137 149 17791 Ed

Revista Iberoamericana de Automática e Informática Industrial 20 (2023) 137-149
www.revista-riai.org
Diseño de una arquitectura para sistemas y aplicaciones en Industria 4.0 basada en

computación en la nube y análisis de datos
Carlos E. Belman-López*, José A. Jiménez-García*, José A. Vázquez-Lopez, Karla A. Camarillo-Gómez
Departamento de Doctorado en Ciencias de la Ingeniería, Tecnológico Nacional de México en Celaya.
To cite this article: Belman-Lopez, C.E., Jiménez-García, J.A., Vázquez-Lopez, J.A., Camarillo-Gómez,
K.A. 2023. Design of an architecture for systems and applications in Industry 4.0 based on cloud
computing and data analysis. Revista Iberoamericana de Automática e Informática Industrial 20, 124-136.
https://doi.org/10.4995/riai.2022.17791
Resumen
El término Industria 4.0 se ha convertido en prioridad y objeto de estudio para empresas y centros de investigación, pero aún se
encuentra dentro de sus primeras etapas de implementación. Además, las compañías enfrentan dificultades al desarrollar
soluciones para Industria 4.0, sin estar seguras de cómo afrontar sus requerimientos básicos. El diseño de una arquitectura de
referencia aborda explícitamente este problema, apoya a los profesionales en la implementación de soluciones siendo la base del
desarrollo y proporciona un soporte ante los desafíos que la Industria 4.0 representa. Por lo tanto, la contribución de este
documento se centra en diseñar una arquitectura de referencia para sistemas y aplicaciones en Industria 4.0 basada en
computación en la nube y análisis de datos, mostrando su viabilidad a través de la implementación en un caso de uso: Agricultura
4.0. Mediante esta arquitectura, ingenieros e investigadores podrán enfrentar los desafíos actuales de la producción inteligente,
así como investigar, desarrollar e implementar soluciones (aplicaciones y sistemas) guiadas, estandarizadas y a costos accesibles,
que cumplan los requerimientos que gobiernan Industria 4.0.
Palabras clave: Industria 4.0, arquitectura de sistemas, computación en la nube, análisis de datos, desarrollo de aplicaciones.
Design of an architecture for systems and applications in Industry 4.0 based on cloud computing and data analysis
Abstract
Industry 4.0 has become a priority and object of study for companies and research centers, although it is still in its early stages
of implementation. In addition, companies face difficulties in developing solutions for Industry 4.0, without being sure how to
address its essential requirements. A reference architecture explicitly addresses this problem, supports professionals in
implementing solutions, being the basis of development, and providing support to face the challenges that Industry 4.0 represents.
Therefore, the contribution of this document focuses on designing a reference architecture for systems and applications in
Industry 4.0 based on cloud computing and data analysis, demonstrating its applicability through the implementation of a use
case. Through this architecture, engineers and researchers will face the current challenges of smart production, in addition to
researching, developing, and implementing guided, standardized solutions (applications and systems) at affordable costs that
meet the requirements that govern Industry 4.0.
Keywords: Industry 4.0, system architecture, cloud computing, data analysis, applications development.
1. Introducción desarrollos tecnológicos que les permita desarrollar servicios

de valor agregado y mejorar la eficiencia y productividad de
La Industria 4.0 combina métodos avanzados de los recursos a costos accesibles (Karatas et al., 2022). Entre
producción y tecnologías innovadoras para facilitar la los desafíos existentes para Industria 4.0, destacan la creación
colaboración de organizaciones y personas con activos físicos de arquitecturas o modelos de referencia, desarrollo de
y virtuales (Liu, y otros, 2022). Además, las empresas deben plataformas que integren múltiples datos de producción, la
identificar las tecnologías que mejor satisfacen sus colaboración hombre-máquina, la implementación de casos de
necesidades y las de sus clientes para invertir en nuevos uso exitosos, entro otros (Wankhede & Vinodh, 2021).
____________________
*Autor para correspondencia: carlosbelman@gmail.com; josealfredo.jimenez@itcelaya.edu.mx

Attribution-NonCommercial-NoDerivatives 4,0 International (CC BY-NC-ND 4,0)
138 Belman-Lopez, C.E. et al. / Revista Iberoamericana de Automática e Informática Industrial 20 (2023) 137-149
Una arquitectura posee un enfoque exterior centrándose en infraestructura. (2) No es necesario predecir cuánta capacidad
el sistema y su entorno, mientras que el diseño se enfoca hacia necesitará la infraestructura antes de implementar una
el interior una vez que se han establecido los límites del aplicación. (3) Alcanzar un costo variable más bajo
sistema (ISO/IEC/IEEE 42010, 2007). El estándar IEEE comparado con el que se obtendría por cuenta propia gracias
42010 define “arquitectura del sistema” como los conceptos o a que los proveedores en la nube hacen uso de las economías
propiedades fundamentales de un sistema en su entorno, de escala. Además, la arquitectura e infraestructura
materializados en sus elementos (estructuras y subsistemas), tecnológica de Industria 4.0 incluye el acoplamiento de
relaciones (internas o externas) y principios de su diseño y dispositivos inteligentes como sistemas ciber-físicos (CPS)
evolución. El pensamiento arquitectónico es fundamental en enriquecidos en sus capacidades mediante computación en la
Industria 4.0 pero la mayoría de los ingenieros de producción nube. Esto implica máquinas reales que operan en conjunto
son expertos en áreas como la mecánica, mecatrónica, entre con una plataforma en la nube, simulando las condiciones de
otras, por lo cual, la noción del pensamiento arquitectónico ha un conocimiento basado en algoritmos impulsados por datos,
encontrado resistencia (Wang et al., 2017). así como de otros conocimientos físicos disponibles (Tao et
En este contexto, es necesaria una arquitectura de al., 2019). Por estos motivos, la contribución de este
referencia que cumpla con los requisitos que gobiernan documento se centra en diseñar una arquitectura de referencia
Industria 4.0, proporcione una descripción de sus elementos, basada en computación en la nube y análisis de datos que
y facilite la implementación y el despliegue de los nuevos cumpla los requerimientos que gobiernan Industria 4.0,
sistemas y aplicaciones empresariales (Zhong et al., 2017; demostrando su viabilidad a través de la implementación de
López Martínez et al., 2021). Hermann et al. (2015) identificó un caso de uso en Agricultura. Mediante esta arquitectura, los
seis drivers arquitectónicos o requerimientos ingenieros podrán implementar soluciones (aplicaciones y
arquitectónicamente significantes (ASR) para que las sistemas) guiadas, estandarizadas y a costos accesibles en el
empresas logren los beneficios de la Industria 4.0. Estos son contexto de Industria 4.0.
la interoperabilidad, virtualización, descentralización, La Sección 2 presenta trabajos relacionados a esta
respuesta en tiempo real, orientación al servicio y investigación. La Sección 3 muestra la metodología. La
modularidad. Posteriormente, Ghobakhloo (2018) presentó Sección 4 expone la arquitectura propuesta. La Sección 5
doce requerimientos para Industria 4.0. Aunque en una muestra la implementación del caso de uso. La Sección 6
investigación mas reciente, Belman-Lopez et al. (2020) detalla presenta costos y discusión de los resultados. La Sección 7
de forma amplia diecisiete requerimientos para las empresas presenta las conclusiones y el trabajo futuro.
en Industria 4.0. Estos requerimientos utilizados durante esta
investigación son modularidad, integración, colaboración, 2. Trabajos relacionados
flexibilidad y escalabilidad, virtualización, arquitectura
distribuida y descentralizada, holística, personalizable, La arquitectura es el principal portador de las cualidades
ubicua, robustez, información en tiempo real, autonomía e del sistema, como el rendimiento, la flexibilidad, la seguridad,
inteligencia, decisiones optimizadas por datos, seguridad, entre otras, las cuales no se pueden lograr sin una visión
equilibra la vida laboral y mejora la eficiencia y productividad. integral y unificada de la misma (Carnell, 2017). Las
No obstante, la Industria 4.0 aún se encuentra dentro de las arquitecturas de referencia se han adoptado cada vez más para
primeras etapas de implementación tanto en la industria como guiar a los ingenieros sobre cómo deben interactuar y
en la investigación científica, donde no está claro cómo estructurarse sus sistemas, abordando el uso de las tecnologías
incorporar muchos conceptos tecnológicos (Sony et al., 2021; y herramientas que podrían respaldar su implementación,
Liu et al., 2017; Hermann et al., 2015). Además, las permitiendo desarrollar aplicaciones flexibles, reutilizables y
arquitecturas existentes aún tienen un largo camino por robustas (Nakagawa et al., 2021). Los sistemas que carecen de
recorrer, pero la comunidad de la Industria 4.0 tiene razón al una arquitectura formal están estrechamente acoplados, son
invertir en arquitecturas de referencia considerando el futuro frágiles, difíciles de cambiar, no poseen una visión o dirección
de la Industria 4.0 (Nakagawa et al., 2021). Adicionalmente, clara, contienen módulos desorganizados, carecen de roles,
muchas de las compañías aún dudan en realizar una responsabilidades y relaciones claras entre sí (Richards,
implementación sobre Industria 4.0 porque consideran que 2015). Una arquitectura representa la base de la investigación
requieren de una inversión inicial bastante elevada (adquirir y el desarrollo, permitiendo modelar la tecnología que
servidores, configurarlos y un lugar para almacenarlos, describe el sistema objetivo antes de ser llevado a cabo (Liu et
acondicionar el espacio en cuanto a temperatura, energía, al., 2017). Además, permite estimar los recursos necesarios
conexión a Internet, seguridad, entre otros gastos), más para la implementación, aumenta la calidad, favorece la
elevada aún si los servicios y aplicaciones que se quieren reutilización de componentes y servicios, mejorando los
implementar necesitan de redundancia (para garantizar la tiempos de entrega y reduciendo los costos (Cervantes Maceda
suficiente capacidad de procesamiento, escalabilidad y alta et al., 2016).
disponibilidad) mediante su despliegue a través de diferentes En la literatura existen una serie de arquitecturas que se han
centros distribuidos en varias zonas geográficas. propuesto para Industria 4.0. Dintén et al. (2021) y López
La computación en la nube ofrece una solución a estos Martínez et al. (2021) presentaron arquitecturas
desafíos cambiando la forma de implementar servicios, (metamodelos) para el desarrollo en entornos locales (on
permitiendo a compañías de cualquier tamaño construir promise) pero escalables y distribuidos enfocándose en la
aplicaciones poderosas y escalables (Pallathadka et al., 2021). configuración y despliegue de nodos. Predix es una plataforma
Entre las ventajas que ofrece la computación en la nube se para el Internet Industrial desarrollada por GE, que emplea una
encuentran: (1) disminuir la inversión inicial, sin gastar arquitectura en microservicios y un enfoque modular para el
tiempo y dinero, comprando y administrando servidores e desarrollo de aplicaciones (Azeem et al., 2021). Predix
Belman-Lopez, C.E. et al. / Revista Iberoamericana de Automática e Informática Industrial 20 (2023) 137-149 139
conecta a dispositivos y proveedores, permitiendo la gestión 3. Metodología

del rendimiento y posee servicios para la optimización de
operaciones (GE, 2018). Nakagawa et al. (2021) realizaron La arquitectura define cómo resolver el problema del
una revisión de las arquitecturas de referencia existentes para cliente de manera que la solución satisfaga todos los
Industria 4.0, analizando su viabilidad y destacando IIRA, requerimientos funcionales y no funcionales (atributos de
SITAM, IVRA, RAMI 4.0, IBM Industry 4.0 y LASFA. calidad y restricciones) sin definir detalles de implementación
RAMI 4.0 utiliza una arquitectura SOA donde los (López Martínez et al., 2021). El diseño de la arquitectura se
componentes del sistema proporcionan servicios en red de inicia al completar la especificación de requerimientos, pero
forma independiente a la tecnología. RAMI 4.0 define ciertas antes de la fase de implementación. El diseño define las
capas, como activos, integración, comunicación, información, estructuras que componen la arquitectura mediante la toma de
función y negocios, considerando todo el ciclo de vida del decisiones y selecciones de patrones de diseño. La
producto (ISA, 2019). OPC UA utiliza una arquitectura SOA implementación permite demostrar la viabilidad y los
centrada en aspectos de adquisición de datos, modelado de beneficios de la arquitectura, y se desarrollan, prueban,
comunicación (entre planta y aplicaciones) e interoperabilidad integran y despliegan los módulos y servicios identificados.
(Yang et al., 2019). Liu et al. (2019) desarrollaron una Para realizar el diseño de la arquitectura se utilizó el
propuesta de sistema de produccion ciberfisico (CPPS) basado método de diseño guido por atributos (ADD). El ADD es un
en OPC UA y MTConnect. Aunque ya diversos autores han método sistemático diseñado por el Instituto de Ingeniería de
señalado las desventajas de arquitecturas basadas en SOA Software de la Universidad Carnegie Mellon. El método ADD
resultantes en aplicaciones complejas, pesadas y costosas, de está basado en los ASR que incluyen requerimientos
difícil mantenimiento, requiriendo gran capacitación y funcionales, atributos de calidad y restricciones. El ADD sigue
entrenamiento (Niknejad, y otros, 2020). un proceso de descomposición iterativo, donde en cada etapa
Algunas otras propuestas han sido orientadas a dominios de descomposición se eligen patrones de diseño para satisfacer
más específicos relacionados con Industria 4.0. Geest et al. los ASR (Software Engineering Institute, 2018). Los pasos del
(2021) propusieron una arquitectura de referencia para el método ADD se describen a continuación.
desarrollo de almacenes inteligentes en Industria 4.0 aplicando 1. Asegurar que existe suficiente información sobre los ASR
un enfoque de diseño basado en el dominio. Sahba et al. asociados al sistema.
(2021) desarrollaron una arquitectura de mantenimiento 2. Elegir un elemento del sistema para descomponer, el
predictivo para Industria 4.0 y la cadena de radiodifusión elemento puede ser el sistema completo (si es un desarrollo
personalizando el modelo RAMI 4.0. Aheleroff et al. (2021) nuevo) o un elemento obtenido de una iteración anterior.
desarrollaron una arquitectura de referencia para el gemelo 3. Identificar los ASR asociados al elemento.
digital en Industria 4.0, incluyendo características como 4. Elegir conceptos de diseño que satisfagan los ASR.
servicios para mantenimiento inteligente, monitoreo en 5. Crear elementos derivados de los patrones y definir sus
tiempo real, control remoto y predicción. responsabilidades.
Miny et al. (2021) presentaron una vista funcional del 6. Definir interfaces y propiedades para los elementos
término “Asset Administration Shell (AAS)” para la identificados.
virtualización de activos e implementación del gemelo digital 7. Verificar si se han satisfecho los ASR y en caso necesario
(DT) en aplicaciones para Industria 4.0. El AAS está basado refinar los elementos identificados.
en dos conceptos clave: la capacidad informática (red de 8. Repetir los pasos 2-7 para elementos que requieran un
nodos informáticos para el despliegue y operación de las refinamiento mayor hasta cubrir los ASR.
aplicaciones) y los servicios de software (funcionalidad El primer paso consistió en confirmar que existe suficiente
ofrecida mediante la capacidad informática) pero sin información sobre los ASR, donde se utilizaron los
prescribir una forma determinada de despliegue e requerimientos identificados en Belman-Lopez et al. (2020)
implementación. Bader et al. (2021) definieron interfaces de (requerimientos no funcionales). Además, el caso de uso se
programación de aplicaciones (APIs) para permitir el acceso a enfoca en agricultura y consiste en desarrollar una aplicación
la información que proporciona un AAS. La especificación es que detecte plagas y plantas enfermas a partir del video de la
neutral a la tecnología y sigue un enfoque orientado a recursos cámara de dispositivos móviles (requerimientos funcionales).
muy similar a REST mediante tres principios de diseño: La Tabla 1 muestra el resumen de las iteraciones. En el
operaciones independientes o sin estado (stateless), recursos segundo paso, se tomó el sistema como como elemento a
definidos por sustantivos y verbos para describir los métodos. descomponer (dado que se está creando el sistema desde cero).
Sin embargo, aún falta desarrollar un modelo con una imagen En el tercer paso se identificaron los ASR a tratar durante la
completa del entorno de la aplicación e incluya requerimientos iteración. Dado que se trata de la iteración inicial, el enfoque
no funcionales como la seguridad, robustez, flexibilidad y consiste en la estructuración general del sistema. En el cuarto
escalabilidad (Miny et al., 2021). paso, fueron elegidos conceptos de diseño para dar forma al
Además, existen otros retos que si no se consideran pueden elemento seleccionado. La arquitectura debe ser modular, es
limitar el rendimiento y efectividad de las arquitecturas decir, desacoplada en subsistemas con pocas dependencias
existentes, tales como, el volumen de datos a ser (López Martínez et al., 2021). Por lo cual, para la estructura
administrados, la capacidad de procesamiento y manejo de inicial del sistema se utilizó un estilo arquitectónico por capas,
cargas para producir respuestas en tiempo real, entre otros ideal para alcanzar la separación de intereses, aislando
(Macías et al., 2019). Tampoco son claros el total de los (desacoplando) de forma lógica las distintas responsabilidades
requerimientos que las arquitecturas satisfacen, patrones de del sistema (Macías et al., 2019) y aspectos relacionados a la
diseño que utilizan o los costos para su implementación y interacción con el usuario (capa de presentación al cliente),
despliegue en ambientes productivos. captura de datos (capa de captura y comunicación), conexión
de sistemas externos (capa de integración), desarrollo del o hasta que termine el tiempo estipulado para diseñar. Para
gemelo digital clave para la Industria 4.0, manejo de la lógica esta investigación fueron necesarias 8 iteraciones para
de negocio (capa de servicios). Además, la aplicación satisfacer los requerimientos funcionales y no funcionales
prioriza un modelo de distribución de software especificados. La Figura 1 muestra la estructura general de la
específicamente diseñado para entrega en red (capa en la arquitectura propuesta.
nube) que permita satisfacer aumentos en la demanda de
manera flexible, ágil, descentralizada y que utilice los 4. Arquitectura de referencia para Industria 4.0
recursos de forma óptima y segura (ciberseguridad) (Wang et
al, 2017). En esta sección se describe la arquitectura de referencia
Tabla 1. Resumen de las iteraciones utilizando el método ADD. propuesta, diseñada bajo los principios de diseño
Concepto Opciones tecnológicas / Justificación ASR
que satisface mencionados en la sección anterior para cumplir con los
Elemento: El sistema (estructura general) – Iteración 1 requisitos de la Industria 4.0.
Estilo Alta cohesión y bajo acoplamiento
arquitectónico entre subsistemas, aislando de forma Modularidad 4.1. Clientes y entidades ciber-físicas
por capas lógica distintas responsabilidades
La Industria 4.0 propone integrar tecnología innovadora en
Elemento: clientes y entidades ciber-físicas – Iteración 2 procesos industriales para alcanzar una fábrica digital e
Entorno de interacción entre las entidades y la aplicación. La aplicación inteligente, personalizable (Almada-Lobo, 2015), dirigida por
brinda a las entidades soporte en la toma de decisiones, muestra los datos mediante servicios de valor agregado (Karatas et al.,
conocimientos adquiridos y diagnósticos generados. Los usuarios pueden 2022). A diferencia de los sistemas de manufactura
ejecutar servicios y establecer configuraciones. Las entidades incluyen
usuarios, sistemas legados, diferentes tipos de CPS como dispositivos, tradicionales que constan de la colección de varios procesos
productos y procesos, CPPS, la fábrica y su ambiente. de manufactura y transformación de la materia prima
Elemento: capa de comunicación - Iteración 3 (materiales) mediante equipo (máquinas, energía) y capital
Computación Sensores, Imágenes, Etiquetas RFID, Ubicua humano, con el objetivo de fabricar productos (Groover,
ubicua e IoT Kinect, Teléfonos móviles, Tiempo real
Localización (GPS), Drones, AGVs
2001). En Industria 4.0, estos recursos típicos de producción
Protocolos Bluetooth, Ultra, Wideband, Redes de deben ser convertidos en dispositivos inteligentes capaces de
IoT largo alcance, Fibra óptica, ZigBee, Holística sentir, actuar y tener comportamiento dentro de su ambiente,
Zwave, WiFi, Telefonía móvil. evolucionando en la forma de CPS (Rosen, 2019). Los CPS
Elemento: integración – Iteración 4 son divididos en 3 niveles, de acuerdo con la implementación
Desacoplamiento de las aplicaciones
REST mediante HTTP como plataforma para Integración de sus tareas según sus reglas físicas, funcionalidad, estructura
integrar aplicaciones y servicios Modularidad e incertidumbre dentro de su ambiente. Estos niveles son
(RedHat, 2021). y bajo unidad, sistema y sistema de sistemas (Tao et al., 2019). En la
JSON y Estructura de mensajes e intercambio acoplamiento Figura 2, se observan los niveles jerárquicos de los distintos
AVRO de datos estructurados y no
estructurados
CPS en el sistema de producción de acuerdo con su
Elemento: orientación a servicios - Iteración 5 funcionalidad y estructura hasta alcanzar la fábrica inteligente.
Gemelo Reflejar entidades físicas en el mundo Mediante estos elementos ciber-físicos trabajando en conjunto
Digital digital con respecto a su forma, Virtualización mediante la arquitectura y plataforma adecuada, los ingenieros
posición, estados y movimientos. podrán rediseñar fábricas, procesos y aplicaciones para
Elemento: orientación a servicios - Iteración 6
Orientación a adaptarse a los nuevos desarrollos tecnológicos y a la
Servicios de valor agregado y asistencia servicios manufactura de productos en instalaciones cada vez más
inteligente para monitoreo, diagnostico, Decisiones en complejas e inteligentes (Belman-López et al., 2020).
Servicios predicción, simulación, administración base a datos
de la salud de activos y procesos, entre Modularidad
otros (Tao et al., 2019). Tiempo real 4.2. Comunicación
Equilibrio de la La conectividad brinda a las empresas la oportunidad de
vida laboral
Elemento: capa en la nube – Iteración 7
agregar valor a productos y servicios, desarrollando nuevas
Los datos, modelos, servicios son ofertas y funciones para sus mercados (PwC Middle East,
desplegados brindando soporte a las Rendimiento 2018). La Industria 4.0 requiere de un medio de comunicación
decisiones de forma descentralizada, en tiempo real que brinde seguridad, confiabilidad y soporte a la toma de
distribuida, en una plataforma con la Robustez
Computación capacidad de manejar altos volúmenes Flexibilidad y
decisiones en el momento justo (Kagermann et al., 2013). La
en la nube de transacciones, datos estructurados y escalabilidad capa de comunicación permite la conexión en tiempo real
no estructurados, alta disponibilidad, Descentralización entre entidades físicas y virtuales, incluyendo dispositivos
escalabilidad y rendimiento en la relacionados con la captura y transferencia para su posterior
ejecución de servicios (R & R, 2017).
almacenamiento y cómputo en un entorno distribuido (Xu &
Elemento: ciberseguridad – Iteración 8
Enfoque prioritario, flexible, repetible y Ciberseguridad Duan, 2018). La computación ubicua y el IoT habilitan a
NIST CSF rentable para identificar, evaluar y Robustez recursos humanos y físicos, el acceso y captura de datos e
gestionar riesgos cibernéticos información sin restricciones de momento y lugar (tiempo
En el quinto paso se generaron los elementos nuevos mediante real), siendo la mejor forma de obtener datos provenientes del
los patrones utilizados y se asignan sus responsabilidades, entorno (Tian & Zhao, 2015). La capa de captura ubicua (en
dando como resultado estructuras que en este caso son tanto tiempo real) está conformada por tecnología que incluye
físicas como lógicas. En el paso 6 se definieron relaciones y sensores ubicuos, etiquetas RFID, imágenes, videos, Kinect,
propiedades para los elementos instanciados. Las iteraciones GPS (localización), entre otras, que aumentan la visibilidad
en el método ADD se llevan a cabo mientras sea necesario (holística) y generan nuevas oportunidades de negocio (Chen
tomar decisiones de diseño adicionales para satisfacer los ASR & Tsai, 2016).
Figura 1. Estructura general de la arquitectura.
es uno de los estándares mejor redactados, diseñados y

universalmente aceptados. REST es el nombre que se le ha
dado al estilo arquitectónico mediante HTTP. HTTP es la
realidad, REST es un conjunto de ideas de diseño que le dieron
forma y nos ayuda a comprender cómo pensar y usar HTTP.
El término RESTful ha surgido para aplicaciones web que
combinan conceptos nativos adicionales de HTTP, siendo el
estilo dominante para el desarrollo de aplicaciones y servicios.
REST ha demostrado escalabilidad y encaja bien con modelos
de dominios, pero sobre todo minimiza el acoplamiento
(facilidad con la que se puede cambiar una parte sin romper
otra) entre aplicaciones distribuidas. Minimizar el
Figura 2. Jerarquía de los CPS de acuerdo con su funcionalidad y estructura. acoplamiento es una de las cosas más difíciles de lograr en el
diseño de aplicaciones y la eficacia de HTTP a este respecto
La capa de transferencia transmite los datos capturados y es innegable (admitiendo clientes HTTP escritos hace 20
comunica a todas las entidades físicas mediante diferentes años). El análisis de cómo HTTP logra este nivel de
protocolos IoT. Entre los protocolos de transferencia más desacoplamiento es de los aspectos más destacados de REST,
utilizados se encuentran Bluetooth (para redes de vehículos y y una de las principales razones para utilizar HTTP como
aplicaciones de detección), ZigBee (protocolo para redes plataforma para integrar aplicaciones y servicios (Google
WSN con bajo consumo de energía), Zwave (para casas Cloud, 2018).
inteligentes y áreas de la salud con bajo consumo de energía), Cuando el cliente envía una solicitud a través de RESTful,
WiFi (redes inalámbricas basadas en IEEE 802.11), NFC esta transfiere una representación del estado del recurso
(sistemas de pagos mediante teléfonos celulares), redes de requerido a quien lo haya solicitado. Este mensaje se entrega
largo alcance (SigFox, Neul, LoRaWAN) y telefonía móvil por medio de HTTP. El estándar utilizado para la estructura de
(para ciudades inteligentes y aplicaciones ambientales que estos mensajes es JSON, ya que tanto las máquinas como las
transmiten datos en muchos kilómetros) (Yang et al., 2019). personas lo comprenden y no depende de ningún lenguaje
(RedHat, 2021). Por su parte, Avro permite el control de
4.3. Integración versiones en la estructura de los mensajes. De esta manera, si
La integración es importante porque las aplicaciones no la estructura del mensaje cambia (nueva versión) las
pueden vivir aisladas unas de otras. La capa de integración aplicaciones y servicios que consumen los datos pueden
permite descubrir y exponer servicios, aplicaciones y datos continuar procesando mensajes sin requerir ningún cambio o
valiosos a través de APIs (Hohpe & Woolf, 2004). Las actualización (The Apache Software Foundation., 2020).
aplicaciones web utilizan HTTP por definición, pero en sus
inicios, los desarrolladores dedicaban mucho esfuerzo en 4.4. Virtualización (desarrollo del gemelo digital)
implementar características de tecnologías distribuidas como Hoy en día, el diseño de productos no puede limitarse
CORBA y DCOM sobre HTTP. Esto llevó a tecnologías como únicamente al diseño de un dispositivo físico. Más bien, el
SOAP. La experiencia demostró que estas tecnologías eran diseño debe abarcar el dispositivo, los servicios habilitados
más complejas, pesadas y frágiles. La idea que reemplazó a por el dispositivo y la infraestructura que respalda esos
SOAP fue que se podía usar HTTP de manera más directa y servicios. Una de las arquitecturas más utilizadas para modelar
con menos tecnología involucrada. Las aplicaciones web el DT es proporcionada por Tao et al. (2018), que consiste en
modernas son más simples que SOAP y se implementan de modelar el DT utilizando 5 dimensiones. Estas son entidades
forma más ligera sobre HTTP. La especificación para HTTP físicas, modelos virtuales, servicios, datos y conexiones. Stark
et al. (2019) analizaron el desarrollo y operación del DT en 8 utilizando el modelo virtual dentro del entorno virtual y deben
dimensiones: amplitud de integración, modos de conectividad, ser proporcionados sin restricciones de tiempo y lugar a todas
frecuencia de actualización, inteligencia del CPS, capacidades las compañías bajo una composición modular, flexible y
de simulación, riqueza del modelo digital, interacción humana basada en datos (Wiesner & Thoben, 2016).
y ciclo de vida del producto. Aunque el modelado del DT en La capa de servicios implementa funcionalidades para
5 y 8 dimensiones propuestos por Tao et al. (2018) y Stark et optimizar, simular o monitorear activos físicos y virtuales,
al. (2019) describen gran parte de los elementos principales incluyendo servicios de gestión de la salud de activos (Lee at
del DT, hay ciertas características que quedan a la deriva. al., 2015). Los servicios brindan información del sistema en
Jones et al. (2020) caracterizó el DT en 13 características cuestión, generan predicciones y diagnósticos mediante
fundamentales: entidad física, entidad virtual, entorno físico, métodos de inteligencia artificial y presentan el conocimiento
entorno virtual, estado y parámetros, realización, metrología, adquirido a los usuarios, brindando un soporte para la toma de
hermanamiento (twinning), tasa de hermanamiento, conexión decisiones informadas (Jones et al., 2020). Los servicios de
física a virtual, conexión virtual a física, procesos físicos y gestión de la salud monitorean el rendimiento, la vida útil y
procesos virtuales. Una entidad física representa un elemento desgaste, predicen fallas, detectan degradación en el
físico en el mundo real, como un vehículo autónomo, un rendimiento, descubren ineficiencias y programan
dispositivo, un producto, un sistema o una fábrica. Una mantenimientos sin interrumpir las operaciones (Caggiano,
entidad o modelo virtual es la réplica de la entidad física en el 2018; Lu et al., 2019).
mundo virtual (Qi et al., 2019). El entorno físico se refiere al Los servicios están basados en análisis de datos,
espacio medible y cuantificable del mundo real donde se generalmente clasificados en tres tipos: análisis descriptivos
encuentra la entidad física. Los parámetros se refieren a tipos (mediante funciones de estadística descriptiva, análisis de
de datos (geometría, funcionalidad, ubicación, actividades, correlación, análisis clúster, entre otros), análisis predictivos y
tiempos, rendimiento, entre otros) e información, transmitidos análisis prescriptivos. Los análisis predictivos se han
entre la entidad física y virtual. El estado representa las convertido en la mejor fuente para extraer conocimientos
condiciones actuales del DT y parámetros medidos, mientras relacionados con la producción (Kusiak, 2017), categorizados
que la fidelidad representa la precisión y el grado de en 5 tipos: regresión, árboles de decisión, redes neuronales
replicación con respecto a la entidad física, describiendo la artificiales, máquinas de vector de soporte y análisis
cantidad de parámetros transferidos entre ambos mundos. El bayesianos. Finalmente, los análisis prescriptivos son capaces
hermanamiento consiste en la sincronización del estado y de buscar el plan óptimo con el costo total más bajo, existiendo
parámetros físicos y virtuales, por ejemplo, medir los dos tipos principales: programación matemática y búsquedas
parámetros actuales en la entidad física y llevar esos mismos heurísticas. La programación matemática (como la
valores o estado al modelo virtual. La tasa de hermanamiento programación lineal, programación entera, programación
es la frecuencia en la que se produce la sincronización, ya sea dinámica, programación no lineal o el método de ramificación
del mundo físico al virtual o viceversa, generalmente y acotamiento) está diseñada para encontrar la solución óptima
expresada en tiempo real. Esto implica que cualquier cambio global mientras las búsquedas heurísticas (algoritmo hill
en un gemelo (físico o virtual) debe reflejarse climbing, optimización por colonias, algoritmos genéticos,
instantáneamente en el otro. La conexión física a virtual mide búsqueda tabú, recocido simulado) están diseñadas para
los parámetros físicos (metrología), transfiere los valores y los encontrar soluciones óptimas locales en tiempos cortos (Xu &
realiza en el entorno y modelo virtual. La conexión virtual a Duan, 2018). Para implementar los servicios, se utilizó el
física cuantifica, transfiere y realiza la información del modelo paradigma de computación sin servidor. El término "sin
virtual a la entidad física. Esta conexión implica la servidor" significa que su código se ejecuta (en la forma de
funcionalidad para llevar a cabo el cambio en el estado físico. funciones) en servidores sin la necesidad de aprovisionar ni
Por lo tanto, los procesos (o servicios) virtuales determinan las administrar estos y se factura por el tiempo en que el código
medidas óptimas para los parámetros, mientras que la está en ejecución (Mishra, 2019). La computación sin servidor
conexión virtual a física (junto con la metrología y la permite centrarse en innovar nuevos productos y funciones en
realización) asegura que esos valores óptimos se apliquen y lugar de mantener los servidores. Otro beneficio de la
lleven a cabo de manera efectiva en la entidad física. computación sin servidor es la flexibilidad para escalar
Finalmente, los procesos (o servicios) virtuales se refieren a funciones, servicios y aplicaciones automáticamente, además
actividades realizadas utilizando el modelo virtual dentro del de permitir ajustar las capacidades modificando recursos y
entorno virtual. Estos servicios permiten realizar actividades memoria si es necesario (Poccia, 2016). El código se activa en
de predicción, simulación, experimentación, optimización respuesta a eventos para una gran variedad de escenarios,
virtual y verificación apoyados en tecnologías en la nube, como la carga de un archivo en un almacenamiento, un cambio
algoritmos de aprendizaje automático, aprendizaje profundo y en una tabla o la llegada de datos. Además, es altamente
técnicas de Big Data. Cabe destacar que el modelado del DT escalable y capaz de ejecutar instancias en paralelo,
utilizado en esta investigación es el propuesto por Jones et al. proporcionando un muy alto rendimiento y disponibilidad en
(2020). respuesta a múltiples eventos concurrentes mientras la
plataforma en la nube administra el aprovisionamiento de
4.5. Servicios basados en datos y computación sin servidor recursos en segundo plano.
La Industria 4.0 abre nuevas oportunidades de negocio
mediante servicios innovadores, donde el cambio del enfoque 4.6. Arquitectura distribuida, escalable y descentralizada
centrado en el producto al enfoque servicios mediante el Industria 4.0 requiere desarrollar sistemas y servicios
producto es clave. Desde la perspectiva del DT, los servicios descentralizados, donde la descentralización no es
se refieren a actividades o funcionalidades realizadas necesariamente física, pero sí lógica, por ejemplo, una
aplicación o un CPS con la capacidad de identificarse y Originalmente, el CSF estaba destinado al sector de
conectarse a un sistema donde la capacidad de cómputo está infraestructura crítica, pero ha sido respaldado por gobiernos
en otra parte (Almada-Lobo, 2015). Además, la gran e industrias de todo el mundo como referencia recomendada
variabilidad en la demanda requiere una plataforma para organizaciones de todos los tipos y tamaños. La lista de
productiva ágil y escalable en la que aplicaciones y servicios los primeros en adoptarlo a nivel mundial incluye a Japón,
puedan ser reconfigurados de forma flexible y la escasez de Israel, Reino Unido, Uruguay, entre otros. De hecho, en
recursos sea recompensada en corto tiempo para satisfacer las febrero de 2018, la Organización Internacional de
nuevas demandas (Angulo et al., 2016). Normalización publicó el “ISO / IEC 27103: 2018”, un
La computación en la nube permite el desarrollo de estándar que proporciona orientación para implementar
aplicaciones y servicios distribuidos, modulares y ciberseguridad aprovechando los estándares existentes. ISO
desacoplados que poseen una alta disponibilidad (robustez), 27103 promueve los mismos conceptos y mejores prácticas
escalabilidad y alto rendimiento mediante la ejecución de reflejados en el NIST CSF. Cabe resaltar que estas funciones
múltiples instancias en paralelo administradas de forma no están destinadas a conducir a un estado final estático
automática por el proveedor en la nube. Además, la deseado, más bien, las funciones deben realizarse de forma
computación en la nube administra de forma automática la simultánea y continua para formar una cultura operativa que
redundancia necesaria para la ejecución del código, el aborde el riesgo dinámico de ciberseguridad (NIST, 2018).
balanceo de cargas entre las diferentes instancias y la
segregación de la infraestructura en varias ubicaciones. De 5. Caso de uso: Agricultura 4.0
esta forma, los datos, modelos y servicios son desplegados
sobre una plataforma en la nube brindando soporte a La arquitectura es la base para la construcción del sistema
decisiones complejas de manera descentralizada y distribuida mientras la implementación transforma casos de uso en
(Xu et al., 2018), con la capacidad de manejar altos volúmenes aplicaciones para los usuarios, evitando desviaciones respecto
de transacciones (R & R, 2017), datos estructurados y no de la arquitectura definida. Además, la implementación
estructurados, poseer alto rendimiento en tiempo real, ofrecer permite demostrar la viabilidad y los beneficios de la
una latencia baja en la ejecución de funciones y servicios, arquitectura. El caso de uso está enfocado en el área de la
poseer alta escalabilidad, disponibilidad, confiabilidad y agricultura y consiste en desarrollar una aplicación que en
consistencia en los datos (Gorton & Klein, 2015). tiempo real detecte plagas y plantas enfermas a partir del video
de la cámara de dispositivos móviles (requerimientos
4.7. Ciberseguridad funcionales). Adicionalmente, la aplicación debe cumplir con
La ciberseguridad es primordial para el progreso de la arquitectura diseñada y satisfacer los requerimientos que
Industria 4.0 dado el gran incremento en el número de gobiernan Industria 4.0 (requerimientos no funcionales). La
conexiones y vulnerabilidades que no requieren un ataque detección de plagas tiene gran importancia en términos de
físico, tal como sería el robo, uso indebido o acceso a productividad y reducción en el uso de plaguicidas, además
información (que aplicaciones y servicios poseen) por los métodos convencionales de inspección visual son
personas no autorizadas (Kusiak, 2017). Los ataques a la ineficaces para cierto tamaño del cultivo y a menudo omiten
ciberseguridad explotan la complejidad y conectividad de hallazgos por diversas razones. La Industria 4.0 y el
sistemas e infraestructura, poniendo en riesgo la economía, aprendizaje profundo (DL) juegan un rol fundamental para
reputación y salud de la empresa. Además, estos ataques incrementar la confiabilidad, calidad y productividad en la
pueden aumentar los costos, reducir los ingresos y dañar la agricultura. El tiempo de respuesta es clave para inspeccionar
capacidad de una organización para innovar, ganar y mantener una mayor cantidad de plantas debido a la corta duración de
clientes (Tuptuk & Hailes, 2018). baterías en dispositivos como robots, drones o vehículos
Para abordar estos riesgos, el NIST desarrolló un enfoque autónomos (AGV) que permitan la implementación de
prioritario, flexible, repetible y rentable, que incluye medidas sistemas ubicuos y omnipresentes en esta área (Kakani et al.,
de seguridad para identificar, evaluar, y gestionar los riesgos 2020). Uno de los componentes principales de la arquitectura
cibernéticos conocido como el marco de seguridad cibernética es la plataforma en la nube, donde se eligió Amazon Web
(NIST CSF, por sus siglas en inglés). La arquitectura Services (AWS), por ser la plataforma en la nube más
propuesta utiliza el NIST CSF para proteger las entidades y destacada dada la amplia variedad de servicios que ofrece.
los datos que estas producen, así como los modelos y servicios
que estas utilizan contra el uso indebido y el acceso no 5.1. Captura y transferencia
autorizado. El NIST CSF se ha convertido en un marco La entrega de valor a partir de los datos incluye desde
reconocido internacionalmente, que puede ser utilizado por imágenes, vídeos, propiedades, parámetros, entre otros
cualquier organización, independientemente del sector o (Kusiak, 2017). Las imágenes son el tipo de dato utilizado en
tamaño. El NIST CSF consta de tres elementos: el núcleo, los este caso de uso, capturadas mediante cámaras que pueden
niveles y los perfiles. El núcleo establece un conjunto pertenecer a dispositivos como teléfonos móviles, cámaras IP,
fundamental de actividades organizadas en cinco funciones un drone o un AGV. La imagen es transmitida como una
continuas (identificar, proteger, detectar, responder, cadena Base64 mientras que para la transferencia de la imagen
recuperar) para ayudar a mejorar la seguridad, la gestión de es posible utilizar la red móvil como 5G o una red WiFi.
riesgos, la robustez y resiliencia de la organización.
Los niveles caracterizan la aptitud y madurez de una 5.2. Desarrollo del modelo
organización para administrar las funciones y controles del Para el entrenamiento del modelo se utilizó el conjunto de
CSF, y los perfiles están destinados a definir las posturas de datos “Plant Doc” para el reconocimiento de plantas enfermas.
seguridad de la organización "actual" y "futura". Este conjunto fue publicado por investigadores del Instituto
Tecnológico de la India en Gandhinagar, representando el misma manera, independientemente de la infraestructura o

esfuerzo de aproximadamente 300 horas humanas (Singh et sistema operativo. Los contenedores aíslan el software de su
al., 2019). Pero en este caso se utilizó la versión publicada en entorno y garantizan que funcione de manera uniforme a pesar
Roboflow que corrige algunos errores y puede ser descargada de las diferencias (Docker, 2021). AWS permite un tamaño
en varios formatos incluyendo YOLOv5. El conjunto posee máximo para la imagen de 10 GB mediante Amazon Elastic
2874 imágenes y está dividido en un subconjunto para Container Registry (Amazon ECR). Posteriormente, se creó la
entrenamiento (90%) y otro para validación (10%). Para las función Lambda a partir de la imagen almacenada en Amazon
plagas de insectos se utilizó la base de datos creada por Huang ECR desde donde se puede recuperar el modelo almacenado
& Chuang (2020), conformada por 299 imágenes y ocho en S3.
plagas comunes del tomate. Este conjunto está originalmente
diseñado para clasificación, así que para su uso en detección 5.4. Integración
se realizó el etiquetado de las imágenes de forma manual La capa de integración permite descubrir los servicios y
usando Roboflow-Annotate. En total entre los dos conjuntos aplicaciones a través de un API capaz de realizar predicciones
de datos, se analizaron 38 clases y 3173 imágenes, 2874 para en tiempo real utilizando los servicios desarrollados mediante
entrenamiento y 299 para validación. computación sin servidor (AWS Lambda). Para desarrollar la
El modelo para la detección de plagas y enfermedades fue API se utilizó Amazon API Gateway para convertir la función
desarrollado utilizando Python en conjunto con PyTorch y Lambda en servicios RESTful que ejecutan código sin
YOLOv5m. Para acelerar el entrenamiento de los modelos, se servidor en respuesta a eventos HTTP. De esta manera se
utilizó Google Colaboratory para acceder de manera gratuita pueden construir sistemas “backend” de aplicaciones
a una GPU Tesla K80. PyTorch es una biblioteca ampliamente completas, sin aprovisionar un solo servidor (Mishra, 2019).
utilizada para desarrollar modelos de DL. YOLOv5 (Jocher et El API Gateway facilita a los desarrolladores la creación,
al., 2021) es una familia de arquitecturas y modelos de publicación, monitoreo y seguridad de APIs y servicios a
detección de objetos previamente entrenados en el conjunto de cualquier escala. Las APIs actúan como la puerta de entrada
datos COCO y desarrollados por Ultralytics. YOLOv5 es para que las aplicaciones accedan a los datos y a la lógica
increíblemente rápido. En Google Colaboratory con una GPU empresarial en tiempo real. El API Gateway gestiona la
Tesla P100, YOLOv5m reporta una velocidad de 0.0082 aceptación y procesamiento de hasta cientos de miles de
segundos por imagen con un mAP0.5val de 63.9, lo que significa llamadas simultáneas, la administración del tráfico,
más de 120 imágenes por segundo (FPS), superando a su compatibilidad con CORS, el control de autorizaciones y
antecesor YOLOv4 que reporta hasta 50 FPS después de haber accesos, la limitación controlada, el monitoreo y la
sido convertido a la misma biblioteca PyTorch de Ultralytics. administración de versiones de los servicios. Finalmente,
Para la fase de entrenamiento se utilizaron imágenes con una cuando el cliente envía una solicitud (en este caso de tipo
resolución de 416, tamaño de lote de 64, 300 épocas, el POST) a través de la API RESTful, está transfiere una
modelo yolov5m para establecer la arquitectura de la red, representación del estado del recurso requerido a quien lo haya
configuración y pesos iniciales, el descenso de gradiente solicitado. Este mensaje se entrega por medio de HTTPS
estocástico (SGD) como optimizador y un ritmo de (cifrando los datos en tránsito), utilizado JSON como
entrenamiento de 0.01. El modelo final obtuvo un peso de estructura para los mensajes.
42.7MB, una mAPval.5:.95 = 0.486 y una mAPval0.5 = 0.635,
superior al 0.389 de los autores de PlantDoc en 2019 mediante 5.5. Ciberseguridad
la red Faster R-CNN con InceptionResnetV2. El modelo fue La implementación utiliza los servicios de AWS para
almacenado en Amazon Simple Storage Service (S3). apoyar al NIST CSF. Para la función identificar AWS
gestiona los activos que conforman la nube, reduciendo
5.3. Servicios basados en datos y computación sin servidor significativamente la gestión de activos. Para la función
Los servicios deben ser escalables y robustos con la proteger, se utilizó Identity and Access Management (IAM)
capacidad de procesar miles de peticiones al instante (alta para administrar las diferentes identidades que interactúan con
eficiencia en tiempo real). AWS Lambda es un servicio de la nube desde un lugar centralizado, además de grupos, roles
computación sin servidor (atractivo para aplicaciones y políticas implementando el principio de privilegio mínimo.
escalables, rentables y confiables), que permite ejecutar Además, se debe proteger los servicios utilizados por la
código sin la necesidad de administrar servidores. AWS aplicación y evitar el acceso no autorizado. Todas las llamadas
Lambda tiene una escalabilidad automática que ejecuta código hacia los servicios deben pasar por una forma de autenticación
en respuesta a eventos (arquitectura orientada a eventos), y autorización. AWS Cognito permite gestionar, proteger,
reduciendo la sobrecarga operativa, además de poseer un controlar e informar sobre los usuarios que utilizan la
esquema de facturación de pago por uso. El código es aplicación, validando los derechos de acceso y
ejecutado en paralelo, procesando cada evento proporcionando un token JWT necesario para acceder a la
individualmente y escalando en automático según la carga de API.
trabajo, logrando así un alto rendimiento (eficiencia) y Para la función detectar, CloudWatch monitorea en
confiabilidad (robustez) (Poccia, 2016). El código y todas sus tiempo real la infraestructura de AWS, aplicaciones y
dependencias fueron empaquetadas como una imagen de servicios y AWS CloudTrail para proporcionar un registro de
contenedor utilizando Docker. Un contenedor es una unidad las acciones realizadas por un usuario, rol o servicio. Al
estándar de software que empaqueta el código y todas sus detectar acciones indebidas, los permisos son inmediatamente
dependencias para que la aplicación se ejecute de forma rápida revocados en IAM y Cognito (función responder).
y confiable de un entorno computacional (local o en la nube) Finalmente, la infraestructura de AWS en diferentes regiones
a otro. El software en contenedores siempre se ejecutará de la y zonas de disponibilidad permite una alta disponibilidad
(función recuperar) de los servicios en la nube como A continuación, se realiza un desglose de los costos de cada
Lambda, S3, API Gateway, Cognito e IAM. uno de estos servicios. Para los costos de S3 influyen aspectos
como la cantidad de almacenamiento ocupado mensualmente,
el número de recuperaciones de los objetos almacenados y la
6. Resultados y discusión
cantidad de datos transferidos. Para Lambda el costo se calcula
en base a dos aspectos: el tiempo de procesamiento (en
Una de las ventajas de utilizar una plataforma en la nube es milisegundos) y el número de invocaciones a la función. Los
acelerar el tiempo de desarrollo accediendo a recursos costos para AWS API Gateway son en base a cada millón de
computacionales de manera rápida a costos más bajos solicitudes y los precios de Cognito son en base al número
(beneficio de las economías de escala), sin requerir una mensual de usuarios activos.
inversión inicial significativa. Además, libera a los La Tabla 2 muestra el desglose de costos para los servicios
desarrolladores de invertir tiempo en tareas que no agregan utilizados en la aplicación durante 1 millón de imágenes
valor para concentrarse en las características que se desea analizadas, donde se puede apreciar que tales costos son
desarrollar. El caso de uso fue desarrollado utilizando la menores a 5 USD mensuales, una cantidad muy inferior a los
plataforma AWS mediante servicios como Lambda, S3, costos requeridos para desarrollar estos servicios de forma
Cognito, API Gateway, entre otros. La Figura 3 muestra local (on promise) que adicionalmente debe incluir gastos de
imágenes de la aplicación desarrollada ejecutada en campos Internet, electricidad, seguridad, renta de inmuebles, entre
de cultivo en tiempo real y la Figura 4 muestra el diagrama de otros. Además, se evita tener que predecir la capacidad
la arquitectura de la implementación, recursos AWS utilizados requerida por aumentos repentinos en la demanda de la
y sus relaciones. aplicación y de los servicios cognitivos desarrollados.
Figura 3. Aplicación desarrollada y ejecutada en tiempo real en campos de cultivo.
Figura 4. Arquitectura de la solución (implementación).

Tabla 2. Costos de los servicios utilizados para la implementación. Orientación a servicios utilizando el paradigma de
Servicio Medida Tarifa Implementación Total computación sin servidor mediante AWS Lambda para
(USD) (USD)
desarrollar un servicio que no requiere una inversión inicial
S3 Standard
Almacenamiento 50 TB/mes 0.023 50 MB 0.023 para su despliegue, capaz de procesar miles de peticiones al
Recuperaciones 1000 solicitudes 0.0004 solo en cold start <1 instante, posee escalabilidad automática, alta disponibilidad
Transferencia 1 GB 0.033 solo en cold start <1 sin restricciones de lugar o momento y que es facturado sobre
Lambda Configuración: Tiempo de Procesamiento = Duración de demanda a un costo de $0.0000000167 USD por petición.
x86, 1024MB la solicitud (600ms) * Solicitudes - Capa Arquitectura descentralizada y distribuida donde la
Gratuita
Tiempo de GB memoria / 0.0000000167 200,000,000 3.34
computación en la nube proporciona una solución efectiva a
Procesamiento milisegundo este desafío (Xu et al., 2018). La API y los servicios
Solicitudes 1 millón de 0.2 1,000,000 0.2 desarrollados se almacenan en la nube, brindando soporte a la
solicitudes toma de decisiones. La región AWS utilizada para el
API Gateway 1 millón de 1 1,000,000 1 despliegue de los servicios es el Norte de Virginia (us-east-1)
Llamadas llamadas
que posee 6 zonas de disponibilidad (AZ). En AWS, una
Cognito 1 a 50 mil 0 1 usuario 0
Usuarios activos usuarios región es una ubicación física en el mundo donde se agrupan
activos centros conocidos como zonas de disponibilidad (AZ). Cada
mensuales región consta de varias AZ aisladas y separadas físicamente
CloudWatch Funcionalidad 0 0 dentro de un área geográfica. Una AZ consta de uno o más
de la capa
gratuita
centros discretos con alimentación, redes y conectividad
Firebase Capa gratuita 10 GB 1.8 MB 0 redundantes. Las AZ brindan niveles de disponibilidad,
Total 4.563 tolerancia a errores y escalabilidad mayores que el que
ofrecería un centro de datos único. El tráfico entre las AZ está
El diseño de una arquitectura consiste cifrado. Las AZ están físicamente separadas entre sí por una
en desarrollar una solución que cumple con los distancia significativa, aunque todas están dentro de un rango
requerimientos, enfocándose generalmente en los atributos de de 100 km (60 millas) de separación (AWS, 2022).
calidad (requerimientos no funcionales) que habilita. A Manejo de información en tiempo real: la recopilación de
continuación, se analiza la forma en que la implementación datos mediante dispositivos ubicuos como el teléfono celular
llevada a cabo cumple con los 17 principios (requerimientos) garantiza una colección en tiempo real y baja latencia de
que gobiernan Industria 4.0. transmisión mediante la red móvil. Las regiones de AWS y su
Personalización mediante el desarrolló de aplicación que infraestructura ofrecen alto rendimiento de red mediante fibra
utiliza un modelo personalizado para detectar plagas y plantas de 100Gb Ethernet redundantes entre regiones (Amazon Web
enfermedades a través de la red YOLOv5m que detecta 13 Services, 2022). Finalmente, el tiempo promedio de respuesta
especies de plantas y 30 clases (entre enfermas y sanas), de la función Lambda (servicio) mediante 2048 Mb de
además de 8 plagas del tomate. memoria y el modelo basado en YOLOv5m es de 600 ms.
Colaborativa: la arquitectura habilita la cooperación entre Robusta y confiable: AWS sostiene que mediante su
múltiples disciplinas (computación en la nube, tecnología infraestructura desarrollada en regiones compuestas por
ubicua, CPS, análisis de datos, entre otras) y permite el trabajo diferentes zonas de disponibilidad, servicios como Amazon
conjunto entre personas y dispositivos como CPS S3 tienen una disponibilidad garantizada del 99.99% y una
(colaboración humano-máquina) enriquecidos en sus durabilidad del 99.999999999%. Mediante AWS CloudWatch
capacidades computacionales a través de modelos y servicios se programó un evento que invoca la API desarrollada cada 3
desplegados en plataformas en la nube (colaboración minutos. Este evento ejecutado por 1 mes (14880
máquina-máquina). invocaciones) encontró una disponibilidad del 100 %.
Decisiones basadas en datos: esta propuesta basada en los Flexibilidad: los clientes solían utilizar redundancia para
conjuntos de datos Plant Doc y Mendelay Data permite asegurar la suficiente capacidad para responder al máximo
desarrollar un modelo (basado en YOLOv5m) consumido en nivel de actividad. La nube (AWS) permite lograr niveles de
funciones (sin servidor) robustas para la detección temprana y flexibilidad y escalabilidad muy altos, aprovisionando la
en tiempo real de plagas y plantas enfermas para reducir cantidad de recursos que realmente se necesitan, aumentando
hallazgos que pueden ser omitidos, incrementar la calidad, la o disminuyendo instantáneamente junto con las necesidades,
satisfacción del cliente y la productividad en los campos de reduciendo costos y mejorando la capacidad del cliente para
cultivo. satisfacer las demandas de usuarios e incrementos en la carga
Modular: la aplicación está dividida en capas separadas de trabajo (Amazon Web Services, 2022). La concurrencia se
(separation of concerns) que poseen alta cohesión como son la refiere a la cantidad de instancias atendiendo solicitudes. Para
interfaz de usuario, el controlador (API Gateway), servicios el tráfico inicial, la concurrencia es de 3000 según la región
que incluyen la lógica de negocio y persistencia (S3). Las utilizada. Cuando las solicitudes llegan más rápido comparado
interfaces de comunicación fueron estandarizadas mediante a la escalabilidad las solicitudes fallan por un error de
un API tipo REST para exponer servicios. Reutilización: se limitación (código http 429). Para probar la escalabilidad de
utilizó la red YOLOv5m para el desarrollo ágil del modelo de AWS se utilizó la herramienta artillery.io, realizando una
aprendizaje profundo, aumentando la fiabilidad, al ser código simulación de 5 nuevos usuarios accediendo a la aplicación
intensamente probado y que ha sido utilizado en otras (prueba de carga) cada segundo durante 10 min, resultando en
investigaciones científicas. 3000 invocaciones y un 100% de ejecuciones exitosas.
Ubicua: la aplicación posee la capacidad de ejecución sin nube y disponible mediante WiFi o telefonía móvil; procesos
restricciones de tiempo y lugar mediante el uso de tecnología físicos: detección de plagas y plantas enfermas; procesos
ubicua como teléfonos celulares (e incluso un drone o AGV), virtuales: servicio para detección mediante AWS Lambda;
redes de tecnología móvil, servicios REST y computación en conexión virtual a física: cliente ejecutando acciones y
la nube. tomando decisiones en base a la información proporcionada
Integración: se utilizó Amazon API Gateway para convertir por la aplicación y el servicio de detección en tiempo real.
la función Lambda en un servicio RESTful y un API que Ciberseguridad: La implementación utiliza los recursos de
ejecuten código sin servidor en respuesta a eventos HTTP. La AWS para llevar a cabo el NIST CSF, donde se realizaron
API desarrollada actúa como puerta de entrada para que las acciones para las funciones identificar, proteger, detectar,
aplicaciones accedan a los datos y a la lógica empresarial en responder y recuperar, desarrollando un enfoque prioritario,
tiempo real. El API Gateway facilita la creación, publicación, flexible y repetible, que incluye medidas de seguridad para
monitoreo y seguridad de APIs y servicios. Además, gestiona identificar, evaluar, y gestionar los riesgos cibernéticos.
la aceptación y procesamiento de miles de llamadas Equilibra la vida laboral: la aplicación mediante servicios
simultáneas, la administración del tráfico, compatibilidad con para análisis de imágenes sin restricciones de tiempo y lugar
CORS, el control de autorizaciones y accesos, la limitación buscar ser un apoyo en la toma de decisiones, reducir el
controlada, el monitoreo y la administración de versiones. número de hallazgos que pueden ser omitidos y el tiempo de
Holística: la capa en la nube permite tener una visión holística capacitación para identificar plagas y plantas enfermas,
de todos los procesos computacionales (AWS CloudWatch). además del ahorro en esfuerzo físico al utilizar los servicios
La aplicación desarrolla una visión holística del proceso desde un Drone o AGV.
físico, integrando imágenes de campo en tiempo real a través Inteligencia: el servicio desarrollado mediante la red
de dispositivos móviles con acceso temporal y espacialmente YOLOv5m basada en redes neuronales convolucionales
independiente a funciones y servicios. Esto permite una genera un conocimiento del proceso monitoreado, brinda
evaluación y mejora de la salud de los cultivos y la integración diagnósticos y soporte en la toma de decisiones. Este servicio
de dispositivos, sistemas y la toma de decisiones. El flujo de junto con la conexión virtual-a-física del modelado del DT,
información está disponible cuando y donde es necesario. permiten cerrar el ciclo entre las hipótesis y decisiones
Eficiencia: mayor eficiencia de los recursos computacionales generadas en el entorno virtual y las consecuencias llevadas a
invertidos en la modalidad de pago-por-uso, además de cabo en el entorno físico. Un aspecto que se omite con
acelerar el tiempo de desarrollo accediendo a recursos frecuencia en la literatura es el rol de los operadores en el ciclo
rápidamente. El costo de la implementación mediante del DT. Si alguien utiliza el DT para predecir la salud de una
computación sin servidor, que además elimina gastos y maquinaria usando servicios implementados por modelos de
tiempos relacionados a la adquisición y administración de inteligencia artificial para finalmente enviar ingenieros a
infraestructura, es de 4.6 dólares por millón de imágenes reemplazar los componentes necesarios en la maquinaria. El
analizadas. Para analizar la eficiencia se consideró la ingeniero en este escenario realiza el proceso de conexión
implementación del servicio en instancias de Amazon Elastic virtual a física, realización y configuración, cerrando el ciclo
Compute Cloud (EC2) equivalentes y la cantidad de tiempo de del DT. Este es el enfoque utilizado en esta implementación,
cómputo necesario para procesar el millón de imágenes. AWS donde las decisiones apoyadas en los servicios de inteligencia
Lambda brinda 6 vCPU y hasta 10 Gb de RAM. Las instancias artificial son llevadas a cabo por los ingenieros
EC2 más cercanas como c5.2xlarge con 8 vCPU y 16 Gb de correspondientes, cerrando el ciclo de DT y cumpliendo las
RAM a un costo de $0.34 USD por hora o t3.xlarge con 4 definiciones en el modelado de DT propuesto por Jones et al.
vCPU y 16 Gb de RAM a un costo de $0.1664 USD por hora (2020).
generarían un costo de $66.11 y $32.35 USD respectivamente,
muy superior a los $4.6 utilizando AWS Lambda. Esto sin 7. Conclusiones y trabajo futuro
considerar que con Amazon EC2, el usuario es responsable de
aprovisionar la capacidad necesaria, monitorizar el estado y Aunque muchas compañías aún dudan en realizar una
desempeño de recursos y servicios, además de diseñar la implementación para Industria 4.0, dado el desafío de la
escalabilidad y la tolerancia a errores. Finalmente, el modelo inversión inicial, la computación en la nube ofrece una
desarrollado tiene un mayor rendimiento en la detección con solución viable, rentable y a costos accesibles para tal desafío,
una mAPval0.5 = 0.635, superior al 0.389 reportado por los cambiando la forma de implementar servicios y permitiendo a
autores originales de PlantDoc mediante la red Faster R-CNN compañías de cualquier tamaño construir aplicaciones
con InceptionResnetV2. poderosas y escalables. La arquitectura de referencia tiene la
Virtualización: implementación del DT utilizando el modelo capacidad de integrar el enorme abanico de tecnologías
propuesto por Jones et al. (2020) basado en 13 características; involucradas desde análisis de datos, aprendizaje profundo,
entidad física: plantas enfermas y plagas; entidad virtual: visión artificial, ciberseguridad, CPS, sensores ubicuos,
modelo YOLOv5m almacenado en S3; entorno físico: campos computación en la nube, entre otras. Además, el diseño de esta
de cultivo; entorno virtual: plataforma en la nube de AWS; arquitectura desarrolla una solución que cumple con los
metrología: imágenes capturadas mediante cámaras de requerimientos, enfocándose principalmente en los atributos
teléfonos móviles, cámaras IP, Drones o un AGV; parámetros: de calidad (requerimientos no funcionales) que habilita. La
imágenes capturadas y transmitidas como cadenas Base64; arquitectura y no solo las aplicaciones pueden convertirse en
hermanamiento y tasa de hermanamiento: cada 0.5 segundos; activos dentro de la organización. Además, la arquitectura
realización: envío de una solicitud (POST) mediante HTTPS transforma a entidades físicas individuales en una "empresa
(cifrando los datos en tránsito) y JSON como estructura para conectada", proporcionando un marco que estimula la
los mensajes; conexión física a virtual: API desplegada en la creación de valor y difusión del conocimiento a través de los
datos. La API y los servicios desarrollados mediante el Journal of Computer Integrated Manufacturing, 202-214.
doi:http://dx.doi.org/10.1080/0951192X.2016.1145810
paradigma de computación sin servidor poseen alto
AWS. (2022). Regiones y zonas de disponibilidad. Obtenido de AWS:
rendimiento, disponibilidad, escalabilidad, robustez, https://aws.amazon.com/es/about-aws/global-infrastructure/regions_az/
modularidad, seguridad, y pueden ser utilizados por otros Azeem, M., Haleem, A., Shashi, B., Javaid, M., Suman, R., & Nandan, D.
colaboradores para intercambiar información y tomar (2021). Big data applications to take up major challenges across
manufacturing industries: A brief review. Materials Today: Proceedings,
decisiones en tiempo real. La colaboración entre entidades
1-10. doi:https://doi.org/10.1016/j.matpr.2021.02.147
físicas, humanas y virtuales forma parte de un ecosistema Bader, S., Berres, B., Boss, B., Gatterburg, A., & Hoffmeister, M. (Noviembre
conectado que proporciona: reducción en el tiempo de las de 2021). Plattform Industrie 4.0. Obtenido de Details of the Asset
operaciones, menor número de defectos, conocimientos del Administration Shell - Interoperability at Runtime – Part 2: Exchanging
Information via Application Programming Interfaces:
sistema monitoreado, visibilidad en tiempo real de extremo a
https://www.plattform-
extremo, virtualización de las operaciones de producción e i40.de/IP/Redaktion/EN/Downloads/Publikation/Details_of_the_Asset_
incrementa la productividad. Además, la computación en la Administration_Shell_Part2_V1.html
nube permite la visión y evaluación de todos los recursos y Bauer, J. (24 de Feb de 2021). Using container images to run TensorFlow
models in AWS Lambda. Obtenido de AWS:
estructuras virtuales (holística) permitiendo el monitoreo y la
https://aws.amazon.com/es/blogs/machine-learning/using-container-
mejora continua. images-to-run-tensorflow-models-in-aws-lambda/
La mejora en las redes de comunicación como la telefonía Belman-Lopez, C., Jiménez-García, J., & Hernández-González, S. (2020).
móvil permite incorporar desarrollos tecnológicos Análisis exhaustivo de los principios de diseño en el contexto de Industria
4.0. Revista Iberoamericana de Automática e Informática Industrial, 432-
innovadores conectando un mayor número de dispositivos
447. doi:https://doi.org/10.4995/riai.2020.12579
(como drones o AGVs) debido a su mayor velocidad y alcance Belman-López, C., Jiménez-García, J., Vázquez-López, J., Hernández-
permitiendo a las aplicaciones tener una capacidad de datos González, S., & Franco-Barrón, J. (2020). Elementos fundamentales del
mucho mayor con tiempos de respuesta más cortos en una sistema de manufactura inteligente en la era de Industria 4.0. Revista
Internacional de Investigación e Innovación Tecnológica, 1-26.
diversidad más amplia de lugares. Aunque el rendimiento y
Caggiano, A. (2018). Cloud-based manufacturing process monitoring for
estabilidad de la infraestructura de comunicación aún tiene smart diagnosis services. International Journal of Computer Integrated
impacto directo en el rendimiento de las aplicaciones Manufacturing, 31(7), 612-623.
holísticas ejecutadas en lugares lejanos o de difícil acceso. doi:https://doi.org/10.1080/0951192X.2018.1425552
Carnell, J. (2017). Spring Microservices in Action. NY: Manning Publications
En cuanto al trabajo futuro destaca la implementación de
Co.
los servicios de autoconfiguración que permitan llevar a cabo Cervantes Maceda, H., Velasco-Elizondo, P., & Castro Careaga, L. (2016).
la ejecución de servicios de forma autónoma e independiente, Arquitectura de Software. Conceptos y ciclo de desarrollo. Ciudad de
además de la inclusión de personas y su conexión con el taller. México, México: CENGAGE Learning.
Charro, A., & Schaefer, D. (2018). Cloud Manufacturing as a new type of
La representación de una persona, incluidos datos personales,
Product-Service System. International Journal of Computer Integrated
de salud, actividades y estado emocional, puede ayudar a Manufacturing, 1018-1033.
establecer modelos para comprender el bienestar personal y Chen, T., & Tsai, H.-R. (2016). Ubiquitous manufacturing: Current practices,
las condiciones laborales. En base a la comprensión del estado challenges, and opportunities. Robotics and Computer-Integrated
Manufacturing, 1-7. doi:http://dx.doi.org/10.1016/j.rcim.2016.01.001
de los trabajadores es posible diseñar estrategias de
Dintén, R., López Martínez, P., & Zorrilla, M. (2021). Arquitectura de
colaboración humano-máquina (centradas en el trabajador) referencia para el diseño y desarrollo de aplicaciones para la Industria 4.0.
para mejorar la salud física y psicológica de los trabajadores, Revista Iberoamericana de Automática e Informática Industrial, 300-311.
y mejorar el rendimiento de la producción. doi:https://doi.org/10.4995/riai.2021.14532
Docker. (2021). Obtenido de Docker: https://www.docker.com/
Francalanza, E., Borg, J., & Constantinescu, C. (2018). Approaches for
Agradecimientos handling wicked manufacturing system design problems. Procedia CIRP,
67, 134-139. doi:https://doi.org/10.1016/j.procir.2017.12.189
Los autores agradecen al Consejo Nacional de Ciencia y GE. (01 de Noviembre de 2018). Predix Platform | GE Digital. Obtenido de
GE: https://www.ge.com/digital/iiot-platform
Tecnología de México (CONACYT) por financiar esta
Geest, M., Tekinerdogan, B., & Catal, C. (2021). Design of a reference
investigación mediante una beca para estudios de posgrado architecture for developing smart warehouses in Industry 4.0. Computers
(CVU 773443), al TecNM por el apoyo recibido a través de la in Industry, 1-21. doi:https://doi.org/10.1016/j.compind.2020.103343
convocatoria "Proyectos de Desarrollo Tecnológico e Ghobakhloo, M. (2018). The future of manufacturing industry: a strategic
road0toward Industry 4.0. Journal of Manufacturing Technology
Innovación 2022" y al Dr. José Enrique Botello Álvarez por
Management, 910-936. doi:https://doi.org/10.1108/JMTM-02-2018-0057
sus valiosas observaciones en el desarrollo de esta Google Cloud. (2018). Web API Design: The Missing Link. Google LLC.
investigación. Gorton, I., & Klein, J. (2015). Distribution, Data, Deployment, Software
Architecture Convergence in Big Data Systems. IEEE COMPUTER
SOCIETY, 78-85.
Groover, M. (2001). Automation, Production Systems, and Computer-
Referencias Integrated Manufacturing. USA: Prentice Hall.
Hermann, M., Otto, B., & Pentek, T. (2015). Design Principles for Industrie
Aheleroff, S., Xu, X., Zhong, R., & Lu, Y. (2021). Digital Twin as a Service 4.0 Scenarios: A Literature Review. ResearchGate, 1-16.
(DTaaS) in Industry 4.0: An Architecture Reference Model. Advanced doi:10.13140/RG.2.2.29269.22248
Engineering Informatics, 1-15. Hohpe, G., & Woolf, B. (2004). Enterprise Integration Patterns. Boston, MA:
doi:https://doi.org/10.1016/j.aei.2020.101225 Addison-Wesley.
Almada-Lobo, F. (2015). The Industry 4.0 revolution and the future of Huang , M.-L., & Chuang, T. (2020). A database of eight common tomato
Manufacturing Execution Systems (MES). Journal of Innovation pest images. Mendeley Data, V1. doi:10.17632/s62zm6djd2.1
Management, 16-21. ISA. (Octubre de 2019). Automation IT: RAMI 4.0 Reference Architectural
Amazon Web Services. (2022). Infrastructura Global. Obtenido de AWS: Model for Industrie 4.0. Obtenido de International Society of Automation
https://aws.amazon.com/es/about-aws/global-infrastructure/ (ISA): https://www.isa.org/intech/20190405/
Angulo, P., Guzmán, C., Jiménez, G., & Romero, D. (2016). A service- ISO/IEC/IEEE 42010. (10 de Jul de 2007). ISO/IEC/IEEE 42010: Defining
oriented architecture and its ICT infrastructure to support eco-efficiency "architecture". Obtenido de ISO/IEC/IEEE 42010: http://www.iso-
performance monitoring in manufacturing enterprises. International architecture.org/ieee-1471/defining-architecture.html
Jocher, G., Stoken, A., Chaurasia, A., Borovec, J., NanoCode012, TaoXie, . . applications and related challenges in cloud computing. Materials Today:
. AlexWang1900. (2021). ultralytics/yolov5: v6.0. Zenodo. Proceedings, 1-5. doi:https://doi.org/10.1016/j.matpr.2021.11.383
doi:https://doi.org/10.5281/zenodo.5563715 Pereira, A., & Romero, F. (2017). A review of the meaning and the
Jones, D., Snider, C., Nassehi, A., Yon, J., & Hicks, B. (2020). Characterising implications of the Industry 4.0 concept. En P. Manufacturing (Ed.),
the Digital Twin: A systematic literature review. CIRP Journal of Manufacturing Engineering Society International Conference (págs.
Manufacturing Science and Technology, 36-52. 1206-1214). Vigo, España: Elsevier.
doi:https://doi.org/10.1016/j.cirpj.2020.02.002 Poccia, D. (2016). AWS Lambda in Action. Manning.
Kagermann, H., Wahlster, W., & Helbig, J. (2013). Recommendations for PwC Middle East. (23 de 10 de 2018). Big investments with big impacts and
implementing the strategic initiative INDUSTRIE 4.0. Final report of the rapid returns. Obtenido de PwC Middle East :
Industrie 4.0 Working Group. National Academy of Science and https://www.pwc.com/m1/en/publications/industry-40-survey/big-
Engineering (acatech)., 1-82. investments.html
Kakani, V., Nguyen, V., Kumar, B., Kim, H., & Pasupuleti, V. (2020). A Qi, Q., Tao, F., Hu, T., Anwer, N., Liu, A., Wei, Y., . . . Nee, A. (2019).
critical review on computer vision and artificial intelligence in food Enabling technologies and tools for digital twin. Journal of Manufacturing
industry. Journal of Agriculture and Food Research, 1-12. Systems, 1-19. doi:https://doi.org/10.1016/j.jmsy.2019.10.001
doi:doi.org/10.1016/j.jafr.2020.100033 R, S., & R, S. (2017). Data Mining with Big Data. Intelligent Systems and
Karatas, M., Eriskin, L., Deveci, M., Pamucar, D., & Garg, H. (2022). Big Control (ISCO) (págs. 246-250). Coimbatore, India: IEEE.
D3333ata for Healthcare Industry 4.0: Applications, challenges and future doi:10.1109/ISCO.2017.7855990
perspectives. Expert Systems with Applications, 1-13. RedHat. (2021). ¿Que es una api rest? Obtenido de RedHat:
doi:https://doi.org/10.1016/j.eswa.2022.116912 https://www.redhat.com/es/topics/api/what-is-a-rest-api#rest
Kusiak, A. (2017). Smart manufacturing. International Journal of Production Richards, M. (2015). Software Arquitecture Patterns. Gravenstein Highway
Research, 508-517. doi:https://doi.org/10.1080/00207543.2017.1351644 North, Sebastopol, CA: O’Reilly Media, Inc.
Lee, J., Ardakani, H., Yang, S., & Bagheri, B. (2015). Industrial big data Rosen, D. (2019). Thoughts on Design for Intelligent Manufacturing.
analytics and cyber-physical systems for future maintenance & service Engineering, 1-6. doi:https://doi.org/10.1016/j.eng.2019.07.011
innovation. Procedia CIRP, 3-7. Sahba, R., Radfar, R., Ghatari, A. R., & Ebrahimi, A. P. (2021). Development
Lie, J., & Wang, X. (2021). Plant diseases and pests detection based on deep of Industry 4.0 predictive maintenance architecture for broadcasting chain.
learning: a review. Plant Methods, 1-18. Advanced Engineering Informatics, 1-11.
doi:https://doi.org/10.1186/s13007-021-00722-9 doi:https://doi.org/10.1016/j.aei.2021.101324
Liu, C., Vengayil, H., Lu, Y., & Xu, X. (2019). A Cyber-Physical Machine Singh, D., Jain, N., Jain, P., & Kayal, P. (2019). PlantDoc: A Dataset for
Tools Platform using OPC UA and MTConnect. Journal of Manufacturing Visual Plant Disease Detection. arXivLabs, 1-5. doi:arXiv:1911.10317
Systems, 1-14. doi:https://doi.org/10.1016/j.jmsy.2019.04.006 Software Engineering Institute. (04 de May de 2018). Attribute-Driven
Liu, Y., Peng, Y., Wang, B., Yao, S., & Liu, Z. (2017). Review on Cyber- Design - Create software architectures using architecturally significant
physical Systems. Journal of Automatica Sinica, 27-40. requirements. Obtenido de Software Engineering Institute at Carnegie
doi:10.1109/JAS.2017.7510349 Mellon University:
Liu, Z., Sampaio, P., Pishchulov, G., Mehandjiev, N., Cisneros-Cabrera, S., https://resources.sei.cmu.edu/asset_files/FactSheet/2018_010_001_5139
Schirrmann, A., . . . Bnouhanna, N. (2022). The architectural design and 30.pdf
implementation of a digital platform for Industry 4.0 SME collaboration. Sony, M., Antony, J., Mc Dermott, O., & Garza-Reyes, J. (2021). An
Computers in Industry, 1-12. empirical examination of benefits, challenges, and critical success factors
doi:https://doi.org/10.1016/j.compind.2022.103623 of industry 4.0 in manufacturing and service sector. Technology in
López Martínez, P., Dintén, R., Drake, J., & Zorrilla, M. (2021). A big data- Society, 1-12. doi:https://doi.org/10.1016/j.techsoc.2021.101754
centric architecture metamodel for Industry 4.0. Future Generation Tao, F., Qi, Q., Wang, L., & Nee, A. (2019). Digital Twins and Cyber–
Computer Systems, 263–284. Physical Systems toward Smart Manufacturing and Industry 4.0:
doi:https://doi.org/10.1016/j.future.2021.06.020 Correlation and Comparison. Engineering, 653–661.
Lu, Y., Liu, C., Wang, K.-K., Huang, H., & Xu, X. (2019). Digital Twin- doi:https://doi.org/10.1016/j.eng.2019.01.014
driven smart manufacturing: Connotation, reference model, applications The Apache Software Foundation. (2020). Apache Avro. Obtenido de Apache
and research issues. Robotics and Computer Integrated Manufacturing, 1- Avro: https://avro.apache.org/
14. doi:https://doi.org/10.1016/j.rcim.2019.101837 Tian, W., & Zhao, Y. (2015). Optimized Cloud Resource Management and
Macías, A., Navarro, E., & González, P. (2019). A Microservice-Based Scheduling. Morgan Kaufmann. doi:https://doi.org/10.1016/C2013-0-
Framework for Developing Internet of Things and People Applications. 13415-0
Proceedings, 1-13. doi:10.3390/proceedings2019031085 Tuptuk, N., & Hailes, S. (2018). Security of smart manufacturing systems.
Malathi, V., & Gopinath, M. (2021). Classification of pest detection in paddy Journal of Manufacturing Systems, 93-106.
crop based on transfer learning approach. Acta Agriculturae Scandinavica, doi:https://doi.org/10.1016/j.jmsy.2018.04.007
Section B — Soil & Plant Science. doi:10.1080/09064710.2021.1874045 Wang, X., Ong, S., & Nee, A. (2017). A comprehensive survey of ubiquitous
Miny, T., Stephan, G., Usländer, T., & Vialkowitsch, J. (Abril de 2021). manufacturing research. International Journal of Production Research,
Plattform Industrie 4.0. Obtenido de Functional View of the Asset 604-628. doi:https://doi.org/10.1080/00207543.2017.1413259
Administration Shell in an Industrie 4.0 System Environment: Wankhede, V. A., & Vinodh, S. (2021). Analysis of Industry 4.0 challenges
https://www.plattform- using best worst method: A case study. Computers & Industrial
i40.de/IP/Redaktion/DE/Downloads/Publikation/Functional-View.html Engineering, 1-13. doi:https://doi.org/10.1016/j.cie.2021.107487
Mishra, A. (2019). Machine Learning in the AWS Cloud. Indianapolis, Wiesner, S., & Thoben, K.-D. (2016). Requirements for models, methods and
Indiana: John Wiley & Sons, Inc. tools supporting servitisation of products in manufacturing service
Nakagawa, E. Y., Antonino, P. O., Schnicke, F., Capilla, R., Kuhn, T., & ecosystems. International Journal of Computer Integrated Manufacturing,
Liggesmeyer, P. (2021). Industry 4.0 reference architectures: State of the 1-12. doi:http://dx.doi.org/10.1080/0951192X.2015.1130243
art and future trends. Computers & Industrial Engineering, 1-13. Xu, L. D., & Duan, L. (2018). Big data for cyber physical systems in industry
doi:https://doi.org/10.1016/j.cie.2021.107241 4.0: a survey. Enterprise Information Systems, 1-23.
Niknejad, N., Ismail, W., Ghani, I., Nazari, B., Bahari, M., & Hussin, A. doi:10.1080/17517575.2018.1442934
(2020). Understanding Service-Oriented Architecture (SOA): A Xu, L., Xu, E., & Li, L. (2018). Industry 4.0: state of the art and future trends.
systematic literature review and directions for further investigation. International Journal of Production Research, 56, 2941–2962.
Information Systems, 1-27. doi:https://doi.org/10.1016/j.is.2020.101491 doi:https://doi.org/10.1080/00207543.2018.1444806
NIST. (16 de Abril de 2018). Framework for Improving Critical Infrastructure Yang, H., Kumara, S., Bukkapatnam, S., & Tsung, F. (2019). The Internet of
Cybersecurity. Obtenido de National Institute of Standards and Things for Smart Manufacturing: A Review. IISE Transactions, 1-36.
Technology: doi:10.1080/24725854.2018.1555383
https://nvlpubs.nist.gov/nistpubs/CSWP/NIST.CSWP.04162018.pdf Zhong, R., Xu, X., Klotz, E., & Newman, S. (2017). Intelligent Manufacturing
Pallathadka, H., Sajja, G., Phasinam, K., Ritonga, M., Naved, M., Bansal, R., in the Context of Industry 4.0: A Review. Engineering, 616–630.
& Quiñonez-Choquecota, J. (2021). An investigation of various doi:http://dx.doi.org/10.1016/J.ENG.2017.05.015

137 149 17791 Ed

Cargado por

Copyright:

Formatos disponibles

137 149 17791 Ed

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

137 149 17791 Ed

Cargado por

Copyright:

Formatos disponibles

Revista Iberoamericana de Automática e Informática Industrial 20 (2023) 137-149

Diseño de una arquitectura para sistemas y aplicaciones en Industria 4.0 basada en

1. Introducción desarrollos tecnológicos que les permita desarrollar servicios

*Autor para correspondencia: carlosbelman@gmail.com; josealfredo.jimenez@itcelaya.edu.mx

conecta a dispositivos y proveedores, permitiendo la gestión 3. Metodología

Figura 1. Estructura general de la arquitectura.

es uno de los estándares mejor redactados, diseñados y

Tecnológico de la India en Gandhinagar, representando el misma manera, independientemente de la infraestructura o

Figura 3. Aplicación desarrollada y ejecutada en tiempo real en campos de cultivo.

Figura 4. Arquitectura de la solución (implementación).

También podría gustarte