DIGITALIZACIÓN E INDUSTRIA 4.0 se ilustra en la figura 3, los datos transmitidos desde los SmartBoxes se almacenan en una base de datos de series temporales (InfluxDB en este caso), diseñada para gestionar grandes volúmenes de datos de manera eficiente. La visualización de estos datos se realiza a través de Grafana, que efectúa consultas a InfluxDB y presenta los resultados en un cuadro de mandos mediante paneles, facilitando a los operadores de planta el análisis intuitivo de la información. Desde el punto de vista de los usuarios, el acceso al sistema Savvy Fog requiere autenticarse con credenciales específicas, garantizando que solo el personal autorizado pueda ingresar a la red local. A través de una conexión Ethernet, es necesario habilitar puertos específicos para activar las funcionalidades de los SmartBoxes. Tras completar estos procedimientos, los usuarios pueden interactuar con los dispositivos ‘edge’, permitiendo la extracción de datos en ‘streaming’, el despliegue de algoritmos, la actualización de aplicaciones y la visualización en tiempo real del estado de las máquinas. Además, al disponer de datos en tiempo real sobre el consumo energético de cada máquina, se puede incorporar información externa, como el precio diario de la energía eléctrica, obtenido de una API [9]. El precio de la electricidad en España fluctúa según varios factores, como la demanda general de energía, el coste de generación y las condiciones climáticas. De esta manera, se pueden ajustar los tiempos de operación para coincidir con las horas de menor costo energético, lo que resulta en un ahorro en las operaciones diarias de la planta. En la figura 4 se muestra un ejemplo de un panel de Grafana, donde se puede visualizar el precio por hora del kilovatio, el consumo instantáneo de cada máquina, así como el consumo y el costo total mensual de las máquinas en la planta del CFAA. CONCLUSIONES Y TRABAJO FUTURO La combinación de computación ‘edge’ y ‘fog’ permite organizar de manera eficiente la recogida, procesamiento y visualización de datos en tiempo real, optimizando el uso de los recursos y reduciendo la latencia en entornos industriales. En el CFAA, hemos implementado este enfoque en un caso de uso centrado en la monitorización del consumo energético de las máquinas, lo que nos ha permitido mejorar la eficiencia operativa y facilitar la toma de decisiones basada en datos. Como parte de los pasos futuros, se contempla el despliegue de algoritmos de aprendizaje federado para mejorar el consumo energético de las máquinas. El aprendizaje federado permite entrenar modelos de aprendizaje automático de manera distribuida, donde múltiples nodos ejecutan algoritmos de IA localmente. Figura 4: Panel con el consumo energético de las máquinas del CFAA y el precio de la luz. La combinación de computación ‘edge’ y ‘fog’ permite organizar de manera eficiente la recogida, procesamiento y visualización de datos en tiempo real 102
RkJQdWJsaXNoZXIy Njg1MjYx