REVISTA CUBANA
DE TRANSFORMACIÓN DIGITAL
ARTÍCULO ORIGINAL
RNPS 2487 • ISSN 2708-3411
Vol. 4 • Nro. 3 • julio-septiembre 2023 • e222
1
Propuesta de una arquitectura de monitoreo
industrial orientada a Industria 4.0
Proposal for an Industrial Monitoring Architecture
Oriented to Industry 4.0
Ramón Quiza Sardiñas
ramon.quiza@umcc.cu • https://orcid.org/0000-0003-1293-6044
Onell Hernández Ramírez
onell.hernandez@umcc.cu • https://orcid.org/0000-0002-6252-6564
Yanelys Cuba Arana
yanelys.cuba@umcc.cu • https://orcid.org/0000-0002-9535-8253
Marcelino Rivas Santana
marcelino.rivas@umcc.cu • https://orcid.org/0000-0002-0305-515X
UNIVERSIDAD DE MATANZAS, CUBA
Recibido: 2023-05-21 • Aceptado: 2023-07-16
RESUMEN
Basada en conceptos de la llamada cuarta revolución industrial o Industria
4.0, en este trabajo se propone una arquitectura de monitoreo industrial, la
cual se organizó de manera modular para facilitar su despliegue y garantizar
su escalabilidad. El diseño de la arquitectura tuvo como premisa garantizar los
requisitos de ligereza, apertura de código y uso de herramientas de inteligen-
cia artificial. Para lograr lo primero, se utilizó MQTT, por ser un protocolo de
mensajería ligera. Todas las herramientas y librerías de código empleadas son
permisivas y, excepto una, compatibles con las directrices de software libre de
Debian. Por último, la concepción del módulo de modelado garantiza la po-
sibilidad de utilizar diversas herramientas de inteligencia artificial (IA), para
realizar clasificaciones y regresiones que permitan el monitoreo indirecto de
variables. Para una validación preliminar del sistema, este se desplegó en un
sistema un sistema para monitorear las dimensiones de las costuras ecuatoria-
les en los cilindros de gas licuado de 10 kg. Esas dimensiones se determinan,
de forma indirecta, a partir del procesamiento digital de las imágenes captura-
das a través del uso de una red neuronal convolucional. El sistema desplegado
REVISTA CUBANA
DE TRANSFORMACIÓN DIGITAL
Propuesta de una arquitectura de monitoreo industrial orientada a Industria 4.0
Quiza Sardiñas R., Hernández Ramírez, O., Cuba Arana, Y., Rivas Santana, M.
2
mostró ampliamente su capacidad para cumplir la tarea de monitoreo, según
lo cual fue concebido.
Palabras clave: monitoreo industrial, Industria 4.0, arquitectura, inteli-
gencia artificial.
ABSTRACT
In the work, an industrial monitoring architecture is proposed, based on con-
cepts of the so-called fourth industrial revolution or Industry 4.0. It is organized
in a modular way, to facilitate its use and guarantee its scalability. e design
of the architecture had, as a premise, to guarantee the requirements of lightness,
open code and use of artificial intelligence tools. For achieving the first require-
ment, MQTT was chosen, as it is a lightweight message protocol. For their part,
all the tools and code libraries used are permissive and (except one of them)
compatible with the Debian free software guidelines. Finally, the conception of
the modeling module guarantees the possibility of using various artificial inte-
lligence tools to perform classifications and regressions, which allow the indi-
rect monitoring of variables. For a preliminary validation of the system, it has
been deployed in a monitoring system of the equatorial welded joint dimensions
in 10 kg liquefied gas cylinders. ese dimensions are determined, indirectly,
through the digital processing of the captured images, by using a convolutional
neural network. e deployed system widely showed its capability to fulfill the
monitoring task for which it was designed.
Keywords: industrial monitoring, Industry 4.0, architecture, artificial intelli-
gence.
INTRODUCCIÓN
La «Industria 4.0 o cuarta revolución industrial» es un término utilizado para describir la
transformación de los procesos de fabricación, a través de la fusión de un grupo de tecnologías
disruptivas que combinan las esferas física, digital y biológica, lo que permite tomar decisio-
nes en tiempo real y, consecuentemente, una mayor eficiencia en los procesos de fabricación
(Benitez, Ghezzi, & Frank, 2023). El nombre está inspirado en la iniciativa de Alemania para
promover la informatización en la fabricación y se centra, sobre todo, en la interconectividad,
la automatización, el aprendizaje automático y los datos en tiempo real (Kowalikova, Polak, &
Rakowski, 2020).
REVISTA CUBANA
DE TRANSFORMACIÓN DIGITAL
Propuesta de una arquitectura de monitoreo industrial orientada a Industria 4.0
Quiza Sardiñas R., Hernández Ramírez, O., Cuba Arana, Y., Rivas Santana, M.
3
La Industria 4.0 abarca varias tecnologías de vanguardia que están disponibles comercial-
mente e interconectadas dentro de la fabricación, lo que permite el acceso en tiempo real a
datos y resultados. Dentro de esas tecnologías se destacan la Internet de las Cosas (Internet of
things, IoT) (Saravanan et al., 2022), los grandes volúmenes de datos (big data), la fabricación
inteligente (smart manufacturing), los sistemas ciberfísicos (cyber physical systems, CPS) (Ja-
vaid, Haleem, Singh, & Suman, 2023) y las cadenas de bloques (blockchain) (Nuttah, Roma,
Lo Nigro, & Perrone, 2023). Estas tecnologías permiten el análisis de datos en tiempo real, la
automatización, el aprendizaje automático y una mayor eficiencia en los procesos de fabrica-
ción. Los robots móviles autónomos, las impresoras 3D y otras tecnologías, también son com-
ponentes críticos de la Industria 4.0, que impulsan a la industria manufacturera con nuevos
medios de eficiencia, precisión y confiabilidad.
Las tecnologías de la Industria 4.0 permiten el monitoreo de estados y condiciones en
tiempo real, lo cual constituye un aspecto crítico de los sistemas industriales modernos. El
monitoreo en tiempo real permite a los fabricantes recopilar grandes cantidades de datos de
los sensores en la planta de producción y analizarlos para obtener visibilidad en tiempo real
de los activos de fabricación, detectar posibles problemas antes de que ocurran y optimizar
los procesos de producción (Xiao, Hu, Liu, & Zhou, 2023). A la larga, esto permite mejorar la
eficiencia de la producción, reducir el tiempo de inactividad y mejorar la calidad del producto
(Chen, Wong, Park, & Hugo, 2023).
Un sistema de monitoreo basado en Industria 4.0, generalmente incluye una combina-
ción de sensores, software de análisis de datos y plataformas basadas en la nube, que fun-
cionan juntas para brindar información en tiempo real sobre el rendimiento de los procesos
y equipos industriales. El sistema puede recopilar datos sobre una variedad de parámetros,
como temperatura, presión, humedad y vibración, y usarlos para identificar tendencias, pa-
trones y anomalías que pueden indicar problemas potenciales u oportunidades de optimi-
zación (Bian et al., 2021; Li et al., 2022). El sistema de monitoreo también puede incorporar
inteligencia artificial (IA) y algoritmos de aprendizaje automático, para analizar los datos
e identificar patrones o anomalías que podrían indicar posibles problemas u oportunida-
des de optimización (Adeleke, Nwulu, & Ogbolumani, 2023; omas, Crasta, Kausthubha,
Gowda, & Rao, 2021).
Este artículo tiene como objetivo diseñar una arquitectura de monitoreo basada en las
tecnologías habilitadora de Industria 4.0, para sistemas industriales, así como desplegarla en
un caso de estudio para su validación preliminar.
METODOLOGÍA
Características generales de la arquitectura
La arquitectura propuesta recibe el nombre de LOIA I4.0 (Light Open Intelligent Arquitecture
for Industry 4.0), la cual, como indica su nombre, se ha diseñado para cumplir los siguientes
requisitos:
REVISTA CUBANA
DE TRANSFORMACIÓN DIGITAL
Propuesta de una arquitectura de monitoreo industrial orientada a Industria 4.0
Quiza Sardiñas R., Hernández Ramírez, O., Cuba Arana, Y., Rivas Santana, M.
4
• Ligera: se basa en el uso de Transporte de Telemetría de Cola de Mansajes (Message
Queuing Telemetry Transport, MQTT), el cual es un protocolo de mensajería de publi-
cación-suscripción ligero, diseñado para su uso en entornos restringidos, como disposi-
tivos IoT de bajo consumo y bajo ancho de banda (Domínguez, Campos, Barral, Escude-
ro, & García, 2022; Donta, Srirama, Amgoth, & Annavarapu, 2022).
• Abierta: toda la implementación se realizó en Python 3.11, utilizando bibliotecas libres y de
código abierto. Como servidor de base de datos se utilizará MongoDB, versión 6.1. Todo el
software que conforma la arquitectura se distribuirá bajo Licencia Pública General de GNU
(GNU General Public License, GNU GPL), versión 3 (Free Software Foundation, 2022).
• Inteligente: se utilizan herramientas de inteligencia artificial para la modelación, tanto
para el monitoreo indirecto como para la detección de estados, las cuales incluyen diver-
sas técnicas de aprendizaje automático, como son las redes neuronales artificiales (Xu et
al., 2021), los sistemas neuroborrosos (Djeddi, Hafaifa, Iratni, Hadroug, & Chen, 2021) y
el aprendizaje profundo (Srivastava, Avasthi, & R․, 2023).
Descripción de la arquitectura y sus componentes
La figura 1 muestra una representación gráfica de la arquitectura, la cual tiene un diseño mo-
dular con el propósito de garantizar su escalabilidad y aplicabilidad a diversas situaciones in-
dustriales. Entre los módulos concebidos se encuentran:
• Agente MQTT (MQTT Brocker): es el componente central del sistema. Actúa como in-
termediario o mediador entre editores y suscriptores. Recibe todos los mensajes publica-
dos por los editores y los reenvia a los que se hayan suscrito al tema. Del mismo modo,
el corredor es responsable de recibir mensajes de los suscriptores y reenviarlos a los edi-
tores suscritos. Se puede implementar tanto en un servidor local como en la nube.
• Nodos de captura de datos: actúan como editores. Publica los datos de los dispositivos
de la planta industrial, como pueden ser sensores, controladores lógicos programables
(programmable logic controller, PLC) o sistemas de control de supervisión y adquisición
de datos (supervisory control and data acquisition, SCADA).
Fig. 1
Representación
gráfica de la
arquitectura
LOIA-I4.0.
REVISTA CUBANA
DE TRANSFORMACIÓN DIGITAL
Propuesta de una arquitectura de monitoreo industrial orientada a Industria 4.0
Quiza Sardiñas R., Hernández Ramírez, O., Cuba Arana, Y., Rivas Santana, M.
5
• Base de datos: actúa como editor y suscriptor. Publica los datos almacenados y está sus-
crito a los datos publicados por los nodos de captura y modelado.
• Nodos de modelado: actúan como editor y suscriptor. Publican los datos generados con
los modelos y están suscritos a los datos publicados por la base de datos.
• Servidor de HMI: actúa como suscriptor. Está suscrito a los datos de la base de datos y
genera la interfaz hombre-máquina (human-machine interface, HMI), mediante un ser-
vidor web. Fue desarrollado en PHP, versión 8.2.
• Visualizadores de HMI: utilizan navegadores web para visualizar la HMI.
RESULTADOS Y DISCUSIÓN
Con el objetivo de realizar una prueba de concepto de la arquitectura propuesta, esta se im-
plementó para un caso de estudio, consistente en el monitoreo indirecto de las dimensiones
de la costura, de la soldadura ecuatorial de cilindros de gas de 10 kg. Para ello se utilizó un
sistema basado en la iluminación del cilindro con un láser de línea de 650 nm y la captura de
imágenes, mediante una computadora de placa reducida Raspberry Pi (RPi) 3B, equipada con
una Raspberry Pi Camera Module V2, de 8 MP (figura 2). La rotación del cilindro se llevó a
cabo con un motor eléctrico con variación de velocidad acoplado a un reductor y fue monito-
reada con un codificador Omrom E6B2. Una descripción más detallada del sistema de senso-
res utilizado se puede encontrar en Cruz y coautores (2020).
La implementación de la arquitectura (figura 3) se realizó a través de cinco módulos. En
primer lugar, el módulo de captura de datos, que se desplegó en la Raspberry PI, toma los
datos del codificador rotatorio y, para cada desplazamiento angular prestablecido, capta una
Fig. 2 Sistema de captura de imágenes para el control de la calidad de la soldadura automática.
REVISTA CUBANA
DE TRANSFORMACIÓN DIGITAL
Propuesta de una arquitectura de monitoreo industrial orientada a Industria 4.0
Quiza Sardiñas R., Hernández Ramírez, O., Cuba Arana, Y., Rivas Santana, M.
6
imagen con la cámara. Una vez que ha completado una revolución publica los datos de las
imágenes capturadas.
Los módulos de agente MQTT, de base de datos, modelado y servidor de HDMI, se des-
plegaron en una computadora personal que hace función de servidor local e incluye un pro-
cesador Intel Core i7-10750H operando a 2.60GHz, con 16GB DDR4, y una unidad de proce-
samiento gráfico NVIDIA GeForce RTX 2060 con 6Gb GDDR6.
El agente de MQTT se implementó usando la librería de Python MQTTools (distribuida
bajo MIT License), versión 0.50.0. Recibe los mensajes de todos los emisores y los distribu-
ye a los subscriptores correspondientes. Para el nodo de base de datos se utilizó MongoDB
(distribuido bajo Server Side Public License –SSPL– version 1), versión 6.0. La codificación
se realizó mediante la librería de Python PyMongo (distribuida bajo Apache License 2.0),
versión 4.3.
Para el nodo de modelado se emplearon como herramientas redes neuronales convolucio-
nales, las cuales fueron entrenadas con la librería Keras (distribuida bajo Apache License 2.0),
versión 2.2.4, ejecutada sobre TensorFlow (distribuido bajo Apache License 2.0), versión 2.0.
En la figura 4 se muestra la estructura de la red creada, la cual estuvo integrada por bloques
convolucionales y un bloque de regresión. Los parámetros correspondientes fueron tomados
según los resultados de Cruz y coautores (2021).
Finalmente, el nodo de interfaz hombre-máquina se implementó utilizando el fra-
mework Django (distribuido bajo la BSD 3-Clause), versión 4.1, para el back end y Boots-
trap (distribuido bajo la MIT License), versión 5.0, para el front end. La figura 5 muestra la
vista principal y la vista de detalles de la aplicación, en visualización desde un dispositivo
móvil.
Fig. 3 Representación esquemática de la arquitectura de monitoreo para el control de la calidad de la
soldadura automática.
Fig. 3
Representación
esquemática de
la arquitectura de
monitoreo
para el control de la
calidad de la soldadura
automática.
REVISTA CUBANA
DE TRANSFORMACIÓN DIGITAL
Propuesta de una arquitectura de monitoreo industrial orientada a Industria 4.0
Quiza Sardiñas R., Hernández Ramírez, O., Cuba Arana, Y., Rivas Santana, M.
7
CONCLUSIONES
En este trabajo se realizó el diseño de una arquitectura para monitoreo, tanto directo como
indirecto, de procesos y sistemas mecánicos, la cual se concibió para cumplir un grupo de
requisitos. En primer lugar, el uso del protocolo MQTT para la comunicación, garantizó la
Fig. 4
Estructura de la red
convolucional utilizada en
el nodo de modelado.
Fig. 5
Vistas de la interfaz
hombre-máquina.
REVISTA CUBANA
DE TRANSFORMACIÓN DIGITAL
Propuesta de una arquitectura de monitoreo industrial orientada a Industria 4.0
Quiza Sardiñas R., Hernández Ramírez, O., Cuba Arana, Y., Rivas Santana, M.
8
ligereza del funcionamiento del sistema. Por otro lado, todas las librerías de código utilizadas
son distribuidas bajo licencias permisivas, compatibles con las directrices de software libre de
Debian (excepto la SSPL, que se considera copyleft), lo cual permite una amplia redistribución
del código desarrollado. La modularidad de la arquitectura posibilitó no solo su escalabilidad,
sino la utilización de una amplia gama de herramientas de inteligencia artificial para el mo-
delado, lo que aumenta la capacidad para monitorear variables indirectas.
Para realizar una prueba de concepto preliminar, se implementó un sistema de monitoreo
de las dimensiones de la costura ecuatorial de los cilindros de gas licuado, de 10 kg, la cual se
realizó a través del procesamiento digital de imágenes capturadas, y se desplegaron los módu-
los de agente MQTT, de base de captura de datos, de base de datos, de modelado y de interfaz
hombre-máquina. El uso de una red neuronal convolucional permitió estimar el ancho de la
costura y la altura del refuerzo, a partir de las imágenes capturadas.
Como desarrollo futuro de este trabajo se impone, en primer lugar, la incorporación de
elementos de seguridad en las comunicaciones de la arquitectura, que permitan su despliegue
no solo en Intranet, sino también en Internet. Igualmente, se continuarán agregando casos de
estudio, cada vez más complejos, con el objetivo de validar la eficacia y eficiencia de la plata-
forma desarrollada.
AGRADECIMIENTOS
La investigación que da origen a los resultados presentados en este artículo, recibió fondos de
la Oficina de Gestión de Fondos y Proyectos Internacionales bajo el código PN223LH004-024.
REFERENCIAS
Adeleke, I. A., Nwulu, N. I., & Ogbolumani, O. A. (2023). A hybrid machine learning and
embedded IoT-based water quality monitoring system. Internet of things, (22): 100774.
doi:10.1016/j.iot.2023.100774
Benitez, G. B., Ghezzi, A., & Frank, A. G. (2023). When technologies become Industry 4.0
platforms: Defining the role of digital technologies through a boundary-spanning pers-
pective. International Journal of Production Economics, (260): 108858. doi:10.1016/j.
ijpe.2023.108858
Bian, S., Li, C., Fu, Y., Ren, Y., Wu, T., Li, G.-P., & Li, B. (2021). Machine learning-based real-ti-
me monitoring system for smart connected worker to improve energy efficiency. Journal
of Manufacturing Systems, (61): 66-76. doi:10.1016/j.jmsy.2021.08.009
Chen, H., Wong, R. C.-K., Park, S., & Hugo, R. (2023). An AI-based monitoring system for ex-
ternal disturbance detection and classification near a buried pipeline. Mechanical Systems
and Signal Processing, (196): 110346. doi:10.1016/j.ymssp.2023.110346
Cruz, Y. J., Rivas, M., Quiza, R., Beruvides, G., & Haber, R. E. (2020). Computer Vision System
for Welding Inspection of Liquefied Petroleum Gas Pressure Vessels Based on Combined
REVISTA CUBANA
DE TRANSFORMACIÓN DIGITAL
Propuesta de una arquitectura de monitoreo industrial orientada a Industria 4.0
Quiza Sardiñas R., Hernández Ramírez, O., Cuba Arana, Y., Rivas Santana, M.
9
Digital Image Processing and Deep Learning Techniques. Sensors, 20(16). doi:10.3390/
s20164505
Cruz, Y. J., Rivas, M., Quiza, R., Villalonga, A., Haber, R. E., & Beruvides, G. (2021). Ensemble of
convolutional neural networks based on an evolutionary algorithm applied to an industrial
welding process. Computers in Industry, (133): 103530. doi:10.1016/j.compind.2021.103530
Djeddi, C., Hafaifa, A., Iratni, A., Hadroug, N., & Chen, X. (2021). Robust diagnosis with high
protection to gas turbine failures identification based on a fuzzy neuro inference monitoring
approach. Journal of Manufacturing Systems, (59): 190-213. doi:10.1016/j.jmsy.2021.02.012
Domínguez-Bolaño, T., Campos, O., Barral, V., Escudero, C. J., & García-Naya, J. A. (2022). An
overview of IoT architectures, technologies, and existing open-source projects. Internet of
things, (20): 100626. doi:10.1016/j.iot.2022.100626
Donta, P. K., Srirama, S. N., Amgoth, T., & Annavarapu, C. S. R. (2022). Survey on recent advan-
ces in IoT application layer protocols and machine learning scope for research directions.
Digital Communications and Networks, 8(5): 727-744. doi:10.1016/j.dcan.2021.10.004
Free Software Foundation. (2022). GNU General Public License. Retrieved from https://www.
gnu.org/licenses/gpl-3.0.html
Javaid, M., Haleem, A., Singh, R. P., & Suman, R. (2023). An integrated outlook of Cyber–Phy-
sical Systems for Industry 4.0: Topical practices, architecture, and applications. Green Te-
chnologies and Sustainability, 1(1): 100001. doi:10.1016/j.grets.2022.100001
Kowalikova, P., Polak, P., & Rakowski, R. (2020). e Challenges of Defining the Term “Indus-
try 4.0”. Society, 57(6): 631-636. doi:10.1007/s12115-020-00555-7
Li, H., Ren, H., Liu, Z., Huang, F., Xia, G., & Long, Y. (2022). In-situ monitoring system for
weld geometry of laser welding based on multi-task convolutional neural network model.
Measurement, (204): 112138. doi:10.1016/j.measurement.2022.112138
Nuttah, M. M., Roma, P., Lo Nigro, G., & Perrone, G. (2023). Understanding blockchain appli-
cations in Industry 4.0: From information technology to manufacturing and operations
management. Journal of Industrial Information Integration, (33): 100456. doi:10.1016/j.
jii.2023.100456
Saravanan, G., Parkhe, S. S., akar, C. M., Kulkarni, V. V., Mishra, H. G., & Gulothungan, G.
(2022). Implementation of IoT in production and manufacturing: An Industry 4.0 approach.
Materials Today: Proceedings, (51): 2427-2430. doi:10.1016/j.matpr.2021.11.604
Srivastava, R., Avasthi, V., & R․, K. P. (2023). Deep convolutional neural network for partial dis-
charge monitoring system. Advances in Engineering Software, (180): 103407. doi:10.1016/j.
advengsoft.2022.103407
omas, J. K., Crasta, H. R., Kausthubha, K., Gowda, C., & Rao, A. (2021). Battery monito-
ring system using machine learning. Journal of Energy Storage, (40): 102741. doi:10.1016/j.
est.2021.102741
Xiao, H., Hu, W., Liu, G., & Zhou, H. (2023). Edge computing-based unified condition mo-
nitoring system for process manufacturing. Computers & Industrial Engineering, (177):
109032. doi:10.1016/j.cie.2023.109032
REVISTA CUBANA
DE TRANSFORMACIÓN DIGITAL
Propuesta de una arquitectura de monitoreo industrial orientada a Industria 4.0
Quiza Sardiñas R., Hernández Ramírez, O., Cuba Arana, Y., Rivas Santana, M.
10
Xu, Y., Nascimento, N. M. M., de Sousa, P. H. F., Nogueira, F. G., Torrico, B. C., Han, T., . . . Re-
bouças Filho, P. P. (2021). Multi-sensor edge computing architecture for identification of
failures short-circuits in wind turbine generators. Applied Soft Computing, (101): 107053.
doi:10.1016/j.asoc.2020.107053
Copyright © 2023 Quiza Sardiñas R., Hernández Ramírez, O., Cuba Arana, Y., Rivas Santana, M.
Este obra está bajo una licencia de Creative Commons Atribución-No Comercial 4.0 Internacional
