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

• Alcides de-Araújo-Fernandes ^[1] ; Hugo Landaluce-Simón ^[1] ; Ignacio Angulo-Martínez ^[1] ; Alfredo Natumwa-Fernandes ^[1]
  1. [1] Universidad de Deusto

     Universidad de Deusto

     Bilbao, España

     
• Localización: Revista DYNA, ISSN-e 0012-7361, ISSN 0012-7361, Vol. 100, Nº 6 (Noviembre - Diciembre 2025), 2025, págs. 517-523
• Idioma: español
• DOI: 10.52152/D11514
• Títulos paralelos:
  • Sensorless estimation of manually operated ball valve states using edge artificial intelligence in cyber-physical industrial systems
• Texto completo no disponible (Saber más ...)
• Resumen
  • español

    En las instalaciones de procesos industriales, la operación incorrecta o la configuración inapropiada de componentes críticos, como las válvulas de bola operadas manualmente, puede comprometer 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) aplicados a tareas de clasificación y regresión. Los modelos se despliegan en una plataforma embebida, permitiendo inferencia en tiempo real en el borde con una latencia mínima de 500ms. Los resultados muestran que los modelos Decision 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 introduce una métrica de eficiencia computacional que combina precisión, latencia y tamaño del modelo, confirmando que DT es el modelo 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 limitados, ofreciendo un camino viable hacia la detección temprana de anomalías y la supervisión inteligente en sistemas ciberfísicos industriales.

  • English

    In industrial process installations, the improper operation or misconfiguration of safety-critical components, such as manually operated ball valves, can seriously compromise both process performance and plant safety. This work proposes a sensorless Edge AI sensorless method to estimate hand-operated ball valves states without the use of physical position sensors. Using multivariate time-series data collected from a PLC-based pilot plant, a benchmark evaluation is conducted comparing four Deep Learning (DL) and four classical Machine Learning (ML) models for classification and regression tasks. The models are deployed on an embedded platform, enabling real-time inference at the edge with a minimum latency of 500 ms. Results show Decision Tree (DT) and Random Forest (RF) achieve high regression accuracy (R2 > 0.98, MAE < 0.5), while all eight model reach high classification accuracy. Additionally, the computational efficiency metric that combines model accuracy, latency, and size, confirming DT as the most efficient model (1.83/(ms·KB)) for edge deployment. This work contributes a cost-effective and scalable monitoring strategy, particularly suitable for complex industrial environments where physical sensing and visual inspection are limited, offering a viable path toward early anomaly detection and intelligent supervision within cyber-physical systems.