ESPOCH Congresses: The Ecuadorian Journal of S.T.E.A.M.

ISSN: 2789-5009

Leading Ecuadorian research in science, technology, engineering, arts, and mathematics.

Machine Learning Application and Cloud Computing-based Monitoring for Production Management in the IPC 200 Industrial Process Simulator

Published date: Sep 25 2024

Journal Title: ESPOCH Congresses: The Ecuadorian Journal of S.T.E.A.M.

Issue title: Volume 3, Issue 4

Pages: 130–145

DOI: 10.18502/espoch.v3i4.17169

Authors:

I Torresisaac.torres@espoch.edu.ecCentro de admisión y nivelación. Escuela Superior Politécnica de Chimborazo. 060106

B VacaFacultad de Informática y Electrónica. Escuela Superior Politécnica de Chimborazo. 060106

G TorresFacultad de Administración de Empresas. Escuela Superior Politécnica de Chimborazo. 060106

M DuqueFacultad de Informática y Electrónica. Escuela Superior Politécnica de Chimborazo. 060106

Abstract:

Industry 4.0 has revolutionized the way industrial processes are managed, introducing concepts such as advanced automation, the Internet of Things (IoT), and machine learning into production and process management. This article presents the successful incorporation of two Industry 4.0 enablers into the IPC 200 Industrial Process Simulator, a key tool in the training of students in the Electronics and Automation program at the Escuela Superior Politécnica de Chimborazo (ESPOCH). To achieve this integration, the SCRUM methodology, known for its effectiveness in managing technological projects, was employed to oversee and facilitate the implementation of the enablers, which were machine learning and cloud computing. Machine learning implementation was carried out using the Q-Learning algorithm for process optimization and data-driven decision-making, while for cloud computing, the IoT platform Ubidots was used. This allowed for greater efficiency and flexibility in managing the simulated processes in the IPC 200. The integration of these enablers opened the doors of innovation to the individuals using the simulator, allowing them to acquire new competencies in industrial process management, and preparing them to face the challenges of Industry 4.0. Furthermore, this improvement in the simulator provided a more advanced and realistic learning platform, resulting in more robust and applicable training for modern industrial environments.

Keywords: Industry 4.0, Industrial Process Simulator, Node-RED, Ubidots, Q-Learning, SCRUM.

Resumen

La Industria 4.0 ha revolucionado la manera en que se gestionan los procesos industriales, introduciendo conceptos como la automatización avanzada, el Internet de las Cosas (IoT) y el aprendizaje automático en la producción y la gestión de procesos. En este artículo, presentamos la exitosa incorporación de dos habilitadores de la Industria 4.0 en el Simulador de Procesos Industriales IPC 200, una herramienta clave en la formación de estudiantes de la carrera de Electrónica y Automatización en la Escuela Superior Politécnica de Chimborazo (ESPOCH). Para lograr esta integración, se empleó la metodología SCRUM, conocida por su eficacia en la gestión de proyectos tecnológicos, para supervisar y facilitar la instalación de los habilitadores, los cuales fueron aprendizaje automático y computación en la nube. La implementación de aprendizaje automático se incorporó con el algoritmo de Q-Learning para la optimización de procesos y la toma de decisiones basada en datos y para la computación en la nube se utilizó la plataforma IoT Ubidots, esto permitió una mayor eficiencia y flexibilidad en la gestión de los procesos simulados en el IPC 200. La integración de estos habilitadores abrió las puertas de la innovación a las personas quienes usan el simulador, permitiendo adquirir nuevas competencias en la gestión de procesos industriales, preparándolos para enfrentar los desafíos de la Industria 4.0. Además, esta mejora en el simulador brindó una plataforma de aprendizaje más avanzada y realista, lo que resulta en una formación más sólida y aplicable a entornos industriales modernos.

Palabras Clave: Industria 4.0, Simulador de Procesos Industriales, Node Red, Ubidots, Q-Learning, SCRUM.

References:

[1] Ana Inés Basco GBDCPG. Industia 4.0 Fabricando Futuro Buenos Aires: Unión Industrial Argentina; 2018.

[2] Román JLdV. Industria 4.0: la transformación digital de la industria. In coddiinforme; 2017; Bilbao. p. 10.

[3] Reyes PSdl. Gestión de la producción en la Industria 4.0. Sevilla; 2020.

[4] Marcos AG, Alba Elías F. Machine Learning en la industria: El caso de la siderurgia. Universidad Internacional de la Rioja. 2019, p. 9.

[5] Cuadrado AM. Utilización Del Machine Learning En La Industria 4.0. Valladolid; 2019.

[6] Galeano Arias L, Aguirre S, Castrillon Gómez O. Análisis de calidad del vino por medio de técnicas de inteligencia artificial. SciELO. 2021; p. 12.

[7] Salazar Castillo JE. Diseño E Implementación De Un Sistema De Entrenamiento En Redes Neuronales. Quito; 2009.

[8] Diaz Latorre AS. Crai Biblioteca. [Online].; 2019. Available from: https://red.uao.edu.co/handle/10614/11694

[9] Sierra García J, Santos M. Revista Iberoamericána de automática e informática industrial. [Online].; 2021. Available from: http://polipapers.upv.es/index.php/RIAI/article/view/16111/14274

[10] Diaz H, Arnesto L, Sala A. Aprendizaje por Refuerzo para sistemas lineales discretos con dinámica desconocida: Simulación y aplicación a un sistema electromecánico. Jornadas de Automática. 2017; p. 29.

[11] Hernández N, Flores Fuente AS. Computación en la nube. Mundo FESC. 2014; p. 6.

[12] Hidalgo IAC. Desarrollo De Una Plataforma Iot Para La Supervisión Y Control De Procesos Industriales De La Fabricación Inteligente En Tiempo Real A Travéz De La Nube. Quito; 2021.

[13] Gilces Niola CA. Sistema basado en el paradigma de servicios en la nube para la gestión de datos de variables industriales. Guayaquil; 2022.

[14] García Serrano A. Inteligencia Artificial, Fundamentos, Práctica, Aplicaciones España: RC Libros; 2012.

[15] Vásquez C. Tipos de Inteligencia Artificial. Avansis. 2016; p. 7.

[16] Mirjalili V, Raschka S. Python Machine Learning 2019: Marcombo; 2020.

[17] Ramírez J, Sarmiento h, López J. Diagnóstico de fallas en procesos industriales mediante inteligencia artificial. Espacios. 2018; p. 12.

[18] Nogué A, Antiga J. Aplicación práctica de la visión artificial en el control de procesos industriales. Dossier Técnico. 2012; p. 28.

[19] Gonzáles A. Researchgate.net. [Online]. 2018. Available from: https: //www.researchgate.net/publication/334328255_Aplicaciones_de_tecnicas_de_ inteligencia_artificial_basadas_en_aprendizaje_profundo_deep_learning_al_ analisis_y_mejora_de_la_eficiencia_de_procesos_industriales

[20] Teigens DV, Skalfist P, Mikelsten D. Inteligencia artificial: la cuarta revolución industrial Stanford: Cambridge Stanford Books; 2016.

[21] Niño A. Inteligencia artificial en la reducción de procesos industriales. Tecnología Investigación y Academia. 2022; p. 192.

[22] Árias A. Computación en la Nuber 2da Edición España: IT Campus Academy; 2015.

Download
HTML
Cite
Share
statistics

2 Abstract Views

23 PDF Downloads