Inteligencia artificial de borde para la estimación sin sensores de válvulas de tipo bola manuales en sistemas industriales ciberfísicos

Resumen

En las instalaciones de procesos industriales, la operación in
correcta o la configuración inapropiada de componentes críticos, 
como las válvulas de bola operadas manualmente, puede compro
meter gravemente tanto el rendimiento del proceso o la seguridad 
de la planta. Este trabajo propone un método de estimación sin 
sensores basados en IA en el borde (Edge AI) para determinar los 
estados de válvulas de bola manuales sin recurrir a sensores físicos 
de posición. Utilizando datos multivariantes en series temporales 
recopilados de una planta piloto controlada por PLC, se realiza una 
evaluación comparativa entre cuatro modelos de Deep Learning 
(DL) y cuatro modelos clásicos de Machine Learning (ML) aplica
dos a tareas de clasificación y regresión.
 Los modelos se despliegan en una plataforma embebida, per
mitiendo inferencia en tiempo real en el borde con una latencia 
mínima de 500ms. Los resultados muestran que los modelos Deci
sion Tree (DT) y Random Forest (RF) alcanzan una alta precisión en 
regresión (R 2 >0.98, MAE < 0.5), mientras que los ocho modelos 
logran una elevada exactitud en clasificación. Además, se intro
duce una métrica de eficiencia computacional que combina preci
sión, latencia y tamaño del modelo, confirmando que DT es el mo
delo más eficiente (1.83/(ms·KB)) para implementar en el borde.
 Este trabajo aporta una estrategia de monitorización rentable 
y escalable, especialmente adecuada para entornos industriales 
complejos donde la detención fisica y la inspección visual son li
mitados, ofreciendo un camino viable hacia la detección temprana 
de anomalías y la supervisión inteligente en sistemas ciberfísicos 
industriales.