Cómo la automatización, el aprendizaje automático y Blockchain impulsan el futuro de la fabricación de productos electrónicos

La Industria 4.0 se basa en la automatización inteligente de la electrónica de fabricación. La automatización, cada vez más capaz, está en todas partes, desde el borde hasta la nube, en sensores, robots y cobots, controladores lógicos programables (PLC) y otros equipos. Las obleas semiconductoras, los circuitos integrados, los componentes pasivos, el envasado y los sistemas electrónicos para aplicaciones de consumo, energía verde, automoción, médicas, industriales, militares/aeroespaciales y otras dependen de la automatización inteligente para su producción. Los sistemas unificados de ejecución de la fabricación (MES) proporcionan supervisión, control, seguimiento y documentación en tiempo real de toda la cadena de fabricación, desde las materias primas hasta los productos acabados.

Los sistemas automatizados ciberfísicos de la Industria 4.0 van más allá de las actividades de fabricación tradicionales y se basan en diversas formas de aprendizaje automático (ML) que van desde el aprendizaje de refuerzo profundo en la nube hasta el tinyML en el borde para una producción flexible, una mejora continua y una alta calidad constante. El número de capas de conectividad es cada vez mayor, y la combinación de edge computing, el Internet de las cosas industrial (IIoT) y la computación en la nube está aumentando los retos relacionados con la ciberseguridad. Blockchain ha entrado recientemente en escena para una gestión completa y segura de la cadena de suministro.

En este artículo se analizan las principales tendencias de automatización en la fabricación de productos electrónicos, como el aumento de las capas de conectividad, la creciente necesidad de ciberseguridad, las implementaciones especializadas de ML que se están llevando a cabo y cómo la trazabilidad y MES respaldan las métricas y los análisis de producción en tiempo real. En el camino, se revisan algunas de las tecnologías necesarias para cumplir plenamente la promesa de la Industria 4.0 para la personalización masiva con alta calidad y bajos costos, incluyendo cómo Dig-Key apoya las necesidades de los diseñadores de sistemas de automatización con un amplio rango de soluciones. Concluye con un análisis de cómo se utiliza blockchain para implantar sistemas de gestión de la cadena de suministro de alta seguridad en toda la empresa.

Aumento de las capas de conectividad

La IIoT en la industria 4.0 incluye más capas de red cableadas e inalámbricas para redes de sensores, robots móviles autónomos (AMR) y otros sistemas. Por ejemplo, IO-Link se desarrolló para proporcionar una conexión de red cableada simplificada para el enorme número de sensores, actuadores, indicadores y otros dispositivos de borde heredados que anteriormente no estaban conectados a redes de nivel superior como Ethernet IP, Modbus TCP/IP y PROFINET. Con IO-Link, las entradas y salidas (IO) de estos dispositivos se capturan y convierten al protocolo IO-Link para conectividad serie definido en IEC 61131-9 con un único cable de 4 ó 5 hilos no apantallado definido en IEC 60974-5-2 (Figura 1). Además de proporcionar una nueva capa de conexión en red para capturar información más granular sobre los procesos de la fábrica, IO-Link admite un despliegue rápido y la configuración, supervisión y diagnóstico remotos de los dispositivos conectados para admitir los cambios de línea y proceso necesarios para la personalización masiva en las fábricas de la Industria 4.0.

Figura 1: IO-Link puede utilizarse para conectar sensores y otros dispositivos que utilicen diversas interfaces a redes Ethernet, PROFINET o Modbus. (Fuente de la imagen: Banner Engineering)

Los dispositivos IIoT inalámbricos, desde sensores a robots, también contribuyen a las crecientes capas de conexión en red. En las fábricas modernas se utilizan diversos protocolos inalámbricos, como Wi-Fi, 5G, LTE y otros. Por ejemplo, los AMR utilizan una combinación de sensores a bordo y conectividad Wi-Fi para comprender su entorno, identificar posibles obstáculos y desplazarse con seguridad y eficacia de un lugar a otro. Los robots colaborativos (cobots) están diseñados para trabajar con personas con el fin de mejorar la eficiencia operativa y a menudo requieren conectividad inalámbrica. En algunos casos, los AMR trasladan los cobots de una tarea a otra según sea necesario (Figura 2).

Figura 2: Un AMR (abajo) puede desplazarse de un lugar a otro mediante una combinación de sensores a bordo y conectividad inalámbrica, y recoger y trasladar un cubit (arriba) a una nueva estación de trabajo. (Fuente de la imagen: Omron)

Aumento de los ciberpeligros

El aumento de las capas en las redes industriales, combinado con la explosión del número de dispositivos conectados, está dando lugar a un número creciente de vectores de amenazas a la seguridad y a un aumento de los ciberpeligros. Se han desarrollado varias normas y metodologías de seguridad industriales y específicas de IoT, como la Comisión Electrotécnica Internacional (CEI) 62443 y la Norma de Evaluación de la Seguridad para la Plataforma IoT (SESIP).

IEC 62443 es una serie de normas desarrolladas por el comité 99 de la Sociedad Internacional de Automatización (ISA) y aprobadas por la CEI. La CEI 62443 es una serie de normas de más de 800 páginas para sistemas de automatización y control industrial (IACS) en 14 subsecciones y cuatro niveles (Figura 3). Las secciones clave que definen el desarrollo del producto y los requisitos de seguridad de los componentes son:

• IEC 62443-4-1: Requisitos del ciclo de vida del desarrollo de la seguridad de los productos: define un ciclo de vida de desarrollo de productos seguros que incluye la definición de los requisitos iniciales, el diseño y la implementación seguros, la verificación y validación, la gestión de defectos y parches, y el final de la vida útil.
• IEC 62443-4-2: Seguridad para sistemas de automatización y control industrial: Requisitos de seguridad técnica para componentes IACS - Especifica las capacidades de seguridad que permiten a un componente mitigar las amenazas para un determinado nivel de seguridad.

Figura 3: IEC 62443 es un amplio conjunto de normas de seguridad del SIGC. (Fuente de la imagen: IEC)

SESIP está publicado por la GlobalPlatform y define una estructura común para evaluar la seguridad de los productos conectados y aborda los retos de cumplimiento, seguridad, privacidad y escalabilidad específicos de IoT. El SESIP proporciona definiciones claras de la funcionalidad de seguridad en componentes y plataformas en forma de Requisitos Funcionales de Seguridad (SFR). También proporciona métricas de solidez que miden la solidez frente a los ataques en forma de "niveles" SESIP del 1 al 5, siendo 1 la autocertificación y 5 el correspondiente a pruebas exhaustivas y certificación de terceros.

ML de la nube al límite

El ML es un factor clave de la automatización inteligente, que contribuye a la mejora continua de los procesos y a la obtención de productos de alta calidad. El uso de redes neuronales es una técnica de ML bien establecida en la Industria 4.0. Está empezando a complementarse con el aprendizaje profundo por refuerzo en la nube. El aprendizaje profundo por refuerzo añade un marco de algoritmos orientados a objetivos a un núcleo de red neuronal. Al principio, el aprendizaje por refuerzo se limitaba a entornos repetibles, como los juegos; hoy en día, los algoritmos pueden funcionar en entornos más ambiguos del mundo real. En el futuro, las implementaciones avanzadas del aprendizaje por refuerzo podrán alcanzar la inteligencia general artificial.

La tecnología de la información no está solo en la nube, sino que llega a las fábricas y a los bordes. Las ranuras de expansión de los PC industriales y los autómatas programables de las fábricas albergan cada vez más tarjetas aceleradoras de ML e IA para el control inteligente de los procesos.

Tiny machine learning (tinyML) está optimizado para su implementación en aplicaciones de bajo consumo. El uso de tinyML en aplicaciones de sensores está creciendo rápidamente. Un ejemplo de aplicación de tinyML es el análisis de sensores IIoT en dispositivos periféricos alimentados por baterías o recolección de energía. Arduino ofrece un Tiny Machine Learning Kit que incluye una placa Arduino Nano 33 BLE Sense que contiene una MCU y una variedad de sensores que pueden monitorizar el movimiento, la aceleración, la rotación, los sonidos, los gestos, la proximidad, el color, la intensidad de la luz y el movimiento (Figura 4). También se incluye un módulo de cámara OV7675 y un escudo Arduino. La unidad de microcontrolador integrada puede implementar redes neuronales profundas basadas en el marco de aprendizaje profundo de código abierto TensorFlow Lite para la inferencia en el dispositivo.

Figura 4: El Tiny Machine Learning Kit de Arduino está diseñado para desarrollar aplicaciones de sensores IIoT. (Fuente de la imagen: DigiKey).

Métricas y análisis en tiempo real

Las métricas y los análisis en tiempo real son aspectos esenciales de la automatización inteligente. Trazabilidad 4.0 combina la visibilidad de los productos, la visibilidad de la cadena de suministro y la visibilidad de las partidas de generaciones anteriores de trazabilidad y proporciona un historial completo de todos los aspectos de un producto. Además, incluye todos los parámetros de la máquina y el proceso y admite métricas de eficacia general de los equipos (OEE) que optimizan los procesos de fabricación (Figura 5).

Figura 5: La Trazabilidad 4.0 es una implementación integral que da soporte a los diversos requisitos de las operaciones de la Industria 4.0. (Fuente de la imagen: Omron)

La trazabilidad es vital en muchas industrias, desde la fabricación de dispositivos médicos hasta la automoción y la industria aeroespacial. En el caso de los productos de uso médico, los requisitos normativos exigen un seguimiento y una trazabilidad exhaustivos. Los automóviles y los sistemas aeroespaciales pueden tener decenas de miles de piezas de las que hacer un seguimiento. No se trata solo del historial de las piezas; la trazabilidad incluye el seguimiento de las dimensiones y tolerancias geométricas (GD&T) de cada pieza. GD&T permite la fabricación de precisión y la instalación de piezas en función de sus valores exactos de GD&T, lo que favorece los ensamblajes de alta precisión para industrias como la aeroespacial y la automovilística.

La trazabilidad puede mejorar la precisión y eficacia de la retirada de productos. Permite al fabricante identificar todos los productos afectados y el proveedor o proveedores de los componentes defectuosos.

Las acciones correctivas y preventivas pueden acelerarse mediante el uso de la trazabilidad. Al igual que las retiradas de productos, conocer la procedencia completa de los productos permite a los fabricantes orientar y programar eficazmente las actividades de servicio y mantenimiento de los productos sobre el terreno.

Trazabilidad y MES

Las implantaciones MES unificadas que incorporan la trazabilidad pueden generar una base de datos con capacidad de búsqueda de toda la información relacionada con productos individuales, incluidos los diseños según lo previsto y los resultados según lo construido. Por ejemplo, la trazabilidad se utiliza para hacer un seguimiento de los componentes y materiales individuales a medida que llegan, incluidos los datos de las pruebas de calidad de entrada, la ubicación de la fábrica suministradora, etc., antes de que comience la producción. MES verifica esa información basándose en el diseño previsto y la introduce en las bases de datos de operaciones de kitting y trabajo en curso.

Los datos de trazabilidad suministrados por el IIoT combinados con MES apoyan la personalización masiva de productos en la Industria 4.0. MES permite que los materiales, procesos y otros recursos adecuados estén en el lugar adecuado para garantizar el menor coste de producción y el resultado de mayor calidad. Además, MES y la trazabilidad pueden combinar y demostrar el cumplimiento de la normativa gubernamental y hacer que los datos sean fácilmente accesibles para los auditores u otras personas, según sea necesario.

Blockchain

Un blockchain es un sistema de registro digital descentralizado o distribuido para registrar transacciones entre múltiples partes de forma inviolable y verificable. Cualquier transacción en la que la confianza sea importante, como la gestión de la cadena de suministro, es un uso potencial de blockchain. En una cadena de suministro con muchos participantes, blockchain puede mejorar la eficiencia de las transacciones y hacerlas verificables y a prueba de manipulaciones. Dos ejemplos de las ventajas de utilizar blockchain en las actividades de la cadena de suministro son:

Sustitución de procesos manuales. Los procesos manuales basados en papel que dependen de firmas u otras formas de verificación física pueden mejorarse potencialmente utilizando blockchain. La limitación es que el universo de participantes en el libro mayor debe ser finito y fácilmente identificable. Una empresa de reparto con una base de datos de clientes desconocidos que cambia constantemente puede no ser un buen candidato para blockchain. Una operación de fabricación con un grupo finito y lentamente cambiante de proveedores de confianza es un buen candidato.

Reforzar la trazabilidad. Blockchain puede ser una buena herramienta para mejorar la transparencia de la cadena de suministro y cumplir los crecientes requisitos normativos y de información al consumidor. Por ejemplo, la cadena de bloques puede respaldar la Ley de Seguridad y Cadena de Suministro de Medicamentos y el mandato de identificador único de dispositivos de la Administración de Alimentos y Medicamentos de Estados Unidos. En el sector de la automoción y en otros sectores, los proveedores de toda la cadena de suministro pueden participar en la aplicación de las retiradas, y blockchain puede proporcionar una buena herramienta para aplicar la directriz de trazabilidad publicada por el Grupo de Acción del Sector de la Automoción.

Resumen

La automatización inteligente que es la base de la Industria 4.0 depende de numerosas tecnologías para su implementación, incluido un número creciente de capas de red con conectividad cableada e inalámbrica que dan lugar a amenazas de ciberseguridad cada vez más complejas. Además, se está implantando el aprendizaje automático desde el perímetro hasta la nube para respaldar métricas y análisis en tiempo real, incluida la trazabilidad y el MES unificado. Por último, se está introduciendo la tecnología blockchain para soportar bases de datos inviolables y verificables.