Un nuevo enfoque para el control inteligente de plantas automatizadas mediante el Aprendizaje Federado

El Aprendizaje Federado (Federated Learning) aparece como un nuevo paradigma que responde a estas limitaciones. En lugar de enviar los datos a la nube, cada máquina o planta entrena localmente su modelo de Inteligencia Artificial y comparte únicamente los parámetros aprendidos [1]. Posteriormente, un servidor central combina esas actualizaciones en un modelo global, garantizando que la información sensible permanezca en su lugar de origen y, al mismo tiempo, enriqueciendo el sistema con el conocimiento conjunto de todos los dispositivos.

Este enfoque distribuido permite avanzar hacia un control más inteligente y seguro en la fabricación avanzada. Además de proteger la confidencialidad de los datos, el Aprendizaje Federado facilita la escalabilidad de soluciones de inteligencia artificial en entornos con gran diversidad de dispositivos, cumpliendo así las nuevas demandas de la industria digital [2].

El Aprendizaje Federado permite entrenar modelos de manera colaborativa en distintos dispositivos sin necesidad de mover los datos de su origen. Cada máquina entrena un modelo local con su propia información y envía al servidor central únicamente los parámetros aprendidos (pesos o gradientes). El servidor combina estas actualizaciones para generar un modelo global más completo.

FedAvg

El método más común para esta agregación es Federated Averaging (FedAvg) [3]. Tal como se muestra en el pseudocódigo de la figura 1, el algoritmo comienza inicializando el modelo global de forma aleatoria (w₀). En cada ronda de entrenamiento, el servidor elige un subconjunto de clientes S_t de entre el total de K disponibles y distribuye entre ellos el modelo actual w_t.

Cada cliente entrena su modelo local con sus propios datos, divididos en lotes de tamaño B, durante E épocas usando SGD (Stochastic Gradient Decent). Al finalizar, devuelve su modelo actualizado w^k_t-1 al servidor. El servidor combina todas esas actualizaciones mediante un promedio ponderado, en función del número de ejemplos n_k que aporta cada cliente, y genera un nuevo modelo global w_t+1. Este ciclo se repite sucesivamente hasta que el modelo converge, logrando así una representación global que refleja la diversidad de los datos distribuidos entre los distintos dispositivos.

En la práctica, los clientes con mayor cantidad de datos tienen más peso en la actualización, lo que hace que el modelo final sea más representativo y generalice mejor. El objetivo es construir un modelo global que minimice los errores de predicción en el conjunto total de ejemplos distribuidos.

Frameworks

En el Aprendizaje Federado existen varios frameworks que ayudan a implementar esta tecnología en distintos contextos industriales. Su objetivo común es encontrar un equilibrio entre el rendimiento del modelo, la eficiencia de la comunicación entre clientes y servidor, y el nivel de privacidad que requieren los datos.

Entre los más relevantes destacan Flower, TensorFlow Federated y PySyft.

• Flower sobresale por su versatilidad y capacidad de escalar. Está diseñado para que el mismo código pueda funcionar en simulaciones controladas o en despliegues reales a gran escala, lo que resulta muy útil para proyectos que evolucionan desde la investigación hacia la producción [4]. Gracias a su diseño modular, se adapta con facilidad a distintas bibliotecas de Machine Learning y permite definir estrategias específicas de federación, como la forma de seleccionar clientes o los métodos de agregación.
• TensorFlow Federated está pensado para simular escenarios de Aprendizaje Federado, siendo ideal para quienes ya utilizan el ecosistema TensorFlow y desean experimentar sin salir de él [5]. Proporciona dos niveles de uso: una API de alto nivel, que simplifica la aplicación de algoritmos federados ya disponibles, y una capa más avanzada llamada Federated Core, que brinda la posibilidad de crear algoritmos propios y explorar diferentes configuraciones.
• Por su parte, PySyft ha sido creado con un claro enfoque en la privacidad y la seguridad de los datos. Su propuesta se basa en el concepto de Datasites, entornos seguros donde los datos permanecen bajo control del propietario [6]. En lugar de transferir la información al servidor, este envía pesos de cómputo que se ejecutan directamente en el Datasite. Este enfoque lo convierte en una opción idónea para escenarios donde la soberanía y la confidencialidad de la información resultan fundamentales.

En el Centro de Fabricación Avanzada Aeronáutica (CFAA) [7] el Aprendizaje Federado ha sido aplicado como caso de uso para la predicción de niveles de consumo energético en un centro de mecanizado multiproceso. Para este estudio se ha empleado el framework Flower, con el fin de demostrar la viabilidad de esta tecnología en un entorno industrial real.

Como se aprecia en la figura 2, el centro de mecanizado utilizado ha sido la Ibarmia THR 16 [8], una máquina multiproceso que integra en un único sistema operaciones de fresado, taladrado, torneado, tallado de engranajes y rectificado. Su configuración incluye tres ejes lineales (X, Y, Z) y dos ejes rotativos (A y C), lo que le proporciona una gran versatilidad para el mecanizado de piezas complejas.

La Ibarmia THR 16 dispone de un sistema de monitorización capaz de registrar alrededor de 300 variables relacionadas con corrientes, temperaturas, alarmas y otros parámetros de proceso. Para el análisis del consumo energético se han seleccionado únicamente las variables más relevantes: cargas y potencias de los ejes y del husillo, las revoluciones por minuto del husillo y la potencia total de la máquina. A partir de estas señales se ha planteado un problema de clasificación supervisada orientado a distinguir tres niveles de consumo: bajo, medio y alto.

La recopilación de datos se ha realizado durante cinco meses de ensayos de fresado. La variable Potencia total se ha discretizado en tres rangos:

• Consumo bajo: <0,55 kW/h
• Consumo medio: 0,55 - 4,15 kW/h
• Consumo alto: >4,15 kW/h

El dataset original estaba desbalanceado (con más casos de consumo medio y menos de alto), por lo que se seleccionaron 2.000 instancias aleatorias de cada clase, obteniendo así un dataset balanceado de 6.000 registros.

Para simular diferentes escenarios de uso de la máquina, el dataset se ha dividido en cuatro subconjuntos de 1500 registros. Cada uno de ellos funciona como un ‘gemelo’ de la Ibarmia, representando un perfil concreto de consumo (alto, medio o bajo). Posteriormente, cada subconjunto ha sido asignado a un cliente federado dentro del sistema de Aprendizaje Federado, lo que ha permitido entrenar el modelo con patrones de consumo diversos y reflejar de forma más realista la variedad de condiciones de trabajo en distintas configuraciones de la misma máquina.

En la figura 3 se muestra la arquitectura de Aprendizaje Federado planteada en este estudio. El servidor coordina el proceso: inicializa el modelo global, selecciona en cada ronda un subconjunto de clientes y aplica la estrategia FedAvg, que combina las actualizaciones recibidas mediante un promedio ponderado según el tamaño de los datos de cada cliente. Este ciclo se repite hasta alcanzar la convergencia o el número de rondas definido.

Los clientes entrenan localmente con sus propios datos y devuelven al servidor los parámetros actualizados. Durante este proceso, integran el modelo global recibido, lo optimizan con sus datasets y posteriormente envían las actualizaciones. Además, evalúan su desempeño en un conjunto de validación, generando métricas como loss y accuracy para supervisar la calidad del entrenamiento.

En lo referente al modelo, se ha diseñado una red neuronal orientada a clasificar el consumo energético de la máquina en las tres categorías mencionadas anteriormente. Para ello se ha empleado el dataset de la Ibarmia, dividido en un 80% para entrenamiento y un 20% para validación.

Con el fin de optimizar el rendimiento, se ha llevado a cabo un ajuste de hiperparámetros, probando distintas combinaciones de capas ocultas, número de neuronas, tasa de aprendizaje, tamaño de lote y número de épocas. Este proceso ha permitido seleccionar la configuración más estable y precisa para distintos escenarios. Además, el modelo se ha entrenado con la función de pérdida de entropía cruzada (Cross-Entropy Loss), adecuada para la clasificación multiclase, y el optimizador Adam, capaz de ajustar la tasa de aprendizaje de forma adaptativa.

La arquitectura final de la red neuronal está compuesta por una capa de entrada con 6 neuronas, que representan las variables más relevantes, seguida de dos capas ocultas: la primera con 64 neuronas y la segunda con 32, ambas con activación ReLU. La capa de salida cuenta con 3 neuronas, una para cada nivel de consumo. El modelo ha alcanzado la convergencia tras unas 60 épocas, utilizando un tamaño de lote de 32 y una tasa de aprendizaje de 0.001, lo que ha permitido un entrenamiento estable, sin problemas de sobreajuste ni subajuste.

En los últimos años, el impulso de IoT y edge computing seguros, se ha identificado como una de las prioridades estratégicas para avanzar hacia la fábrica autónoma. En esta línea, el CFAA de la UPV/EHU participa en el proyecto SARA (Arquitectura federada de gestión de procesos en sistemas de fabricación de evento discreto). Se trata de un proyecto colaborativo a 3 años entre la agrupación empresarial liderada por Fagor Automation y una agrupación de organismos de investigación liderada por la Universidad del País Vasco (UPV/EHU). Las actividades realizadas en SARA se enmarcan en el proyecto de referencia PLEC2024-011247 financiado por MICIU/AEI /10.13039/501100011033 y por FEDER, UE.

SARA tiene como objetivo contribuir al desarrollo de un nuevo ecosistema industrial con capacidad para adquirir el conocimiento colectivo, actualmente disperso entre diferentes personas y agentes de la industria, y estructurarlo según rasgos y atributos fabriles, que permitan mediante la aplicación de IA generativa, su reutilización y explotación en dos ámbitos: mayor autonomía de los sistemas de fabricación y asistencia a las personas en la toma de decisiones críticas.

Solo una arquitectura federada puede asegurar procesos cada vez más desasistidos y rápidos, y asegurar lo producido con una marca de ley que asegure su seguridad.

SARA enfrenta retos tecnológicos clave, como la estructuración de históricos con información relevante sobre fabricabilidad, identificando rasgos y atributos fabriles esenciales y agilizando su adquisición desde sistemas CAD-CAM. También busca recopilar estrategias de proceso, datos de control de máquinas y robots, y métricas de calidad. Además, desarrolla modelos basados en patrones para optimizar procesos y desplegar herramientas autónomas de ajuste y control en producción no seriada. Finalmente, incorpora asistencia empática mediante búsquedas en lenguaje natural, facilitando la reutilización del conocimiento a partir de similitudes en rasgos fabriles.

El Aprendizaje Federado se consolida como una estrategia práctica para la industria 4.0, ya que permite entrenar modelos avanzados sin necesidad de centralizar los datos. De este modo, se protege la información sensible, se aprovecha la diversidad de condiciones operativas entre distintas máquinas y se facilita la colaboración entre centros de producción manteniendo la soberanía del dato. El caso del CFAA ha mostrado cómo es posible implementar un sistema federado para predecir el consumo energético a partir de variables capturadas por el CNC/PLC, adaptando el despliegue según las necesidades de escalabilidad, simulación o privacidad.

Mirando hacia adelante, este enfoque tiene un gran potencial de expansión. Puede aplicarse a mantenimiento predictivo, permitiendo que distintas plantas compartan conocimiento sin exponer sus datos; a control de calidad, integrando en un modelo global la variabilidad de los procesos; e incluso a la creación de redes de fábricas federadas, donde cada instalación contribuye a mejorar el modelo común sin renunciar a la confidencialidad. En definitiva, el Aprendizaje Federado abre la puerta a un control inteligente, distribuido y seguro, alineado con los objetivos de eficiencia, sostenibilidad y competitividad de la industria actual.

Endika Tapia Fernandez. Investigador del Centro de Fabricación Avanzada Aeronáutica

Ingeniero informático en Gestión y Sistemas de Información en la Universidad del País Vasco. Su área principal de investigación es la computación paralela y distribuida, con especial atención a los siguientes temas: computación de alto rendimiento, sistemas de procesamiento de datos escalables y protocolos de comunicación industrial y conectividad.

Leonardo Sastoque Pinilla. Investigador del Centro de Fabricación Avanzada Aeronáutica

Doctor en Ingeniería de proyectos enfocado en el uso de herramientas de Inteligencia Artificial a la gestión de proyectos 4.0, Máster en dirección de proyectos europeos e ingeniero aeronáutico. Está especializado en la gestión y desarrollo de proyectos de transformación digital e implementación de tecnologías 4.0. Cuenta con experiencia en ingeniería de procesos y proyectos, e implementación de sistemas de gestión.

Unai Lopez Novoa. Profesor Agregado en el Departamento de Lenguajes y Sistemas Informáticos de la Universidad del País Vasco

Imparte docencia en el Grado en Ingeniería Informática de Gestión y Sistemas de Información de la Escuela de Ingenería de Bilbao. Su área principal de investigación es la computación paralela y distribuida, con especial interés en sistemas de datos escalables y eficiencia energética.

Izaro Ayesta Rementeria. Coordinadora de proyectos en el CFAA

Doctora en Ingeniería Mecánica por la Universidad del País Vasco y Máster en Ingeniería Mecánica: Diseño y Fabricación. Su principal área de investigación son los procesos de fabricación no convencionales, con un enfoque particular en el sector aeronáutico. Además, desarrolla labores de coordinación de proyectos del centro y colabora en tareas relacionadas con su funcionamiento diario.

Amaia Calleja Ochoa. Profesora Titular de Universidad en la Escuela de Ingeniería de Vitoria-Gasteiz e investigadora en el CFAA

Doctora en Ingeniería Mecánica por la Universidad del País Vasco y Máster en Ingeniería Mecánica: Diseño y Fabricación. Su área de investigación se centra en el mecanizado de superficies complejas y la fabricación aditiva.

Referencias

[1] Zhang, C., Xie, Y., Bai, H., Yu, B., Li, W., & Gao, Y. (2021). A survey on federated learning. Knowledge-Based Systems, 216, 106775. doi:https://doi.org/10.1016/j.knosys.2021.106775.

[2] Li, T., Sahu, A. K., Talwalkar, A., & Smith, V. (2020). Federated learning: Challenges, methods, and future directions. IEEE signal processing magazine, 37(3), 50-60. doi:10.1109/MSP.2020.2975749.

[3] McMahan, B., Moore, E., Ramage, D., Hampson, S., & y Arcas, B. A. (2017, April). Communication-efficient learning of deep networks from decentralized data. In Artificial intelligence and statistics (pp. 1273-1282). PMLR.

[4] Flower. https://flower.ai/. Accedido el 10/09/2025.

[5] TensorFlow Federated. https://www.tensorflow.org/?hl=es. Accedido el 11/09/2025.

[6] PySyft. https://docs.openmined.org/en/latest/components/intro.html. Accedido el 11/09/2025.

[7] CFAA. https://cfaa.eus/. Accedido el 12/09/2025.

[8] Ibarmia THR 16. https://www.ibarmia.com/en/machining-centres/t-series/t-multiprocess/. Accedido el 12/09/2025.