Gemelo digital para entrenar redes bayesianas para el diagnóstico de fallos en sistemas de fabricación

Se están promoviendo sistemas de fabricación inteligentes para aprovechar avances tecnológicos que les permitan ser más resilientes a fallos mediante un diagnóstico rápido para asegurar el rendimiento. En este documento, proponemos un enfoque de co-simulación para la ingeniería de gemelos digitales (DTs) que se utilizan para entrenar redes bayesianas (BNs) para el diagnóstico de fallos a nivel de equipos y fábricas. Específicamente, el modelo de co-simulación se ingeniará utilizando un sistema ciberfísico (CPS) que consiste en sensores en red, un modelo de simulación de alta fidelidad de cada equipo, y un modelo de simulación de eventos discretos (DES) detallado de la fábrica. El enfoque de DT propuesto permite la inyección de fallos en el sistema virtual, aliviando así la necesidad de costosas experimentaciones en la planta. Debe enfatizarse que este enfoque de inyección de fallos elimina la necesidad de obtener datos equilibrados que incluyan operaciones de fábrica defectuosas y normales. Proponemos un Algoritmo de Intervención Estructural (SIA) en este documento para primero detectar todos los posibles bordes dirigidos y luego distinguir entre un nodo padre y un nodo ancestro de la BN. Hemos diseñado un banco de pruebas de investigación DT en nuestro laboratorio que consiste en cuatro robots industriales configurados en una celda de ensamblaje donde cada robot tiene un sensor de Internet de las Cosas industrial que puede monitorear vibraciones en dos ejes. Un simulador detallado a nivel de equipo de estos robots se integró con un modelo DES detallado de la celda de ensamblaje robótica. El DT resultante se utilizó para llevar a cabo intervenciones para aprender una estructura del modelo BN para el diagnóstico de fallos. Experimentos de laboratorio validaron la eficacia del enfoque propuesto al aprender con precisión la estructura de la BN, y en los experimentos, la precisión obtenida por el enfoque propuesto (medida utilizando la Distancia de Hamming Estructural) resultó ser significativamente mejor que los métodos tradicionales. Además, se encontró que la estructura de la BN aprendida fue robusta a variaciones en parámetros, como el tiempo medio hasta el fallo (MTTF).