En el futuro, los modelos de caja gris permitirán detectar cualquier signo de desgaste o manipulación en los sistemas electrónicos en una fase temprana, antes de que se produzca un fallo. El nuevo proceso se está desarrollando y probando por primera vez con el ejemplo de aplicaciones críticas para la seguridad en los sectores del automóvil y el ferrocarril. Sin embargo, el principio básico también puede trasladarse a muchos otros ámbitos de aplicación.
En el futuro, los modelos de caja gris permitirán detectar cualquier signo de desgaste o manipulación en los sistemas electrónicos en una fase temprana, antes de que se produzca un fallo real. El nuevo método se está desarrollando y probando por primera vez con el ejemplo de aplicaciones críticas para la seguridad en los sectores automovilístico y ferroviario. Sin embargo, el principio básico también puede trasladarse a muchos otros ámbitos de aplicación.
Introducción
La fiabilidad ha sido siempre uno de los criterios más importantes en la tecnología automovilística y ferroviaria, especialmente con el aumento de la complejidad de los sistemas que implican varios subsistemas físicos. Esta elevada complejidad favorece la vulnerabilidad del proceso de diseño a los fallos, que se consideran una amenaza importante para los sistemas fiables. El fallo de un solo componente o subsistema puede tener consecuencias catastróficas. Además, el largo proceso de desarrollo, que requiere muchas iteraciones, y los costes asociados son limitaciones importantes a la hora de describir sistemas dinámicos complejos. Por ello, la modelización y la simulación cobran cada vez más importancia a la hora de aplicar enfoques de previsión para estimar la degradación y el fin de la vida útil.
Los enfoques de previsión basados en modelos se fundamentan en modelos físicos que describen las relaciones entre las cargas externas, el comportamiento del sistema y los componentes. Estos modelos deben tener en cuenta los distintos procesos de daño que se producen simultáneamente en un componente. Cada uno de estos procesos de daño y desgaste contribuye a la degradación global del sistema. Además, los enfoques de predicción basados en modelos utilizan conocimientos específicos del dominio sobre un sistema, sus componentes y las causas o modos de fallo mediante el uso de modelos basados en la física que capturan los fenómenos físicos subyacentes.
Un término cada vez más importante en el campo de la simulación de sistemas físicos es el concepto de "gemelo digital". Se trata de un método de representación y modelización digital que puede utilizarse para ampliar y mejorar el ciclo de vida de sistemas y procesos electrónicos complejos. La tecnología de gemelos digitales se ha convertido en un importante campo de investigación en todo el mundo. Los gemelos digitales también pueden utilizarse para controlar la fatiga, las anomalías, las deformaciones y el comportamiento de fiabilidad de los sistemas sometidos a cargas externas mediante la creación de una huella digital que responda de forma proactiva al desgaste relacionado con la edad y a los cambios críticos para la seguridad. La modelización de un gemelo digital requiere una comprensión exhaustiva de todo el sistema y el uso de modelos compuestos dinámicamente que consten de modelos de componentes individuales. La modelización también debe realizarse con un nivel de detalle adecuado para obtener una representación precisa de los gemelos digitales y unos resultados de simulación fiables. Otro factor a tener en cuenta es que el proceso de creación de gemelos digitales se somete a un proceso continuo de optimización para alcanzar diferentes etapas de desarrollo y reducir el nivel de riesgo. Al mismo tiempo, el comportamiento del sistema sobre el terreno y los resultados de la simulación pueden analizarse y utilizarse para comprobar y mejorar tanto el modelo virtual como el sistema real.
Para vincular y simular los submodelos del gemelo digital, es esencial utilizar varias herramientas especializadas en modelización en las respectivas disciplinas, debido a los diversos ámbitos de aplicación y al gran número de tareas de desarrollo diferentes. La integración de distintas herramientas en un entorno de simulación común puede plantear problemas de compatibilidad de datos y conexión de software. Por ello, la norma Functional Mock-up Interface (FMI) constituye una base sólida para este problema y es bien conocida en el sector de la automoción.
Como parte del proyecto financiado con fondos públicos SesiM (autovalidación de sistemas electrónicos complejos en aplicaciones de movilidad críticas para la seguridad basada en modelos de caja gris), el Instituto Fraunhofer de Fiabilidad y Microintegración (IZM) está desarrollando enfoques para la modelización de sistemas multidominio con el fin de evaluar el comportamiento de degradación del sistema sobre el terreno bajo cargas externas. Los enfoques incluyen un enfoque de modelado multidominio basado en perfiles de misión para evaluar sistemas electrónicos y su comportamiento de degradación. Este enfoque se utiliza para implementar gemelos digitales mediante la creación de Functional Mock-up Units (FMUs) de los dominios individuales a partir de diferentes herramientas de simulación utilizando la caja de herramientas FMI, que pueden acoplarse y simularse dentro de una plataforma de simulación de gemelos digitales (como Modelica, Matlab/Simulink o Ansys Twin Builder) basándose únicamente en sus parámetros de entrada y salida y sin dependencia de su estructura interna, comparable a una caja negra(Fig. 1).
Fig. 1: Representación gráfica para la creación de gemelos digitales para sistemas multidominio con FMI
concepto
El concepto de simulación multidominio utiliza un circuito puente rectificador para la demostración, en el que la temperatura de unión se considera como el principal factor de estrés que conduce a la degradación térmica del paquete puente rectificador, así como de la tecnología de montaje y conexión. En este contexto, el comportamiento de la temperatura de unión se determina sometiendo el circuito a un perfil de aplicación expuesto a tensiones térmicas y eléctricas externas. A continuación, la información procedente del perfil de aplicación se introduce en el modelo FMU generado a partir de Modelica con el fin de realizar estudios paramétricos. Además, la simulación se realiza en Python y se automatiza utilizando la librería de Python para simular modelos FMU, FMPy(Fig. 2).
Fig. 2: Flujo de trabajo de la misión Cálculo basado en perfiles de temperatura de unión del puente rectificador
Este enfoque tiene como objetivo crear un gemelo digital que reaccione de forma proactiva a los cambios o anomalías relacionados con la edad en el comportamiento del sistema electrónico.
En el método demostrado aplicado al circuito de ejemplo, se utilizaron las siguientes técnicas:
- Derivación de los posibles perfiles de uso de la temperatura ambiente a los que puede estar expuesto el puente rectificador durante su funcionamiento para aplicaciones de automoción.
- Modelización multidominio del comportamiento del puente rectificador utilizando la norma FMI, considerando el puente rectificador como una caja negra.
- Co-simulación del perfil de temperatura de unión del puente rectificador en Python utilizando el modelo FMU generado a partir de la implementación en Modelica del modelo de comportamiento eléctrico y térmico.
- Realización de estudios paramétricos automatizados y eficientes en el tiempo bajo variación de la temperatura ambiente pero bajo carga eléctrica constante en Python
El modelado de comportamiento multidominio con el estándar FMI ha demostrado ser capaz de acoplar y simular diferentes dominios físicos, concretamente los dominios térmico y eléctrico, en un entorno de código abierto. La metodología también fue capaz de realizar estudios paramétricos, automatizados y eficientes en el tiempo, guardando los resultados en formato *.csv.
Se realizó una prueba de paso de temperatura de -40 °C a 150 °C para validar la temperatura de unión simulada del puente rectificador a distintas temperaturas ambiente y cargas eléctricas. Los resultados de la simulación muestran una buena correlación con los resultados de las pruebas(Fig. 3). Además, en futuros trabajos se llevarán a cabo ensayos de ciclos pasivos de temperatura para determinar si las curvas características del diodo pueden considerarse parámetros válidos sensibles a daños o degradación.
Fig. 3: Resultados de ensayo y simulación de las temperaturas de unión del puente rectificador a 20 °C en el estado inicial
Conclusión
En general, la metodología de gemelos digitales basada en la simulación propuesta puede adaptarse a diversos mecanismos de fallo de diferentes niveles de complejidad del sistema. Estas técnicas son útiles para proporcionar datos de entrada a sistemas analíticos que apoyan el mantenimiento predictivo de subsistemas críticos, especialmente en condiciones anormales de funcionamiento o manipulación.
El enfoque presentado puede aplicarse a sistemas más complejos en los que sea necesario acoplar más de dos dominios, por ejemplo el termomecánico y el eléctrico, para acoplar diferentes herramientas de software o modelos de simulación y crear un gemelo digital completo del sistema físico. Existen varios métodos para acoplar diferentes modelos de simulación o software con un mayor grado de complejidad, especialmente si el comportamiento del sistema debe describirse teniendo en cuenta más de un mecanismo de fallo o dominios físicos. Los métodos de reducción del orden de los modelos o de modelización de metadatos, por ejemplo, pueden aplicarse a modelos MEF que proporcionan una representación precisa de cómo influyen determinados dominios en la degradación de distintos materiales. Estos modelos pueden exportarse como modelos MEF e importarse a una plataforma de simulación de circuitos orientada a objetos y acoplarse a otros dominios diferentes para la supervisión virtual del estado del comportamiento del sistema durante su funcionamiento.
La transferencia de datos entre los modelos puede controlarse mediante la aplicación de un algoritmo maestro-esclavo, lo que da lugar a una simulación eficaz y menos lenta. Con una mayor complejidad del sistema, la transferencia de datos entre los modelos FMU también debe considerarse de forma intensiva mediante el intercambio de modelos o la co-simulación.
Bibliografía
[1] Goedecke, A.; Muehlbauer, M.; Nieverler, J.; Vittorias, I.; Vontz, T.: FEM models in System Simulations using Model Order Reduction and Functional Mock up Interface, 9ª Conferencia Internacional Modelica (2012) 565-570.
[2] Kopp, M.;Hofmann, D.; Bertsche, B.; Hess, C.; Fritz, O.: Early reliability estimation in automotive industry, Conferencia internacional sobre diseño de ingeniería, (2011) 15-18.
[3] Hentze, J.; Thorben, K.; Iris, G.; Walter, S.: Integrated modelling of behaviour and reliability in system development, 21.ª Conferencia Internacional sobre Diseño de Ingeniería, (2017).
[4] Tsui, K.L. et al: Prognostics and health management: a review on data driven approaches, Math. Problems Eng, (2015), 1-17.
[5] Dobs, T.; Elsotohy, M.; Jaeschke, J.; Sehr, F.; Strogies, J.; Wilke, K.: Multi domain system level modeling approach for assessment of degradation behaviour under thermal and thermo-mechanical stress, Microelectronics Reliability, (2022).
[6] Elmqvist, H.; Matsson, S.E.; Otter, M.: Object-Oriented and Hybrid Modeling in Modelica, Journal Européen des systèmes automatisés, (2001).
[7] Daigle, M J.; Goebel, K.: Model-based prognostics with concurrent damage progression processes, IEEE Trans. Syst., Man, Cybern.: Syst. 43 (3) (2013), 535-546, https://doi.org/10.1109/TSMCA.2012.2207109.
[8] Piromalis, M.; Kantaros, A.: Digital Twins in the Automotive Industry: The Road toward Physical-Digital Convergence, (2022).
[9] Groemer M. et, al: Digital-Twin-Computational methods for the analysis and optimisation of Cyber-Physical Systems, 16th. Symposium on Energy Innovation, (2020).
[10] Perabo, F. et al.: Digital Twin Modelling of Ship Power and Propulsion Systems: Application of the Open Simulation Platform (OSP), 29th International Symposium on Industrial Electronics (ISIE), (2020).
[11] Wiens, M.; Meyer. T.; Thomas, P.: The Potential of FMI for the Development of Digital Twins for Large Modular Multi - Domain Systems, 14th International Modelica Conference, (2021).
[12] Negri, E.; Fumagalli, L.; Cimino, C.; Macchi, M.: FMU-supported simulation for CPS Digital Twin, International Conference on Changeable, Agile, Reconfigurable and Virtual Production, (2019).
[13] Rajesh, P.K.; Manikandan, N.; Ramshankar, C.S.; Vishwanathan, T.; Sathoshkumar, C.: Digital Twin of an Automotive Brake Pad for Predictive Maintenance, Conferencia internacional sobre tendencias recientes en informática avanzada, (2019), 18-19.
[14] Pohlmann, U.; Wagner, R.: Use of the FMI/FMU standard for early simulation of software and hardware models of complex mechatronic systems, Tag des Systems Engineering, (2012).
