Autor: VILLALONGA JAÉN, Alberto
Título: Industrial cyber-physical system for process monitoring and control. Design and application in Smart Manufacturing
Fecha: 2026
Materia: ---
Escuela: E.T.S. DE INGENIEROS INDUSTRIALES
Departamento: SIN DEPARTAMENTO DEFINIDO
Acceso electrónico: https://oa.upm.es/93658/
Director/a(s):
- Director/a: HABER GUERRA, Rodolfo
Resumen: Modern manufacturing, shaped by Industry 4.0 and 5.0, demands intelligent, adaptive, and interconnected systems for real-time monitoring, control, and decision-making. These paradigms stress not only automation and efficiency but also human-machine collaboration, sustainability, and flexibility in dynamic production settings. Although technologies such as the Industrial Internet of Things (IIoT), cyber-physical systems (CPS), cloud-edge computing, and artificial intelligence (AI) are advancing, traditional industrial solutions still face interoperability, scalability, and responsiveness issues. Many rely on rigid, infrastructures that hinder integration and limit the adoption of data-driven, intelligent solutions. Also, there are several challenges related to the development and deployment of intelligent systems for monitoring and control, such as the absence of standard communication protocols, the complexity of running machine learning (ML) models in decentralized networks, and the need to handle data drift, model degradation, evolving process conditions, and effective human-centric interaction. This doctoral thesis proposes a framework that integrates cloud and edge computing, ML, digital twins, and fuzzy logic to create human-centric Industrial Cyber Physical Systems (ICPS) for monitoring and control. The main goal is to design a distributed framework with self-learning and self-configuration capabilities, integrating advanced technologies into a scalable, modular architecture while ensuring real-time responsiveness, advanced cloud analytics, and communication across heterogeneous environments. The proposed framework adopts a cloud-edge architecture. Edge nodes manage real-time data collection, predictive modeling, and local decisions, while cloud services perform learning, orchestration, and global decision support. The cloud contains four microservices designed to ensure scalability, resilience, and interoperability. The learning service is responsible for managing the predictive models. Self-learning and self-configuration are achieved in this service through automated ML pipelines and Q-learning agent for model selection, enabling continuous adaptation to changing conditions. The digital twin services manage the assets' digital twin models' life cycle based on an AutoML pipeline. The global decision support service implements a fuzzy inference system to support decision-making at the plan level by combining key performance and health metrics. Ultimately, the orchestrator organizes and manages the information gathered from the fields to streamline service handling. The edge is composed of three modules for monitoring assets. The predictive model module runs ML-based models for condition monitoring, quality control, or health monitoring. On the other hand, the local digital twin module simulates and predicts asset behavior. The local decision support module combines outputs from digital twins and predictive models with a residual statics analysis to detect potential anomalies and generate smart recommendations to support local decision-making. Finally, a drift detection system monitors model performance and triggers retraining when predictions degrade. The framework was validated in two industrial case studies. The first involved high-precision machining, where the system monitored surface roughness in real time and dynamically updated predictive models evaluating the performance of the learning services and the dynamic model selection. The second applied the system to a modular Industry 4.0 assembly line, enabling condition-based monitoring and both local and global decision support, evaluating the decision support at both levels. In both cases, predictive accuracy and operational efficiency improved. Reinforcement learning and AutoML guarantee performance under evolving conditions, digital twins provide reliable simulations, and fuzzy logic supports timely, human-aware interventions. RESUMEN La fabricación moderna, impulsada por los paradigmas de la Industria 4.0 y 5.0, exige sistemas inteligentes, adaptativos e interconectados capaces de monitorizar, controlar y tomar decisiones en tiempo real. Estos enfoques no se limitan a la automatización y la eficiencia, sino que también promueven la colaboración humano-máquina, la sostenibilidad y la flexibilidad en entornos productivos dinámicos. Aunque tecnologías como el Internet Industrial de las Cosas, los sistemas ciberfísicos, la computación en la nube y en el borde, y la inteligencia artificial han avanzado significativamente, las soluciones industriales tradicionales siguen enfrentando problemas de interoperabilidad, escalabilidad y capacidad de respuesta. Muchas dependen de infraestructuras rígidas que dificultan la integración y limitan la adopción de soluciones inteligentes basadas en datos. Además, persisten desafíos como la ausencia de protocolos de comunicación estándar, la complejidad de ejecutar modelos de aprendizaje automático en redes descentralizadas y la necesidad de gestionar fenómenos como la deriva de datos, la degradación de modelos y las condiciones cambiantes del proceso, garantizando al mismo tiempo una interacción efectiva centrada en el ser humano. Esta tesis doctoral propone un marco de trabajo distribuido que integra computación en la nube y en el borde, aprendizaje automático, gemelos digitales y lógica difusa para crear sistemas ciberfísicos industriales orientados al ser humano para tareas de monitorización y control. El objetivo principal es diseñar una arquitectura modular y escalable con capacidades de autoaprendizaje y autoconfiguración, que permita integrar tecnologías avanzadas y garantizar respuesta en tiempo real, análisis en la nube y comunicación en entornos heterogéneos. La arquitectura propuesta adopta un enfoque nube-borde: los nodos de borde gestionan la recolección de datos, el modelado predictivo y las decisiones locales, mientras que los servicios en la nube realizan aprendizaje, orquestación y soporte global. En la nube se implementan cuatro microservicios: servicio de aprendizaje, encargado de gestionar modelos predictivos mediante pipelines automatizados y un agente de Q-learning para selección dinámica; servicios de gemelo digital, que administran el ciclo de vida de los modelos basados en AutoML; soporte global a la decisión, que utiliza inferencia difusa para combinar métricas clave y respaldar decisiones a nivel planta; y orquestador, que organiza la información procedente del campo para optimizar la gestión de servicios. Los nodos en borde están compuestos por tres módulos para la monitorización de activos. El módulo de modelo predictivo ejecuta modelos basados en aprendizaje automático para la monitorización de condiciones, control de calidad o seguimiento de estados. Por otro lado, el módulo de gemelo digital local simula y predice el comportamiento del activo. El módulo de soporte a la decisión local combina las salidas de los gemelos digitales y los modelos predictivos con un análisis estadístico residual para detectar posibles anomalías y generar recomendaciones inteligentes que respalden la toma de decisiones local. Finalmente, un sistema de detección de deriva supervisa el rendimiento del modelo y activa el reentrenamiento cuando las predicciones se degradan. El sistema se validó en dos casos de estudio industriales. El primero involucró mecanizado de alta precisión, donde el sistema monitorizó la rugosidad superficial y actualizó dinámicamente los modelos predictivos, evaluando el rendimiento de los servicios de aprendizaje y la selección dinámica de modelos. El segundo aplicó el sistema a una línea de ensamblaje modular de Industria 4.0, habilitando la monitorización basada en condiciones y el soporte a la decisión tanto local como global, evaluando la efectividad del soporte en ambos niveles. En ambos casos, la precisión predictiva y la eficiencia operativa mejoraron.