De la máquina automática a la fábrica inteligente

La industria de la fabricación está viviendo una profunda transformación impulsada por la digitalización, la inteligencia artificial y la necesidad de disponer de sistemas productivos más flexibles, eficientes y adaptables. En sectores de alto valor añadido como el aeronáutico, donde conviven componentes de elevada complejidad, materiales avanzados y exigentes requisitos de calidad y trazabilidad, la evolución hacia fábricas más inteligentes se ha convertido en una necesidad estratégica.

Durante las últimas décadas, la automatización industrial ha permitido alcanzar elevados niveles de productividad y precisión. Las máquinas herramienta, los sistemas robotizados y los controles numéricos actuales son capaces de ejecutar operaciones cada vez más complejas con gran repetibilidad. Sin embargo, estos sistemas siguen dependiendo en gran medida de una programación previa y de la experiencia de especialistas para responder ante situaciones cambiantes: nuevos diseños, variaciones del proceso, desgaste de herramientas, desviaciones geométricas o cambios en la planificación productiva. El siguiente salto tecnológico consiste en evolucionar desde sistemas automatizados hacia sistemas capaces de adquirir conocimiento, interpretar información del proceso y tomar decisiones apoyadas en datos. Esta transición hacia la autonomía industrial requiere combinar diferentes tecnologías: inteligencia artificial, monitorización avanzada, robótica flexible, análisis distribuido de datos y sistemas que garanticen la confianza y trazabilidad de la información generada.

En este contexto surge el proyecto SARA (Convocatoria TRANSMISIONES 2024, CDTI y AEI), una iniciativa de investigación y desarrollo orientada a avanzar hacia una nueva generación de sistemas de fabricación autónomos para entornos industriales avanzados. El proyecto plantea una visión global de la fábrica del futuro: una fábrica donde los datos generados durante la producción puedan convertirse en conocimiento útil, donde los procesos puedan adaptarse a las condiciones reales de fabricación y donde las decisiones industriales estén apoyadas por sistemas inteligentes.

SARA (Arquitectura federada de gestión de procesos en sistemas de fabricación de evento discreto) es un proyecto de investigación industrial colaborativa cuyo objetivo principal es desarrollar una arquitectura tecnológica que permita avanzar hacia sistemas de fabricación más autónomos, inteligentes y conectados. El proyecto se centra en la creación de herramientas capaces de capturar, estructurar y reutilizar el conocimiento industrial generado durante los procesos de fabricación, combinándolo con tecnologías digitales avanzadas como la inteligencia artificial, los sistemas distribuidos, la monitorización inteligente y las tecnologías de confianza.

La finalidad última es superar uno de los principales retos actuales de la industria: transformar la gran cantidad de información generada por máquinas, sensores y sistemas productivos en conocimiento accionable que permita mejorar la toma de decisiones y aumentar la autonomía de los procesos.

Para alcanzar este objetivo, SARA se desarrolla mediante una agrupación empresarial y una agrupación de organismos de investigación (Figura 1). El consorcio empresarial está liderado por Fagor Automation, especializada en sistemas de automatización y control industrial, y cuenta con la participación de SmartPM, ATS Global Group, Ibarmia, MMAEN-Aldakin, Denn, Inmapa y Grupo Sevilla Control, aportando capacidades complementarias en automatización inteligente, digitalización industrial, máquina herramienta, robótica, conformado de metales, fabricación de componentes y mecanizado aeronáutico.

La agrupación de organismos de investigación está formada por la Universidad del País Vasco (EHU), a través del Centro de Fabricación Avanzada Aeronáutica (CFAA), la Universitat Politècnica de Catalunya (UPC) mediante el CIM, Ideko y BCAM. Estos centros aportan conocimiento especializado en fabricación avanzada, automatización, gestión de producción, inteligencia artificial y matemáticas aplicadas, permitiendo el desarrollo y validación de las nuevas tecnologías necesarias para avanzar hacia sistemas de fabricación más autónomos.

La diversidad del consorcio permite abordar la autonomía industrial desde diferentes perspectivas, integrando capacidades complementarias que van desde el diseño del proceso hasta la gestión global de la fábrica.

El proyecto se estructura alrededor de cinco demostradores industriales que permiten validar las tecnologías desarrolladas en escenarios reales:

• Demostrador 1: autonomía-asistencia en la definición de nuevos procesos. Orientado a la generación inteligente de procesos de fabricación mediante la reutilización del conocimiento industrial y herramientas basadas en inteligencia artificial.
• Demostrador 2: asistencia para el ajuste de parámetros de proceso en máquina y definición de monitorización. Centrado en conseguir procesos más adaptativos mediante la supervisión avanzada y la asistencia inteligente durante la fabricación.
• Demostrador 3: autonomía para mantenimiento predictivo de componentes máquina. Dirigido a anticipar fallos y mejorar la disponibilidad de los equipos mediante modelos avanzados de análisis de datos.
• Demostrador 4: autonomía en fabricación con robots. Enfocado en dotar a los sistemas robotizados de mayor capacidad de adaptación mediante percepción, generación de trayectorias inteligentes y control avanzado.
• Demostrador 5: autonomía para la planificación de una planta flexible. Orientado a optimizar la gestión de la producción en entornos dinámicos mediante algoritmos avanzados y tecnologías de confianza.

A través de estos demostradores, SARA aborda la autonomía desde una perspectiva integral: desde cómo se define un proceso, hasta cómo se ejecuta, supervisa, mantiene y planifica dentro de una fábrica flexible.

Dentro del proyecto SARA, el CFAA contribuye al desarrollo de tecnologías orientadas a incrementar la autonomía de los sistemas de fabricación trabajando en tres de estos cinco demostradores. La primera línea de trabajo se centra en la aplicación de aprendizaje federado para la monitorización inteligente de procesos en máquina, incluyendo la predicción de vida remanente de herramienta y la supervisión del estado de la taladrina. La segunda aborda la fabricación robotizada autónoma, mediante el desarrollo de sistemas de generación adaptativa de trayectorias para operaciones de rebabado. Finalmente, la tercera línea se orienta a la trazabilidad y confianza del dato industrial, mediante la aplicación de tecnologías Blockchain en entornos de fabricación flexible.

Dentro de esta línea de trabajo, el CFAA está desarrollando el sistema experimental ‘Matabichos’, una solución orientada a transformar la gestión tradicional de la taladrina en un sistema inteligente basado en monitorización continua, tratamiento físico y generación de conocimiento a partir de datos del proceso.

La taladrina desempeña un papel esencial en los procesos de mecanizado, ya que refrigera y lubrica la zona de corte, facilita la evacuación de la viruta y contribuye a la estabilidad del proceso y a la calidad final de las piezas. Sin embargo, al tratarse de un fluido recirculado con un elevado contenido en agua, su estado se degrada progresivamente debido a la contaminación por partículas, aceites y, especialmente, por la proliferación de microorganismos. Esta degradación reduce sus prestaciones y puede afectar tanto a la calidad del mecanizado como a la vida útil de las herramientas y a las condiciones de trabajo de los operarios (Figura 2).

Actualmente, muchas decisiones relacionadas con el mantenimiento del fluido se basan en controles periódicos o en la experiencia del operario. Aunque estos métodos permiten mantener el proceso bajo control, no aprovechan todo el potencial de los datos generados durante la fabricación. El objetivo del CFAA es avanzar hacia un modelo donde la taladrina pueda ser monitorizada de forma continua, interpretada mediante modelos inteligentes y gestionada de forma más autónoma. En este contexto, Matabichos se plantea como una plataforma experimental que combina adquisición de datos, tratamiento del fluido e inteligencia artificial, generando una base de conocimiento del comportamiento de la taladrina durante su ciclo de vida.

Esta información constituye un elemento clave dentro de la arquitectura de aprendizaje federado desarrollada en el demostrador 2, ya que permite entrenar modelos capaces de identificar patrones de degradación y anticipar necesidades de actuación manteniendo los datos en su entorno de origen. La incorporación del aprendizaje federado permite plantear un escenario futuro donde diferentes máquinas o instalaciones puedan aprender conjuntamente de la evolución de sus fluidos de corte, compartiendo únicamente el conocimiento extraído de los datos y no la información industrial sensible. De esta forma, la experiencia acumulada por diferentes sistemas productivos puede contribuir a mejorar los modelos predictivos sin necesidad de centralizar todos los datos.

Para ello, el Matabichos integra dos capacidades complementarias:

• Un sistema de tratamiento físico del fluido, basado en radiación ultravioleta UV-C y generación de burbujas de aire comprimido.
• Una plataforma de monitorización inteligente, capaz de capturar continuamente variables representativas del estado de la taladrina.

La combinación de ambas tecnologías permite evolucionar desde un mantenimiento reactivo hacia un sistema donde la decisión de actuar pueda estar basada en información objetiva del estado real del proceso.

1.1. Avances

Para materializar esta propuesta, el CFAA ha avanzado en el diseño técnico y la validación experimental de ambos módulos (tratamiento y monitorización), logrando resultados significativos en la mitigación de la carga biológica.

En lo que respecta al sistema de tratamiento físico del fluido, la radiación UV-C actúa como mecanismo de desinfección al dañar el material genético de los microorganismos e impedir su reproducción. Para maximizar su eficacia y facilitar el mantenimiento del sistema, las lámparas se sitúan sobre la superficie del depósito, evitando el contacto directo con la emulsión y reduciendo así el ensuciamiento de las fuentes de radiación. Dado que la taladrina es una emulsión opaca y la penetración de la radiación se limita a los primeros centímetros del fluido, el sistema incorpora un segundo elemento basado en difusores de aire comprimido instalados en el fondo del depósito (ver figura 3). Las burbujas generadas favorecen la oxigenación del fluido, dificultan el desarrollo de microorganismos anaerobios y, además, producen una recirculación continua que renueva la capa superficial de taladrina expuesta a la radiación UV-C, permitiendo que todo el volumen reciba tratamiento de forma progresiva.

De forma complementaria, se ha desarrollado una plataforma propia de monitorización basada en un microcontrolador ESP32, diseñada para registrar de forma continua los principales parámetros que caracterizan el estado de la taladrina. El sistema integra sensores de pH, turbidez, conductividad eléctrica, temperatura del fluido y temperatura y humedad ambiente, proporcionando información sobre la evolución físico-química y microbiológica del fluido. Para garantizar la fiabilidad de las medidas se realizó un proceso de calibración individual de todos los sensores utilizando patrones de referencia, convirtiendo el sistema en una herramienta capaz de generar datos consistentes para el seguimiento del proceso.

La validación experimental del sistema se ha llevado a cabo mediante ensayos comparativos utilizando dos depósitos de 25 litros preparados en condiciones equivalentes, uno equipado con el sistema Matabichos y otro utilizado como referencia (Figura 4). Durante las pruebas se ha observado una clara diferencia en la evolución de ambos fluidos: mientras que en el depósito sin tratamiento aumentaba progresivamente la presencia de contaminación superficial, en el depósito tratado esta disminuía hasta prácticamente desaparecer. Los análisis microbiológicos confirmaron esta tendencia, obteniéndose una reducción muy significativa de la carga bacteriana y de la presencia de Pseudomonas en el depósito tratado.

Paralelamente, se ha validado el sistema de monitorización mediante una campaña de adquisición de datos durante un mes en condiciones reales de operación. Los resultados muestran la capacidad del sistema para registrar de forma continua la evolución de variables como la turbidez, la conductividad, el pH y la temperatura, detectando pequeñas variaciones coherentes con el comportamiento esperado de una taladrina en servicio. Estos primeros resultados confirman tanto la eficacia del sistema de tratamiento como la viabilidad de la plataforma de monitorización desarrollada.

1.2. Trabajo en curso

Tras la validación inicial del concepto, el trabajo actual se centra en trasladar el sistema a condiciones más representativas del entorno industrial. Para ello, se están realizando nuevos ensayos utilizando dos depósitos de 500 litros, uno equipado con el sistema Matabichos y otro empleado como referencia, ambos conectados a la plataforma de monitorización desarrollada en el proyecto. Esta nueva fase permitirá evaluar el comportamiento del sistema en volúmenes de fluido similares a los utilizados en la industria y cuantificar su impacto sobre la evolución físico-química y microbiológica de la taladrina.

De forma paralela, se continúa trabajando en la explotación de los datos adquiridos para desarrollar estrategias de mantenimiento inteligente. El objetivo es construir una base de conocimiento que permita identificar patrones de degradación, definir umbrales de actuación y optimizar los ciclos de tratamiento en función del estado real del fluido. En el marco del proyecto SARA, esta información se integrará en la arquitectura de aprendizaje federado, permitiendo que diferentes máquinas puedan compartir el conocimiento extraído de sus datos sin necesidad de centralizar la información industrial. De este modo, el Matabichos evoluciona desde un sistema de tratamiento y monitorización hacia una solución capaz de apoyar decisiones autónomas sobre el mantenimiento de la taladrina, mejorando la sostenibilidad, la eficiencia y la disponibilidad de los procesos de mecanizado.

El rebabado automatizado en células robotizadas se ha consolidado como una solución transformadora en los procesos de acabado, al ofrecer independencia del operario, mejorar la calidad del producto y reducción de los costos de producción. Para ello, el seguimiento de contornos es clave, especialmente en piezas de alto valor añadido, ya que garantiza el contacto de la herramienta de corte y la obtención de chaflanes dentro de tolerancias estrechas. Un desafío persistente es la variabilidad de las piezas, incluyendo deformaciones y rebabas. Los métodos actuales de posicionamiento mediante sondas no consideran la morfología de la rebaba, mientras que los sistemas ópticos suelen requerir escáneres costosos y generar nubes de puntos que consumen mucho tiempo.

Este demostrador presenta un enfoque innovador de visión artificial para el rebabado adaptativo de aristas y bordes funcionales. A través del procesamiento de señales de desviación de contorno detectadas en imágenes simples, el método propuesto genera trayectorias de herramienta adaptadas en tiempo real a las condiciones reales de la pieza. La principal aportación radica en su capacidad para detectar rápidamente bordes y rebabas, ajustando dinámicamente las trayectorias y condiciones de mecanizado según sus dimensiones. Esto permite dirigir la herramienta de corte con precisión donde realmente se necesita.

Como resultado, se mejora la programación NC estándar incorporando dos subprogramas nuevos: uno para la eliminación primaria de rebabas y otro para el chaflanado uniforme de bordes deformados. La metodología desarrollada puede aplicarse fácilmente en diversos entornos industriales, ofreciendo una forma rápida y eficiente de mejorar el chaflanado de piezas con contornos variables. Esta investigación no solo proporciona una solución práctica para el desbarbado robótico, sino que también contribuye al avance de los sistemas de fabricación adaptativos.

2.1 Avances

El procesamiento de imágenes permite identificar de forma rápida y precisa los límites del contorno de las piezas, cuya información se emplea para adaptar automáticamente los movimientos del robot de acuerdo a las características de cada tipo de pieza.

Para ello, el proceso (Figura 5) incluye las etapas de calibrado, adquisición de la foto de la pieza, segmentación pieza–fondo, y detección del contorno empleando una geometría nominal como plantilla. Posteriormente se aplica operaciones morfológicas para filtrar rebabas grandes, un escalado en mm/px según las dimensiones del agujero y un suavizado final de la geometría del contorno, que actuará como guía para los movimientos actualizados del robot. La idea es que el sistema sea capaz de corregir desviaciones de ±1 mm y adaptar las trayectorias de la herramienta a las condiciones reales de la pieza. Se utilizarán señales de desviación del contorno detectadas en imágenes simples para ajustar dinámicamente el mecanizado. La principal aportación es la capacidad de detectar rápidamente aristas y rebabas y generar trayectorias óptimas en función de su tamaño y forma. La validación se realizará, primero mediante la utilización de patrones calibrados, y segundo, diseñando y fabricando una pieza test representativa que servirá de demostrador de la tecnología.

Para llegar a este objetivo, se ha realizado un análisis de los sistemas de adquisición idóneos para esta aplicación, así como la selección de los criterios y medios de procesamiento de datos para generar trayectorias robóticas. Entre los analizados, se descartan las siguientes tecnologías: i) palpado, debido a sus elevados tiempos de proceso y además por la incapacidad de utilizarlo en materiales blandos o elásticos; ii) luz estructurada, debido a su elevada sensibilidad a brillos y dependencia de la iluminación ambiental (Figura 6) y iii) láser, se descarta porque los perfilómetros 2D no son suficientes y los 3D son económicamente poco eficientes.

Por todo ello, se ha seleccionado el procesamiento de imágenes con cámara fotográfica (Figura 7). Los principales motivos son los siguientes: Se trata de una tecnología rápida y económica (posibilidad de usar una cámara convencional); además la precisión entra dentro de los rangos definidos y es idóneo para esta aplicación ya que son aristas en superficies planas. La viabilidad de esta tecnología se ha puesto a prueba en un montaje preliminar, usando como pieza una cala patrón cerámica de clase 0 y 100 mm de longitud y el agujero calibrado (50,8 mm) de un bloque IIW-Type1.

La prueba consiste en realizar una fotografía con la cámara, de 24 megapíxeles en este caso, a una distancia de separación de 420 mm (considerablemente superior a la distancia focal, para reducir el efecto de distorsiones de perspectiva). Posteriormente, la resolución inicial de esta imagen se reduce mediante herramientas de edición, para generar versiones con menor cantidad de píxeles y estudiar su impacto a la hora de tratar de medir la longitud de la cala. Como resultado, esta tecnología ha demostrado ser capaz de obtener un factor de escala inferior a la décima de milímetro, siendo necesario disponer de al menos 5 megapíxeles en la dirección de medición.

En una siguiente fase se ha definido el flujo de trabajo de los datos necesarios. En concreto, los metadatos de la imagen RAW que se obtenga de la cámara, se almacenaran y procesaran en un ciclo de posprocesado hasta conseguir aislar el contorno objetivo. Los pasos de procesamiento de datos seguirán el siguiente flujo: i) calibración: se obtendrán datos característicos de las distorsiones ópticas y se usarán para generar una imagen representativa libre de imperfecciones; ii) segmentación: se procesarán las imágenes para definir los límites de los contornos, binarizando la imagen al agrupar píxeles según su pertenencia al fondo de la imagen o a las distintas piezas detectadas; iii) detección: de entre todos los contornos identificados, se identificará el correspondiente a la pieza de trabajo por medio de una comparativa con una plantilla con el diseño nominal a modo de referencia; y iv) escalado: se realizará la conversión de píxeles a milímetros usando como referencia una geometría conocida identificada en la imagen.

En el proceso de calibración, se tomarán 10 fotografías diferentes de un panel con patrones conocidos (un panel de ajedrez mismamente) (Figura 8), detectando las esquinas de sus cuadrados para calcular los coeficientes de distorsión a partir de la matriz de calibración.

Para la segmentación, se estudiarán diferentes algoritmos de identificación de contornos y técnicas de filtrado hasta dar con los parámetros óptimos que permitan disponer de un contorno cerrado completado de la pieza objetivo.

En cuanto a la detección automática, se establecerán las reglas para la comparativa entre los múltiples contornos detectados originalmente, de forma que se permita obtener el contorno necesario (Figura 9) en cada caso (para el escalado y para los límites de la superficie de la pieza).

Con respecto al escalado, las pruebas preliminares realizadas con la cala patrón ya han dado muestras de su importancia en términos de precisión. Al reducir el tamaño de la imagen, las intensidades de los píxeles originales se promedian sobre el área correspondiente a cada nuevo píxel. Como el nivel de intensidad de luz de estos píxeles determina su segmentación como parte de la pieza o fondo de la imagen, el nuevo valor de intensidad afecta directamente al resultado de la medición. Esta variación explica la dispersión observada en los resultados al cambiar el tamaño de la imagen. Así, por cada píxel que queda fuera de los límites de la cala patrón, se introduce un error proporcional al factor de escala utilizado.

2.2. Trabajo en curso

Tras la validación inicial de la metodología, el trabajo actual se centra en consolidar la capacidad del sistema para generar trayectorias de rebabado de forma cada vez más autónoma. Para ello, se continúa desarrollando una metodología de análisis basada en la combinación de diferentes algoritmos de procesamiento de imagen y criterios de decisión, con el objetivo de identificar de forma robusta las desviaciones geométricas de la pieza y seleccionar la estrategia de mecanizado más adecuada en cada caso.

Paralelamente, se están desarrollando herramientas de programación autónoma que permitan actuar on-line sobre el proceso, generando automáticamente programas NC adaptados a las condiciones reales detectadas en la pieza. El objetivo es que el robot pueda modificar sus trayectorias de trabajo en función de la geometría medida, reduciendo la necesidad de programación manual y aumentando la flexibilidad del sistema frente a la variabilidad propia de los procesos de fabricación.

Finalmente, se trabaja en la integración de todas estas capacidades dentro del demostrador industrial del proyecto, utilizando una pieza representativa como caso de estudio. Esta fase permitirá validar el comportamiento del sistema en un entorno de fabricación real y evaluar su capacidad para mejorar la precisión, la repetibilidad y la autonomía de las operaciones robotizadas de rebabado.

La evolución hacia una fabricación cada vez más autónoma no solo exige disponer de grandes volúmenes de datos industriales, sino también garantizar que esos datos sean fiables, trazables y verificables. Las máquinas herramienta, los sensores y los sistemas de monitorización generan continuamente información que sirve para supervisar procesos, entrenar modelos de inteligencia artificial y apoyar la toma de decisiones. Sin embargo, para que estos datos puedan compartirse entre diferentes sistemas, empresas o plantas de producción es necesario asegurar su origen, su integridad y su contexto.

En este escenario, el CFAA trabaja en el desarrollo de una arquitectura basada en tecnologías Blockchain e identidad digital que permita incorporar una capa de confianza sobre los sistemas actuales de adquisición de datos. El objetivo no es sustituir las plataformas de monitorización existentes, sino complementarlas con mecanismos que certifiquen la procedencia de la información y permitan verificar que los datos utilizados por los sistemas inteligentes no han sido alterados. De esta forma, la trazabilidad se convierte en un elemento clave para avanzar hacia ecosistemas industriales más seguros, colaborativos y preparados para el intercambio de información.

3.1. Avances

Durante el proyecto se ha desarrollado una arquitectura de certificación del dato industrial integrada en el flujo habitual de adquisición de información del CFAA (Figura 10). La solución incorpora mecanismos de identidad digital para asociar cada conjunto de datos a una fuente concreta —como una máquina, un proceso o un sistema de adquisición—, permitiendo conocer el origen de la información y garantizar su autenticidad durante todo su ciclo de vida.

La arquitectura desarrollada combina identificadores descentralizados (DID), credenciales verificables y una red Blockchain privada basada en Hyperledger Fabric. Los datos generados por las máquinas se estructuran en credenciales digitales firmadas, que posteriormente se almacenan en el data lake del CFAA. En lugar de registrar toda la información en la cadena de bloques, se calcula una huella criptográfica (hash SHA-256) de cada credencial y únicamente esta evidencia se almacena en Blockchain. Este enfoque permite verificar posteriormente que los datos no han sido modificados, manteniendo al mismo tiempo la eficiencia del sistema y evitando almacenar grandes volúmenes de información en la red distribuida.

La solución distingue además entre distintos tipos de información industrial, permitiendo certificar tanto datos brutos procedentes de las máquinas como información procesada generada por algoritmos de monitorización o supervisión. De este modo, es posible mantener una trazabilidad completa desde la adquisición inicial hasta la generación de indicadores o eventos utilizados por sistemas inteligentes.

La validación de la solución Blockchain se ha realizado sobre la Ibarmia THR 16 (Figura 11). Se ha seleccionado el fresado como proceso de referencia por su duración y por la presencia de múltiples programas dentro de un mismo ciclo de mecanizado, lo que genera un flujo de datos continuo y adecuado para evaluar trazabilidad. La arquitectura Blockchain se ha desplegado con dos máquinas virtuales, dos organizaciones, un canal común y un ledger compartido. Las funciones de registro se han implementado mediante chaincodes, encargados de almacenar y recuperar hashes asociados a credenciales firmadas.

El análisis de rendimiento muestra que el proceso de certificación introduce una sobrecarga reducida. Para un archivo CSV de 2 MB (Figura 12), tamaño representativo de los ensayos realizados con datos reales de mecanizado, la generación y firma de la credencial verificable tomó aproximadamente 2,29 s, el cálculo del hash SHA-256 tomó 2,6 ms y la escritura del hash en Blockchain mediante la función Create Record tomó 94,8 ms. El tiempo total desde la disponibilidad del CSV hasta el almacenamiento del hash en Blockchain ha sido de aproximadamente 2,388 s.

Los ensayos realizados han demostrado que la incorporación de mecanismos de identidad digital y certificación introduce una sobrecarga temporal reducida, compatible con los flujos habituales de adquisición de datos industriales. Estos resultados confirman la viabilidad de utilizar Blockchain como una capa adicional de confianza sobre infraestructuras existentes, sin modificar el funcionamiento de los sistemas de monitorización ya implantados.

3.2. Trabajo en curso

Tras la validación inicial de la arquitectura, el trabajo actual se centra en ampliar la solución hacia escenarios industriales de mayor complejidad, incorporando nuevas máquinas, células de fabricación y fuentes de datos. Esta evolución permitirá evaluar el comportamiento del sistema en entornos distribuidos y consolidar una infraestructura de confianza capaz de acompañar el crecimiento de la digitalización industrial.

Paralelamente, se está trabajando en la extensión de la arquitectura hacia entornos colaborativos en los que diferentes organizaciones puedan intercambiar información de forma segura mediante identidades digitales y credenciales verificables. El objetivo es facilitar la interoperabilidad entre fabricantes, proveedores y clientes sin perder el control sobre los datos industriales. A medio plazo, esta infraestructura podrá integrarse con otras tecnologías desarrolladas en el proyecto SARA, como el aprendizaje federado y la inteligencia artificial, proporcionando la confianza necesaria para que los modelos inteligentes aprendan y tomen decisiones apoyándose en información cuya procedencia e integridad estén garantizadas.

La autonomía en la fabricación no depende de una única tecnología, sino de la integración de múltiples capacidades que permitan a las máquinas comprender su entorno, aprender de la experiencia y actuar de forma cada vez más inteligente. El proyecto SARA aborda este reto desde una perspectiva global, combinando inteligencia artificial, aprendizaje federado, visión artificial, robótica, monitorización avanzada y tecnologías de confianza para transformar los datos generados durante la fabricación en conocimiento útil para la toma de decisiones.

Las tres líneas de investigación desarrolladas por el CFAA reflejan esta visión complementaria de la fábrica del futuro. La monitorización inteligente de la taladrina demuestra cómo un proceso tradicional de mantenimiento puede evolucionar hacia un sistema basado en datos y aprendizaje distribuido; el desarrollo de herramientas de visión artificial para el rebabado robotizado acerca los sistemas de fabricación a una mayor capacidad de adaptación frente a la variabilidad de las piezas; y la incorporación de Blockchain e identidad digital proporciona la confianza necesaria para que los datos utilizados por estos sistemas inteligentes sean seguros, verificables y trazables.

Aunque los desarrollos se encuentran todavía en evolución, los resultados obtenidos hasta el momento validan la viabilidad de las tecnologías propuestas y establecen una base sólida para continuar avanzando hacia entornos de fabricación más autónomos, conectados y eficientes. En este contexto, SARA representa un paso significativo hacia una nueva generación de fábricas capaces no solo de automatizar procesos, sino también de aprender, colaborar y tomar decisiones apoyadas en información fiable, contribuyendo a reforzar la competitividad de la industria aeronáutica y de la fabricación avanzada en su conjunto.