Gemelos digitales en la industria: qué son y cómo se construyen

Pocos términos se han usado con tanta ligereza como gemelo digital. Se llama así a una maqueta en tres dimensiones, a un panel de indicadores y a una simulación hecha hace cinco años. Este artículo pone orden: qué es exactamente, en qué se diferencia de lo que ya existía, cómo se construye uno y en qué casos sale rentable.

La definición que sirve para trabajar

Un gemelo digital es la combinación de tres cosas, y si falta una, no lo es:

1. Un activo físico concreto: esta máquina, esta planta, este tren, no «una máquina de este tipo».
2. Un modelo capaz de reproducir su comportamiento con la fidelidad que exija el uso previsto.
3. Un enlace de datos entre ambos, que mantenga el modelo sincronizado con el activo real.

La escala de madurez habitual aclara el vocabulario:

• Modelo digital: existe el modelo, pero no hay intercambio automático de datos. Es lo que se usa en diseño.
• Sombra digital: los datos van del activo al modelo de forma automática. El modelo refleja lo que está pasando.
• Gemelo digital: el flujo es bidireccional. El modelo no solo refleja: influye en cómo se opera el activo.

La mayoría de lo que la industria llama gemelo digital es, con rigor, una sombra digital. No es un problema —una sombra bien hecha aporta muchísimo— pero conviene llamar a las cosas por su nombre, porque el salto al bucle cerrado tiene implicaciones de seguridad y de responsabilidad que no son menores.

Qué tipo de modelo hay debajo

Modelos físicos

Parten de las ecuaciones que gobiernan el sistema: mecánica, térmica, fluidos, electromagnetismo. Su ventaja es decisiva: extrapolan. Pueden predecir el comportamiento en condiciones que nunca se han dado, que es justo lo que interesa cuando se quiere saber qué pasaría si.

Su inconveniente es el coste de cálculo. Un modelo de elementos finitos detallado no corre en tiempo real. De ahí la importancia de las técnicas de reducción de orden, que destilan un modelo pesado en uno ligero que conserva el comportamiento relevante y se ejecuta miles de veces más rápido.

Modelos de datos

Aprenden el comportamiento a partir del histórico, sin conocer la física. Son rápidos de construir si hay datos, capturan efectos que nadie modelaría a mano y se adaptan bien a sistemas complejos.

Su límite es simétrico al anterior: no extrapolan. Fuera del rango con el que se entrenaron, sus predicciones no son fiables, y lo peor es que no avisan de ello. En un activo industrial, las situaciones interesantes son precisamente las raras.

Modelos híbridos

Es donde está yendo el sector. Un núcleo físico que garantiza la coherencia, con componentes de datos que corrigen lo que el modelo no captura: rozamientos reales, envejecimiento, particularidades de la instalación. Se obtiene extrapolación y precisión a la vez.

Cómo se construye uno, paso a paso

1. Definir la pregunta. Un gemelo digital no se hace «del activo»: se hace para responder a algo concreto. ¿Cuánta vida le queda a este rodamiento? ¿Puedo subir la producción un 10 % sin salir de límites? ¿Qué pasa si falla este equipo? La pregunta determina qué fenómenos hay que modelar y con qué fidelidad, y por tanto el presupuesto.
2. Inventariar la información disponible: planos, hojas de características, histórico de operación, registros de mantenimiento. Casi siempre falta algo, y ese hueco define el primer trabajo.
3. Construir el modelo base y verificarlo: comprobar que está bien resuelto numéricamente, con independencia de malla y de paso de tiempo.
4. Calibrar con datos reales: ajustar los parámetros que no se conocen bien —coeficientes de transferencia, rozamientos, holguras— hasta reproducir el comportamiento medido.
5. Validar con datos distintos de los usados para calibrar. Este paso se salta con frecuencia y es el que da credibilidad al resultado.
6. Cuantificar la incertidumbre: un gemelo que da un número sin intervalo no sirve para decidir.
7. Conectar al flujo de datos real y automatizar la ingesta.
8. Mantener: vigilar la deriva, recalibrar y versionar.

Verificación y validación: lo que separa un gemelo de una animación

En simulación se distinguen dos preguntas que suenan parecidas:

• Verificación: ¿estoy resolviendo bien las ecuaciones? Es un asunto numérico: convergencia, discretización, errores de redondeo.
• Validación: ¿son las ecuaciones correctas para este problema? Es un asunto físico, y solo se responde comparando con medidas reales.

Existen marcos normalizados para hacerlo con rigor, muy utilizados en sectores donde la simulación sustituye a ensayos. La disciplina que proponen es sencilla de enunciar: declarar el uso previsto del modelo, definir las magnitudes de interés, diseñar los experimentos de validación, comparar con métricas objetivas y documentar el dominio en el que el modelo es válido.

Esa última frase es la clave. Un modelo validado no es un modelo correcto: es un modelo del que se sabe en qué condiciones es correcto. Usarlo fuera de ahí es, técnicamente, un error.

Los datos: la parte que nadie quiere hacer

Un gemelo vive de datos, y los datos industriales rara vez están listos. Lo que hay que resolver:

• Cobertura: ¿hay sensores donde el modelo los necesita? A veces hay que instalar instrumentación nueva, y eso cambia el presupuesto.
• Frecuencia y sincronización: mezclar una señal de alta frecuencia con una de registro horario exige cuidado.
• Calidad: valores ausentes, saturaciones, sensores derivados y paradas de planta que ensucian el histórico.
• Contexto: un dato sin saber qué estaba haciendo la planta en ese momento no sirve. Hay que cruzar con órdenes de trabajo, cambios de producto y eventos.
• Interoperabilidad: protocolos y modelos de información de planta, que en el sector eléctrico incluyen los modelos de datos normalizados de subestación y en manufactura los esquemas de descripción de activos.

En la práctica, la parte de datos se lleva más de la mitad del esfuerzo de un proyecto de gemelo digital. Quien planifica suponiendo que los datos están listos entrega tarde, sin excepción.

Dónde aporta valor de verdad

• Mantenimiento predictivo con base física. No solo detectar que algo se sale de lo normal, sino estimar vida remanente a partir del mecanismo de degradación.
• Puesta en marcha virtual. Probar el control contra un modelo de la planta antes de que exista la planta. Reduce drásticamente el tiempo de arranque.
• Sensores virtuales. Estimar magnitudes que no se pueden medir —temperatura en el interior de una pieza, par en un eje— a partir de las que sí se miden.
• Optimización de la operación. Encontrar la consigna que maximiza rendimiento sin violar límites.
• Escenarios. Evaluar un cambio antes de hacerlo, en un entorno donde equivocarse no cuesta.
• Formación de operadores sobre situaciones que no se pueden provocar en la planta real.

Y dónde no aporta: cuando el activo es barato y fácil de sustituir, cuando no hay datos ni posibilidad de instrumentar, o cuando la pregunta se responde con una hoja de cálculo. Decir que no también es parte del trabajo del ingeniero.

Lo que falla en los proyectos

1. Empezar por la tecnología y no por la pregunta. Se compra una plataforma y después se busca para qué usarla.
2. Confundir visualización con modelo. Una representación tridimensional bonita no predice nada.
3. No validar. Un modelo sin validación es una opinión con gráficos.
4. Olvidar el mantenimiento del modelo. La planta cambia: se sustituyen equipos, se modifica el proceso. Un gemelo sin gobierno se vuelve mentiroso en meses, y es más peligroso que no tenerlo.
5. Ignorar la ciberseguridad. Si el gemelo escribe consignas en la planta, es un sistema de control a todos los efectos.

Este enfoque —del caso de uso al modelo, y del modelo al dato— es el que se trabaja en los programas de simulación y gemelos digitales y en los de datos e inteligencia artificial aplicada a la industria.

Un caso concreto: el gemelo de un intercambiador de calor

Conviene aterrizar todo lo anterior en algo pequeño, porque los proyectos que salen bien casi siempre empiezan pequeños.

La pregunta. Un intercambiador de una planta de proceso se ensucia con el tiempo y pierde eficacia. Limpiarlo exige parar la línea. ¿Cuándo conviene hacerlo?

El modelo. Un balance de energía con un coeficiente global de transferencia. Las ecuaciones son conocidas y el modelo cabe en unas pocas líneas; no hace falta mallar nada.

Los datos. Caudales y temperaturas de entrada y salida de ambos fluidos, que normalmente ya están instrumentados porque el control los necesita.

El sensor virtual. Con esos datos y el modelo se estima el coeficiente de transferencia real en cada instante. Esa magnitud no se mide: se infiere. Y su caída en el tiempo es, directamente, la medida del ensuciamiento.

La decisión. Cruzando la curva de degradación con el coste energético de operar con menos eficacia y el coste de parar para limpiar, sale la fecha óptima de limpieza. Y se recalcula cada día con los datos nuevos.

Este ejemplo reúne todos los elementos de un gemelo digital —activo concreto, modelo, datos en continuo y una decisión que cambia— y se puede construir en semanas. La diferencia con los proyectos que fracasan no es la ambición tecnológica: es que aquí la pregunta estaba clara desde el primer día.

Por dónde empezar en una empresa que no tiene nada

El orden que funciona, por experiencia del sector:

1. Elegir un activo con dolor conocido. Algo que falle, que pare la producción o que consuma más de lo que debería, y que alguien de planta pueda explicar en cinco minutos.
2. Comprobar qué datos existen ya antes de prometer nada. Si no hay histórico, el primer proyecto es instrumentar y esperar.
3. Hacer el modelo más simple que responda a la pregunta. Siempre se puede refinar después; casi nunca se puede rescatar un proyecto que empezó demasiado grande.
4. Validar delante de la gente de planta. Si el modelo reproduce un episodio que ellos recuerdan, se gana credibilidad; sin esa credibilidad, nadie usará el resultado.
5. Entregar una decisión, no un panel. El entregable útil no es una pantalla con curvas: es «conviene limpiar la semana que viene» con el razonamiento detrás.

Preguntas frecuentes sobre gemelos digitales

¿Necesito inteligencia artificial para hacer un gemelo digital?

No necesariamente. Muchos gemelos útiles son puramente físicos. El aprendizaje automático entra cuando hay fenómenos difíciles de modelar y datos suficientes para aprenderlos.

¿Tiene que funcionar en tiempo real?

Depende del uso. Para control y supervisión, sí, y ahí entran los modelos reducidos. Para análisis de escenarios o planificación de mantenimiento, basta con que responda en minutos u horas.

¿Cuánto cuesta mantenerlo?

Como regla de partida, hay que contar con un esfuerzo anual recurrente para recalibrar, actualizar ante cambios del activo y vigilar la calidad de los datos. Un proyecto que no presupuesta esa partida acaba con un gemelo abandonado.

¿De quién es el gemelo, del fabricante o del operador?

Es una pregunta contractual con mucho peso. El fabricante conoce el diseño; el operador, el uso real. Los acuerdos más sólidos reparten: el fabricante aporta el modelo base y el operador, los datos y la calibración, con reglas claras sobre propiedad y acceso.

Formaciones de SEIUM relacionadas con simulación y gemelos digitales

• Máster en Ingeniería de Smart Cities, Datos & Energía
• Máster en Ingeniería de Gemelos Digitales Urbanos & 3D City Modeling
• Máster en Ingeniería de Datos, Políticas & Regulación
• Máster en Ingeniería de Evaluación de Políticas Urbanas Basadas en Datos
• Máster en Ingeniería de Smart Metering y Calidad de Datos AMI