Para facilitar el acceso a la tecnología del Gemelo Digital por parte de las pymes de la Comunidad Valenciana, el proyecto propone generar un modelo constructivo de gemelos digitales, basado en el desarrollo de módulos genéricos representativos de “procesos tipo”, y utilizando técnicas de Transfer Learning se podrá transferir los modelos predictivos creados en un proceso, a procesos similares. Para visualizar e interaccionar con el gemelo digital, se desarrollará una interfaz basada en Realidad Virtual.

Tras el desarrollo completo del proyecto, se puede extraer las siguientes conclusiones: 1. El gemelo digital es una herramienta útil que aporta valor de distintas formas dependiendo de los modos de funcionamiento de los que disponga. En el caso del piloto, el modo de tiempo real permite tener una imagen fiel e instantánea de la máquina desde cualquier lugar del mundo con una conexión a internet. Por su parte, el modo de simulación permite obtener los resultados del proceso con determinadas variables sin tener que llevarlo efectivamente a cabo. ENTREGABLE Resumen de resultados “DIGITUIN” - Desarrollo de una infraestructura digital para la construcción de modelos de procesos mediante gemelos digitales 2. Los sistemas de predicción deben considerar no sólo los eventos que ocurren durante el rango de funcionamiento “normal” del proceso, ya que entonces las únicas predicciones fiables son las que se muestran dentro de ese rango de funcionamiento. Es necesario diseñar y realizar experimentos que permitan obtener valores de entrada, funcionamiento y salida, fuera de los rangos normales, y de esta forma se podrían predecir comportamientos del sistema cuando las variables de entrada adoptan valores extremos. 3. Para desarrollar los sistemas predictivos, aquellos valores medidos mediante sensores son mucho más fáciles de predecir que aquellos tomados a mano, ya que la diferencia de frecuencia de toma de datos hace que haya que realizar un estudio durante un largo periodo de tiempo para tener una base de conocimiento suficiente como para que los sistemas predictivos tengan una precisión suficiente. 4. Una vez montada la infraestructura de datos, gracias a las APIs, es posible integrar la visualización con cualquier tipo de sistema de visualización, en el caso del piloto se ha desarrollado utilizando realidad virtual, pero gracias a la versatilidad del sistema, se podría desplegar en cualquier otro tipo de visualización como una aplicación web por ejemplo. 5. Plataformas cloud como Azure permiten un desarrollo y despliegue rápido de las aplicaciones en entornos online, así como proporciona una gran variedad de herramientas para todo tipo de cometido. Por otra parte, la oferta de servicios es tan amplia que a menudo requiere de personal especializado únicamente para poder llevar a cabo tareas sencillas. 6. Aunque el sistema esté conectado a servicios cloud de manera continua, es de gran utilidad tener una copia de datos local ya que en caso de cualquier interrupción en el servicio de datos o de internet, especialmente común en instalaciones industriales que suelen estar ubicadas lejos de los centros urbanos, se puede mantener la toma de datos y reincorporar los datos al servidor posteriormente. 7. La tecnología de transfer learning se puede aplicar para tratar de reducir periodos de aprendizaje en procesos similares. Dependiendo de la complejidad del proceso, la utilidad de la tecnología se puede considerar adecuada. A mayor complejidad, y por tanto más tiempo de entrenamiento requerido, mayor utilidad