando en todo momento. Puede ver los DTC (códigos de error) activos y alertas personalizadas en sus vehículos según su gravedad, con visibilidad de métricas de mantenimiento clave al comparar el historial y verificar el comportamiento de los sensores en tiempo real con mensajes, correos electrónicos o notificaciones.

Con los planes de mantenimiento automatizados, el kilometraje y los tiempos de funcionamiento se registran automáticamente, para que pueda recibir alertas cuando sea necesario reparar el vehículo. Además, los planes también se pueden ajustar automáticamente en función de las averías detectadas mediante diagnóstico remoto y mantenimiento predictivo.

También es posible monitorear y controlar vehículos, todo en un solo lugar, en tiempo real en el mismo mapa. Se pueden anticipar el consumo y otras métricas y alertas en función de las configuraciones de la flota.

Existen tecnologías que pueden establecer un sistema de puntuación para garantizar que los conductores hagan que las flotas sean más seguras y eficientes (posible mediante un complemento de identificación de conductores). Se puede obtener una visibilidad completa del rendimiento de la flota en cualquier tipo de operación.

Incluso se pueden identificar necesidades de capacitación específicas al monitorear el desempeño del conductor, para ayudar a minimizar el desgaste de los componentes del vehículo.

9. MBSE para Smart Cities.

Cambiando de tema, me gustaría mencionar lo importante que será la digitalización para una ciudad inteligente. A continuación se muestran algunos ejemplos de proyectos clave que está desarrollando CT, utilizando gemelos digitales y simulaciones adecuadas.

• Inspección y gestión de carreteras. Podemos inspeccionar carreteras aprovechando todos los sensores integrados en los vehículos (radares, lidars, cámaras…). Se pueden utilizar para ver el estado de las señales, marcas horizontales e incluso la calidad y degradación del pavimento. En este contexto, un gemelo digital puede detectar y prevenir la evolución de grietas, baches y zanjas en el asfalto para prevenir accidentes, al tiempo que proporciona un modelo completo y actualizado de nuestro entorno en tiempo real. En otras palabras, podemos tener modelos increíblemente precisos de nuestras calles y su estado real.

Toda la información capturada puede ser analizada con técnicas de big data e inteligencia artificial y luego mostrada al usuario final en dispositivos portátiles, como PCs, tablets o teléfonos móviles.

Podremos ver en nuestra pantalla cuál será la siguiente calle utilizando los sensores instalados en nuestros vehículos. Imagine las posibilidades que surgen de miles de automóviles que brindan información prístina sobre lo que sucede en su entorno. Estos vehículos anónimos podrían proporcionar una enorme cantidad de información que podría analizarse para producir un gigantesco conjunto de datos para entrenar modelos predictivos que mejorarían, a corto, medio y largo plazo, la seguridad y eficiencia de nuestras ciudades.

Figura 5: La detección de carreteras es adecuada utilizando vehículos para capturar información.

• La autocalibración de los sensores ADAS gracias al IoT. También es factible adquirir información de otros vehículos, lo que haría innecesario enviar los vehículos a un taller para recalibrar los sensores con herramientas específicas.

Con esta tecnología los vehículos pueden comunicarse con otros vehículos y la infraestructura circundante para recibir información y compararla con la información que ellos mismos están recopilando. Los datos se adquieren de la telemetría del vehículo y se conectan mediante protocolos V2X y 5G con otros vehículos y elementos de la infraestructura (como semáforos, cámaras en pórticos, etc…)

Si los datos captados por nuestro vehículo coinciden con la información transmitida por otros vehículos e infraestructuras, la probabilidad de que nuestros sensores estén bien calibrados es muy alta. Si hay una coincidencia, nuestra calibración ADAS está bien. De lo contrario, la información proporcionada por los activos circundantes se puede utilizar como patrón para recalibrar nuestros sensores en línea en cuestión de minutos. En línea y presencial.

La precisión del sensor es clave. La calibración estática puede causar hasta 2 horas de tiempo de inactividad. Con nuestra tecnología, la calibración del sensor tarda un máximo de 5 minutos. Además, realizamos una calibración dinámica continua mediante comparación con otros usuarios de la vía. En este caso particular, centramos nuestra atención en el sistema ADAS que ayuda en la frenada de emergencia. Podemos ver la relación y conexión entre la información de otros vehículos e infraestructuras y nuestra propia suite de seguridad del vehículo. Un claro ejemplo de colaboración entre sistemas inteligentes hablando entre sí.

Figura 6: Autocalibración de sensores a partir de datos recibidos de infraestructuras y otros usuarios.

• Ahora es posible conducir vehículos de forma remota en áreas urbanas y carreteras abiertas utilizando conexiones IoT y el poder de simuladores y gemelos digitales para replicar entornos en tiempo real con una latencia extremadamente baja. ¿Cuánto crecerán las empresas si pueden gestionar de forma segura una flota de taxis, furgonetas o pequeñas flotas de forma remota? Imagínese conducir un vehículo real en medio de una ciudad o autopista real, a través de tráfico real formado por otros automóviles, ciclistas, patinadores, peatones, etc…, todo desde la comodidad de su hogar u oficina.

Como tecnología disruptiva, estamos desarrollando comunicaciones entre vehículos sensorizados (traje ADAS y actuadores de control), estaciones de conducción remota y centros de control utilizando los protocolos MQTT y UDP. También estamos desarrollando simuladores para vehículos reales.

Es importante resaltar el hecho de que necesitamos desarrollar un sistema robusto, resistente a fallas generales de la red de comunicación y capaz de operar sin problemas incluso en condiciones de comunicación deficientes con latencia ultrabaja en la transmisión de información, especialmente para señales de video y comandos para controlar el vehículo.

Tenga en cuenta que una latencia del orden de 50 milisegundos a una velocidad de 120 kilómetros por hora, significaría que el vehículo circula sin control durante cuatro o cinco segundos.

La principal ventaja de esta tecnología se vería en flotas de taxis, furgonetas y camiones pequeños. Evidentemente, una sola persona NO puede gestionar más de un vehículo al mismo tiempo, pero una persona puede pasar sin problemas de un vehículo a otro, en cuestión de segundos. Esto aumentará la eficiencia operativa de los vehículos y disminuirá, especialmente en el transporte de mercancías, los viajes en los que el camión va completamente vacío. En resumen, los vehículos controlados remotamente nos sitúan en el umbral de la conducción totalmente autónoma y son un excelente enfoque para gestionar el tráfico en una ciudad inteligente.

Vamos a desarrollar dos tipos de simuladores: uno básico que proporciona una integración inicial de los distintos sistemas implicados en la operación de los vehículos y uno integral que proporciona una simulación completamente interconectada y de gran realismo.

• Gestor de tráfico de ciudad inteligente. La comunicación IoT de vehículo a vehículo (V2V) y de vehículo a todo lo demás (V2X) será fundamental para compartir miles de millones de bytes de información en la nube para que podamos recibir información sobre lo que sucede delante de nosotros y a la vuelta de la esquina. Los vehículos pueden transmitir y recibir datos que avisarán de cualquier peligro o servirán para calcular las mejores rutas del punto A al punto B.

Los mapas digitales en tiempo real construidos a partir de datos proporcionados por vehículos y vehículos aéreos no tripulados pueden ayudar a mejorar la planificación de las ciudades y fábricas inteligentes del futuro. Vale la pena repetir cuán revolucionario será combinar información del mundo real con datos virtuales generados por nuestros gemelos digitales. En definitiva, ayudarán a entrenar mejor a nuestros modelos virtuales.

También participamos en el proyecto europeo ECOMOBILITY KDT JU en el que estamos desarrollando un gestor de tráfico para una ciudad inteligente. Se generan mapas tridimensionales del entorno a partir de datos capturados por los vehículos a través de sus sistemas ADAS y datos de la infraestructura, a través de comunicaciones V2V y V2X adaptadas a protocolos 5G.

Estamos desarrollando modelos predictivos para agilizar el tráfico de una gran ciudad y evitar incidencias, atascos y accidentes, haciendo que los viajes sean más ágiles y rápidos, mejorando significativamente la experiencia del usuario y contribuyendo a una mayor ecosostenibilidad.

Aprovechamos los sensores de los vehículos para capturar datos e imágenes de nuestro propio entorno para crear una réplica virtual exacta. El siguiente paso es generar un entorno virtual mapeado utilizando motores gráficos como Unreal o Unity para simular nuestra ciudad inteligente.

Y luego, completamos la simulación con una flota de vehículos virtuales. Nuestro objetivo es dotar a los vehículos de la capacidad de decidir de forma autónoma cómo ir mejor de origen a destino en función de las incidencias y el tráfico. Los caminos no están predeterminados. Se trata de desplegar modelos inteligentes capaces de decidir in situ y online las mejores rutas, las mejores velocidades medias para evitar semáforos en rojo, los mejores aparcamientos, etc… Todo ello se va a conseguir con un uso extensivo de las comunicaciones entre vehículos terrestres y plataformas aéreas, lo que llamamos UAV o drones. Así, los coches inteligentes podrían gobernar la ciudad inteligente.

Dado que un aspecto clave de este proyecto es la comunicación entre activos y vehículos, también tenemos que asegurar estas comunicaciones. Los mensajes enviados y recibidos por los viajeros no son lo mismo que las comunicaciones entre vehículos militares o policiales. Todos estamos de acuerdo en que los vehículos estratégicos, como la policía o el ejército, necesitan una ciberseguridad y un cifrado mucho más sólidos que los que se utilizan para aplicaciones civiles. También estamos implementando esta capa de protección de valor añadido, respaldada por blockchain para conseguir una perfecta trazabilidad de las comunicaciones y enlaces.

Por tanto, la combinación perfecta para una ciudad inteligente es:

• Comunicaciones 5G
• Conectividad V2V y V2X
• Inteligencia artificial
• Modelos predictivos basados en machine learning y deep learning
• Ciberseguridad
• Blockchain

Figura 7: Comunicaciones V2V y V2X para gestionar el tráfico de la ciudad inteligente.

10. Beneficios de Simuladores, Virtual Twins y MBSE.

Para terminar, los principales beneficios de los gemelos virtuales y MBSE son la calidad, seguridad, velocidad y confiabilidad.

Podemos mejorar la calidad en el diseño de productos y procesos, ya que es posible corregir inmediatamente los errores iniciales. Esto es realmente importante ya que podemos lanzar un producto al mercado o poner en marcha una máquina mucho más rápidamente.

• Se pueden introducir humanos y máquinas en el loop para evaluar todos los escenarios. Con este enfoque damos a los simuladores todas las funciones necesarias para trabajar al unísono, en lugar de hacerlo por separado, lo que sería menos útil.

• Todos los activos simulados son más seguros. Podemos detectar desde el primer momento cualquier tipo de fallo en el diseño y en el día a día.

Se pueden realizar miles de simulaciones sin necesidad de grandes inversiones. Así, la ventaja de utilizar simuladores frente a pruebas reales, basadas en errores y rediseños, es más que evidente.

Este es el enfoque que hemos adoptado en CT Engineering Group, haciendo un uso extensivo de las estrategias MBSE para llevar a cabo nuestros proyectos de manera más rápida y confiable.

Figura 8: La virtualización MBSE se puede aplicar a cualquier proyecto de Industria 5.0 y de ciudad inteligente.