Gemelos digitales en edificación

1. Gemelos digitales en edificación

El modelado de información de construcción (BIM) brinda la capacidad de crear una representación digital estática de un objeto o un edificio que se puede analizar antes y durante su construcción. La representación digital que ofrece el BIM incluye una representación gráfica de la entidad física junto con sus datos estáticos. Los gemelos digitales en edificación extienden los límites de la representación digital BIM del activo físico a una representación más compleja y dinámica. En un gemelo digital, los dispositivos (por ejemplo, sensores, controles, dispositivos de borde, etc.) conectados al activo físico recopilan y transfieren varios tipos de datos casi en tiempo real a la representación virtual. Esta valiosa fuente de datos dinámicos agregada brinda la capacidad de informar sobre varios aspectos del gemelo físico, incluida su ubicación, estado funcional y operativo.

Existen tres diferencias principales entre los modelos de información de construcción y los gemelos digitales:

• BIM fue diseñado para respaldar un diseño y una construcción eficientes, mientras que un Digital Twin está diseñado para monitorear y mejorar la eficiencia funcional y operativa del activo físico.
• BIM no está diseñado para trabajar con datos en tiempo real, pero un gemelo digital funciona específicamente con datos en tiempo real para realizar simulaciones digitales y análisis de su contraparte física.
• Los datos de costos y cronogramas se pueden integrar en BIM para respaldar los proyectos de construcción. Un Digital Twin integra datos en tiempo real para mejorar la interacción del edificio con sus usuarios y el entorno.

Investigadores y profesionales han proporcionado múltiples definiciones de Gemelo Digital, pero cada definición se centra en tres componentes: el espacio físico, el espacio virtual y los datos conectados. Según el nivel de integración y automatización del flujo de datos entre estos tres componentes, un gemelo digital se puede clasificar como [Referencia: Kritzinger, Karner, Traar, Henjes y Sihn, 2018]:

• Modelo digital: en un modelo digital, los datos entre el objeto físico y el objeto digital fluyen manualmente. Los cambios en el estado del objeto físico no afectan el estado de la contraparte digital.
• Sombra digital: la transferencia de datos del objeto físico al objeto digital se realiza automáticamente y los cambios en el estado del objeto físico se reflejan en el objeto digital.
• Digital Twin: Digital Twin es la clasificación más sofisticada con un flujo de datos bidireccional que ocurre automáticamente entre el objeto físico y el digital. Los cambios en el objeto físico se reflejan en el objeto digital y el estado del objeto físico se puede modificar modificando el estado del objeto digital.

Un gemelo digital mantiene un vínculo constante con su contraparte física, lo que brinda la capacidad de predecir y mejorar el comportamiento futuro del activo físico. Los datos del ciclo de vida recopilados a través del Digital Twin se pueden utilizar para mejorar las opciones de diseño futuras. Un Digital Twin también permite realizar la simulación del entorno en el que se encuentra o presta servicio el activo físico. Esta simulación puede ayudar a ejecutar múltiples escenarios hipotéticos para optimizar el rendimiento del gemelo físico en función de varios criterios, como las condiciones climáticas exteriores, la ocupación del edificio, el diseño del edificio, etc.

La adopción e implementación actual del Gemelo Digital en la industria A/E/C/FM todavía está en pañales. El proceso de creación de un gemelo digital sigue siendo un paso complejo y técnicamente exigente. La implementación de un gemelo digital también requiere que se recopile una gran cantidad de datos desde múltiples puntos finales, lo que crea problemas de seguridad y escalabilidad. Los altos costos actuales asociados con la implementación de gemelos digitales son otra razón detrás de su lenta adopción. La Figura 1 muestra la transición de BIM a Digital Twin.

Figura 1. Transición de BIM a Gemelo Digital.

2. Gemelos digitales para instalaciones sanitarias

Con el aumento de la complejidad y las necesidades de gestión de datos de los nuevos proyectos de construcción, los métodos tradicionales como BIM no son capaces de mantenerse al día con las actualizaciones en tiempo real de los sistemas de construcción. Esto se vuelve específicamente cierto para las instalaciones de atención médica con diferentes áreas, como médica, pública, clínica y quirúrgica, que tienen sus propias necesidades específicas y requisitos estándar de la industria. Junto con los espacios, las instalaciones de atención médica también albergan sistemas de construcción especializados, como sistemas de gases médicos, sistemas logísticos neumáticos y sistemas de alcantarillado médico. Aunque BIM se ha utilizado para la gestión de instalaciones, la gestión de la energía, la gestión de la seguridad y la coordinación con los sistemas de gestión de mantenimiento computarizados (CMMS), la falta de interacción de BIM con datos en tiempo real o casi en tiempo real,

Para superar la limitación de BIM, los investigadores del Laboratorio de Investigación de Instalaciones Virtuales (VRFL) en Virginia Tech han explorado casos de uso de Digital Twins para la operación y mantenimiento de instalaciones de atención médica. En base a varias entrevistas y discusiones con BIM y gerentes de instalaciones, así como con personal clínico en un centro de atención médica en Denver, Colorado, se identificaron áreas específicas de casos de uso de administración de espacios y mantenimiento de instalaciones que pueden beneficiarse del uso de un gemelo digital.

2.1. Casos de uso de gestión de espacio

La gestión del espacio se centra en realizar la entrada de datos y actualizaciones para los espacios de las instalaciones. Esto incluye la actualización de dibujos arquitectónicos y la asignación de ocupantes, categorías y tipos, y departamentos a los espacios. Space Management también se centra en la gestión del mobiliario clínico y en la planificación de movimientos de departamentos y ocupantes. Se han identificado siete áreas de gestión del espacio que pueden beneficiarse de la aplicación de Gemelos Digitales:

• Rastree el acceso del proveedor de atención a las habitaciones de los pacientes: el movimiento del personal clínico y la entrada a la habitación de un paciente se pueden rastrear en un gemelo digital usando etiquetas RFID. Esta implementación puede ayudar a proporcionar información sobre los motivos de las visitas y los detalles de los proveedores de atención individuales si el paciente está siendo tratado por varios proveedores. Además, esta implementación también puede ayudar a rastrear la transmisión de infecciones y enfermedades.
• Controle y administre los cambios en el clima de la habitación del paciente: los gemelos digitales se pueden usar para correlacionar la condición de un paciente y el tipo de tratamiento utilizado con la temperatura ambiente, la iluminación y la sombra preferidas por el paciente. Esto puede ayudar a mejorar la comodidad del paciente al automatizar el control climático en la habitación del paciente.
• Configuraciones de control climático a nivel del sistema: en los casos en que las habitaciones de los pacientes están controladas por un sistema de automatización de edificios (BAS), los datos del BAS se pueden usar para correlacionar el uso de energía con el rendimiento de los componentes y ensamblajes de las paredes de la habitación. Este análisis puede ayudar a comprender si los ensamblajes/componentes de construcción cumplen con las especificaciones y ayudar a orientar futuras opciones de diseño.
• Controle la calidad del aire del quirófano (OR): los parámetros clave de la calidad del aire, como la contaminación por partículas, el flujo de aire, la concentración de N2O, la temperatura y la humedad, deben controlarse muy de cerca en un quirófano para mantener un ambiente de aire estéril y evitar la posibilidad de infecciones. Usando sensores especializados, estos parámetros se pueden monitorear de cerca usando un gemelo digital. Además, un gemelo digital también se puede conectar a herramientas externas como el software Computational Fluid Dynamics de Autodesk para realizar un análisis de los niveles de flujo de aire del quirófano.
• Supervise los aumentos de temperatura de los congeladores: los gemelos digitales se pueden utilizar para controlar la temperatura de los congeladores que contienen muestras o productos farmacéuticos de temperatura crítica. Los gemelos digitales pueden diseñarse para activar una alarma cuando la temperatura cae por debajo de un punto establecido. Otra función que se puede proporcionar con un gemelo digital es analizar las tendencias de temperatura en las habitaciones donde se encuentran los congeladores en función de la hora del día. Este análisis puede ayudar a automatizar la temperatura ambiente para mantener la temperatura de referencia de los congeladores.
• Rastree las vacantes de la habitación del paciente: un gemelo digital puede rastrear cuándo se da de alta a un paciente y notificar al personal que la habitación está lista para la limpieza y el saneamiento.
• Ubicar herramientas y mobiliario clínico: la ubicación de herramientas y mobiliario clínico, como cunas, sillones reclinables para pacientes y sillas de ruedas, se puede monitorear mediante un gemelo digital. Esta implementación puede ayudar a reducir el costo de reemplazar muebles extraviados.

2.2. Casos de uso de mantenimiento de instalaciones

El mantenimiento de instalaciones se enfoca en realizar trabajos de mantenimiento preventivo y correctivo para equipos, activos y sistemas de construcción. Esto incluye pruebas programadas, limpieza y reparación. A continuación se describen cuatro casos de uso para el mantenimiento de instalaciones.

• Monitoree las órdenes de trabajo de mantenimiento para equipos MEP: el seguimiento de las órdenes de trabajo y el rendimiento de los activos puede ayudar a comprender si el equipo está funcionando satisfactoriamente y según las especificaciones definidas. Si el activo tiene órdenes de trabajo más frecuentes fuera de sus normas de mantenimiento, esto podría indicar que el activo puede ser inadecuado o estar especificado incorrectamente.
• Realice un seguimiento y controle a los técnicos de las instalaciones por motivos de seguridad: el personal de mantenimiento y reparación a menudo trabaja en áreas poco transitadas. Se puede usar un gemelo digital para monitorear la ubicación del personal, de modo que si se lesiona o queda incapacitado, se puede identificar fácilmente su ubicación. El sensor también puede activar una alarma en el gemelo digital junto con la ubicación cuando un miembro del personal necesita asistencia inmediata.
• Uso de drones para capturar y transmitir fugas de calor en exteriores de edificios: Las fugas de calor externas a menudo corresponden a las áreas donde el agua puede ingresar al edificio. Las imágenes de fugas de calor capturadas a través de drones se pueden geolocalizar en Digital Twins para ayudar a identificar áreas problemáticas en fachadas de edificios y realizar estudios exteriores de manera segura. Una vez geolocalizados en el Digital Twin, el personal de la instalación puede identificar de inmediato las áreas que necesitan reparación en lugar de gastar tiempo y esfuerzo buscando en todo el exterior del edificio.
• Monitoreo de desinfectantes para manos: con el inicio de COVID-19, las estaciones de desinfección de manos se han convertido en un componente crítico y común para mantener estériles las instalaciones de atención médica. Las ubicaciones de las estaciones de desinfectante de manos se pueden asignar a un plano de planta 2D en el gemelo digital y se puede activar una alarma con la ubicación exacta de cualquier desinfectante que esté bajo y deba rellenarse.

3. Estudio de caso de quirófano

El estudio de caso implica la implementación de un gemelo digital para monitorear las condiciones de calidad del aire para una sala de operaciones (OR) ubicada en un centro de atención médica en Colorado. La instalación es un edificio de 4 pisos de 325,000 pies cuadrados con 50 camas que se pueden expandir a 150 camas. El centro de atención médica brinda servicios como cuidados intensivos, emergencias, cirugía, radiología, cardiología avanzada, centro de maternidad y una farmacia interna. El modelo Navisworks del quirófano está integrado con datos de sensores para proporcionar información casi en tiempo real para monitorear cinco parámetros principales de calidad del aire: contaminación por partículas, flujo de aire, concentración de N2O, temperatura y humedad. La Figura 2 muestra el modelo de Navisworks del edificio general del centro de atención médica (imagen superior) y el quirófano (imágenes inferiores).

Figura 2. Modelo de Navisworks del Centro de Salud.

En los Estados Unidos, las temperaturas estándar para los quirófanos se mantienen entre 70°F y 75°F con una humedad entre 50% y 60% [Referencia: Ellis, 1963]. Además, el INAIL e ISO 14644-1 [Referencia: Romano, Milani, Ricci, & Joppolo, 2020] establecen el límite de umbral para partículas en el aire en un quirófano ISO Clase 5 en 3520 partículas/metro cúbico para partículas con un diámetro superior a 0,5 micrómetros. Para reducir la tasa de infección en un quirófano, se recomiendan 20 cambios de aire por hora [Referencia: Khankari, 2018]. Además, la concentración de N2O debe estar por debajo de 25 ppm como promedio ponderado en el tiempo durante el período de administración del anestésico para evitar una disminución en el rendimiento mental, la capacidad audiovisual y la destreza manual de los operadores [Referencia: Instituto Nacional para la Salud y Seguridad Ocupacional, 1994 ].

El Gemelo Digital desarrollado para este estudio de caso monitoreará estos parámetros clave. La temperatura y la humedad se medirán cada 15 minutos diariamente. Los demás parámetros se medirán cada 15 minutos solo cuando el quirófano esté ocupado.

4. Sensores y Raspberry Pi 4

Para este estudio de caso, los datos de temperatura, humedad, N2O y contaminación por partículas se recopilan mediante sensores conectados a un procesador Raspberry Pi 4 capaz de recopilar datos de los sensores y transmitirlos a Azure IoT Hub. No se disponía de un sensor de flujo de aire capaz de recopilar datos de flujo de aire para el aire de retorno, por lo tanto, los datos de flujo de aire utilizados en este estudio se simulan utilizando datos de muestra proporcionados por el administrador de la instalación. Para representar los sensores en el modelo OR Navisworks, se agregaron al modelo elementos gráficos que representan los sensores. Estos sensores no están instalados en la habitación. Más bien, se probaron en un entorno de laboratorio. En el modelo de quirófano Navisworks, se propone que los sensores de temperatura, humedad y N2O se ubiquen en la pared más cerca de la puerta de entrada del quirófano. Se propone que los sensores de flujo de aire y contaminación por partículas se ubiquen dentro del conducto de retorno. La Figura 3 muestra la ubicación propuesta de los sensores en el modelo OR.

Figura 3. Ubicación de los sensores.

Para este estudio, se usa el procesador Raspberry Pi 4 para recibir información de los sensores, convertir los datos a un formato numérico legible por humanos y transmitir los datos a Azure IoT Hub. Con Azure Stream Analytics Services, los datos se almacenan en la base de datos de Azure SQL. Utilizamos sensores listos para usar comercialmente disponibles. La Tabla 1 muestra la lista de sensores utilizados en este estudio.

Tabla 1. Sensor utilizado en el caso de estudio.

Estos sensores tienen un principio de funcionamiento específico para recopilar la información requerida, junto con condiciones de trabajo ideales y rango de datos. Para seleccionar el sensor más apropiado es importante entender estas características de los sensores.

Las siguientes secciones brindan más detalles sobre el procesador Raspberry Pi 4 y los sensores utilizados.

Raspberry Pi 4 es el último producto de una gama de computadoras en miniatura con un rendimiento comparable al de un sistema de PC x86 de nivel de entrada (Raspberry Pi Trading Ltd., 2021). Algunas de sus características incluyen un procesador quad-core de 64 bits de alto rendimiento, salida de pantalla dual a través de dos puertos Micro HDMI con resolución de hasta 4K, decodificación de video de hardware de hasta 4Kp60, LAN inalámbrica de banda dual de 2.4/5.0 GHz, Bluetooth 5.0, Gigabit Ethernet, USB 3.0 y capacidad PoE. El Raspberry Pi 4 viene en tres opciones de RAM integradas: 2 GB, 4 GB y 8 GB. Debido a que está preequipado con LAN inalámbrica de doble banda y capacidades de ethernet, la computadora Raspberry Pi 4 puede conectarse a Internet sin requisitos de hardware adicionales, lo que la hace más ventajosa en comparación con una computadora Arduino que también se consideró para este estudio. El sistema operativo Debian es el sistema compatible oficialmente con el hardware Raspberry Pi 4. Otros sistemas operativos también están disponibles comercialmente. Debido a los mayores requisitos de energía, Raspberry Pi 4 requiere una fuente de alimentación USB-C de 3.0A.
La Figura 4 muestra una imagen de la Raspberry Pi 4 utilizada para este estudio.

Figura 4. Frambuesa Pi 4.

Otra característica importante de Raspberry Pi 4 es una fila de pines de entrada/salida de propósito general (GPIO) ubicados en el borde de la placa que se muestra en la figura 4 (resaltados en rojo). El modelo 4 de Raspberry Pi utilizado para este estudio de caso tiene 40 pines GPIO. Cada pin puede funcionar en una entrada o salida Hay dos pines de 5 V, dos pines de 3,3 V, ocho pines de tierra y el resto de los pines son pines de uso general de 3,3 V con salida configurada en 3,3 V y entrada configurada en tolerante a 3,3 V . Los pines designados como salida o entrada se pueden establecer en alto (3,3 V) o bajo (0 V) [Referencia: Raspberry Pi Trading Ltd., 2022]. La Figura 5 muestra las especificaciones de los pines GPIO en una Raspberry Pi 4. Los usuarios deben especificar qué pines se utilizan para la entrada y cuáles para la salida cuando se conectan con sensores mediante el código Python. Esto se puede hacer especificando el número pin en el código.

Figura 5. Configuración de pines GPIO (Adoptado de [Referencia: Raspberry Pi Trading Ltd., 2022]).

Para evitar daños a los pines al conectar o desconectar dispositivos/sensores con frecuencia, los pines se pueden conectar fácilmente a una placa de prueba usando una placa de extensión GPIO. La figura 6 muestra la configuración utilizada para conectar la Raspberry Pi 4 a un sensor de humedad (temperatura y humedad) mediante una placa de extensión.

Figura 6. Sensor de humedad conectado a la Raspberry Pi 4 mediante una placa de extensión GPIO.

Los detalles de los tres tipos de sensores utilizados para medir la calidad del aire en el quirófano se proporcionan a continuación.

4.1. Sensor de temperatura y humedad DHT11

El sensor de temperatura y humedad DHT11, que se muestra en la figura 7, es capaz de medir la temperatura en el rango de 32 °F a 122 °F y la humedad relativa en el rango de 20 % a 90 %. La fuente de alimentación para DHT11 es de 3 a 5,5 V CC [Referencia: Mouser Electronics]. El sensor puede medir nuevos datos una vez cada 2 segundos, lo que genera una latencia de 2 segundos entre los datos recopilados y los datos transmitidos [Referencia: Adafruit].

4.2. Sensor de gas MQ-135

El sensor de gas MQ-135, que se muestra en la Figura 8, se usa para operaciones de control de calidad del aire en edificios y tiene la capacidad de detectar NH3, NOx (incluido N2O), alcohol, benceno, humo y CO2. El sensor utiliza SnO2 como material sensible para medir la concentración de gases en el aire [Referencia: Zhengzhou Winsen Electronics Technology Co. Ltd, 2015]. El material sensible tiene baja conductividad en aire limpio, y la conductividad aumenta a medida que aumenta la concentración de gases. Los usuarios pueden medir el cambio en la conductividad al cambio correspondiente en la concentración de gases. El sensor tiene un rango de detección de 10 a 1000 ppm. La condición de trabajo requerida para el sensor es una humedad relativa de 65%±5% y una temperatura de 68°F±2°F.

Figura 8. Sensor MQ-135.

4.3. PMSA003I Desglose de la calidad del aire

El PMSA003I es un sensor de concentración práctico universal que funciona según el principio de dispersión láser para detectar partículas suspendidas en el aire. El sensor registra la luz dispersada por las partículas para generar el recuento de partículas de diferentes tamaños [Referencia: Adafruit, 2018]. El sensor puede proporcionar un recuento de partículas con diámetros de 1,0, 2,5 y 10 micrómetros. Muestra el número de partículas de un diámetro específico por 0,1 l de aire o concentración de masa de partículas en microgramos/metro cúbico. La temperatura de funcionamiento del sensor es de 14 °F a 140 °F [Referencia: Smart Prototyping].

Figura 9. Sensor PMSA003I.

5. Captura y transmisión de datos de calidad del aire a los servicios de Azure

El Raspberry Pi 4 primero debe configurarse para poder recopilar y procesar las lecturas del sensor. Debido al reciente aumento del interés en Digital Twins y el desarrollo de servicios como Azure IoT Hub, los códigos de fuente abierta para ayudar en la recopilación, traducción y transmisión de datos de sensores están cada vez más disponibles en múltiples lenguajes de programación. Para este estudio, los autores usaron Python debido a su familiaridad con el lenguaje y la abundancia de documentación para bibliotecas y paquetes en línea.

Una vez que la Raspberry Pi está conectada a los sensores mediante el sistema de pines GPIO, los usuarios pueden usar cualquier IDE de Python que venga preinstalado con el sistema operativo Debian para ejecutar el código de Python, lo que permite que la Raspberry Pi recopile, transforme y transmita datos desde el sensor conectado. . La figura 10 muestra los pasos para ejecutar el código.

Figura 10. Pasos para escribir y ejecutar un código en Raspberry Pi.

Una vez que haya iniciado sesión en el sistema Raspberry Pi 4, los usuarios deben navegar hasta la opción «Programación» (2) en el «menú principal» (1) del sistema operativo Raspberry PI 4. Desde la opción «Programación», seleccione y abra cualquier IDE de Python preinstalado (3). Escriba el código para conectar, recopilar, transformar y almacenar los datos del sensor (4) y luego seleccione «Ejecutar» (5) para generar la salida deseada.

Usando el sensor DHT11 como ejemplo, la siguiente sección proporciona una explicación detallada de cómo se usó y modificó el código Python de fuente abierta SunFounder (empresa de educación STEAM) para conectarse al DHT11 y recopilar datos de temperatura y humedad. El código Python de código abierto de SunFounder se puede copiar desde su página web de Github [Referencia: SunFounder, 2021]. La implementación del código se divide en dos secciones:

5.1. Código para recopilar y transformar datos del sensor DHT11

Esta sección del código depende del tipo de sensor utilizado, cómo recopila información de su entorno y cómo traduce la información a un formato legible por humanos. Para el sensor DHT11, los datos de temperatura y humedad se transmiten como datos de humedad de 40 bits: entero de humedad de 8 bits + decimal de humedad de 8 bits + entero de temperatura de 8 bits + decimal de temperatura de 8 bits + suma de comprobación de 8 bits. Como las computadoras funcionan en 0 y 1, un dato de 8 bits puede tener un valor entre 00000000 y 11111111, lo que da la posibilidad de expresar 256 caracteres únicos. En datos de 8 bits, los 0 y los 1 pueden llenar ocho espacios para indicar la información generada por los sensores. Por ejemplo, el valor numérico de «26» se representará como «00011010» en formato de 8 bits.

Para convertir estos datos en un formato legible por humanos, el código Python de fuente abierta de SunFounder se descarga y modifica para capturar datos de humedad y temperatura del sensor DHT11 y convertir los datos en valores numéricos. Se realizan dos modificaciones en el código. Primero, el pin GPIO en Raspberry Pi 4 al que está conectado el sensor DHT11 se especifica en la primera línea del código, como se muestra en la imagen superior de la Figura 11. Segundo, el código que traduce la temperatura en grados Celsius (predeterminado) es modificado para mostrar la temperatura en grados Fahrenheit como se muestra en la imagen inferior de la Figura 11.

Figura 11. Modificaciones realizadas al código Python de SunFounder. (Arriba) Código para especificar el pin de entrada para humiture. (Abajo) Código para convertir la temperatura a grados Fahrenheit.

5.2. Código para exportar y almacenar datos del sensor DHT11 en una base de datos externa

Los datos del sensor de Raspberry Pi4 primero deben transferirse y almacenarse en una hoja de cálculo o una base de datos antes de vincularse al modelo en MS Power BI Desktop . Los usuarios pueden definir la frecuencia de los datos recopilados y exportados. El estudio analizó la posibilidad de exportar los datos directamente a una hoja de cálculo de Excel. El estudio también consideró exportar los datos a Azure IoT Hub y luego transmitir y almacenar los datos en la base de datos de Azure SQL usando Azure Stream Analytics. Una tercera opción incluye el uso de Azure Stream Analytics para transmitir los datos a la nube, donde se pueden procesar directamente con el servicio MS Power BI.sin necesidad de almacenarlo en una base de datos. Esta opción no fue considerada. La Figura 12 muestra el flujo de trabajo para transferir datos de parámetros de calidad del aire desde Excel y Raspberry Pi 4 a MS Power BI.

Figura 12. Flujo de trabajo para transferir datos de calidad del aire a Power BI.

Las siguientes secciones explican cómo exportar datos desde Raspberry Pi 4 a Excel y Azure IoT Hub.

Opción 1: exportar datos de DHT11 a Excel

Como se muestra en la figura 13, el código Python se escribió para capturar y almacenar datos de temperatura y humedad del sensor DHT11 en una hoja de cálculo de Excel. El código especifica capturar los datos cada 15 minutos y generar un nuevo archivo de Excel cada 24 horas.

Figura 13. Código para almacenar datos de sensores en Excel.

El código también incluía declaraciones para agregar una columna de fecha y hora para rastrear cuándo se capturaron los datos. El código también especifica un nombre de salida para el archivo de Excel.

Para ejecutar el código de la figura 13, los autores tuvieron que descargar bibliotecas comunes de Python como Pandas y DateTime a Raspberry Pi 4 e importar estas bibliotecas al código SunFounder Python para DHT11 (figura 14).

Figura 14. Bibliotecas importadas a código Python para que funcione la Opción 1.

Opción 2: exportar datos DHT11 a Azure IoT Hub

Con un código fuente abierto proporcionado por [Referencia: Jevpankov, 2021], los datos de temperatura y humedad del sensor DHT11 se envían como un mensaje a un Azure IoT Hub dedicado. Microsoft proporciona un paquete de Python para transmitir datos de sensores a su IoT Hub a través de un cliente asíncrono. El paquete se llama «azure.iot.device.aio». Con el paquete de Python, las bibliotecas azure.iot.device.aio y asyncio se descargaron primero en Raspberry Pi 4 y se importaron al código SunFounder Python para DHT11, como se muestra en la figura 15.

Figura 15. Bibliotecas importadas a código Python para la Opción 2.

Para exportar los datos a Azure IoT Hub, se escribió un código Python de dos partes: una para establecer la conexión a un IoT Hub específico (Figura 16) y la otra para enviar los datos del sensor como mensajes al dispositivo IoT Hub conectado ( Figura 17). Cada fila de datos recopilada y almacenada en cada tabla de parámetros para cada sensor se envía como un mensaje individual al dispositivo Azure IoT Hub.

Figura 16. Código para conectarse a Azure IoT Hub.

Figura 17. Código para enviar datos de sensores como un mensaje a Azure IoT Hub.

Antes de que se pueda ejecutar el código, se configuran uno o más dispositivos digitales en Azure IoT Hub para recibir datos de sensores de Raspberry Pi 4 en forma de mensajes. El ID del dispositivo digital está definido por el usuario. Creamos un dispositivo digital con número de ID SenRPi001-DHT11-OR001. El formato para el ID de dispositivo definido incluía tres partes. La primera parte indica un ID de sensor (SenRPi001), la segunda parte es el tipo de sensor utilizado desde el cual se transmiten los datos (DHT11) y la tercera parte es el número de habitación donde se recopilan los datos (OR001).

El dispositivo digital creado genera una «Cadena de conexión principal» única. Esta cadena se agrega al código de Python para establecer la conexión entre Raspberry Pi 4 y el dispositivo digital de Azure. La figura 18 muestra el dispositivo digital de Azure creado en Azure IoT Hub. Azure IoT Hub comenzará a recibir mensajes de Raspberry Pi 4 una vez que se ejecute el código de Python.

Figura 18. Azure IoT Hub para recibir mensajes del dispositivo físico.

Al ejecutar este código, los usuarios deben asegurarse de ingresar la cadena de conexión principal correcta para el dispositivo digital dentro de Azure IoT Hub al que desean transferir los datos, y que los datos que se transmiten son una cadena o datos flotantes. escribe. Si el usuario está transfiriendo datos de fecha u hora a Azure IoT Hub, debe convertirse al formato de cadena.

6. Desarrollo del gemelo digital OR

6.1. Importación de datos de calidad del aire a Power BI

Power BI permite importar datos de muchas fuentes diferentes, incluidas las bases de datos de Excel y SQL. Los usuarios pueden importar datos a Power BI mediante la función «Obtener datos» (Figura 19).

Como se muestra en la Figura 19, para importar los datos de flujo de aire simulado desde Excel o SQL Database, seleccione la opción «Libro de trabajo de Excel» (3) o «SQL Server» (4) como fuente de datos de la función «Obtener datos» (2) en la pestaña «Inicio» (1). Después de seleccionar el «libro de Excel» como fuente de datos, el archivo de Excel que contiene los datos del flujo de aire simulado se carga en Power BI. Si un archivo de Excel contiene varios libros de trabajo, los usuarios pueden especificar qué libro de trabajo les gustaría importar a Power BI. Cada libro de trabajo se importa como una tabla separada.

Figura 19. Importación de datos de Excel a Power BI.

Los datos del sensor de N2O, contaminación por partículas, temperatura y humedad se exportan como mensajes a Azure IoT Hub. Para importar estos mensajes como datos a Power BI, los mensajes deben almacenarse en la base de datos de Azure SQL y luego importarse a Power BI (como se muestra anteriormente en la Figura 12).

Microsoft Azure es un servicio de computación en la nube proporcionado por Microsoft e incluye un conjunto de servicios que pueden ayudar a los usuarios a conectarse, monitorear y controlar dispositivos IoT y perimetrales. Para este estudio, se utilizaron tres servicios de Azure: Azure IoT Hub, Azure Stream Analytics y Azure SQL Database.

• Azure IoT Hub proporciona una plataforma alojada en la nube de back-end para conectar dispositivos IoT que se ejecutan en una variedad de sistemas operativos. IoT Hub también permite la comunicación bidireccional con dispositivos IoT para enviar y recibir información.
• Análisis de flujo de Azurepermite a los usuarios realizar un servicio de análisis en tiempo real o crear una canalización de transmisión sin servidor para los datos recibidos a través de dispositivos IoT. Stream Analytics también se puede extender a análisis de datos de casos de uso avanzados y aprendizaje automático utilizando lenguaje SQL que es extensible con código personalizado de JavaScript y C#. Azure Stream Analytics consta de tres partes: entrada, consulta y salida. Stream Analytics puede recibir información de Azure Event Hubs, Azure IoT Hubs o Azure Blob Storages. La consulta se basa en el lenguaje SQL y se puede utilizar para filtrar, ordenar, agregar y unir datos de entrada. Stream Analytics puede enviar datos a Azure Functions, paneles de Power BI y servicios de almacenamiento de Azure como salida. Stream Analytics encripta todas las comunicaciones entrantes y salientes y no almacena datos de entrada ya que todo el procesamiento de datos se lleva a cabo en la memoria.
• Azure SQL Database es una base de datos de plataforma como servicio (PaaS) que es capaz de gestionar la actualización, aplicación de parches, copias de seguridad y supervisión de la base de datos. La base de datos Azure SQL se puede utilizar para crear soluciones de almacenamiento de datos con alto rendimiento y disponibilidad. También tiene operaciones de mantenimiento comunes incorporadas, como copias de seguridad de datos.
  Todos los mensajes recibidos por Azure IoT Hub para datos de sensores se transfieren y almacenan en la base de datos de Azure SQL mediante Azure Stream Analytics. Se crea una base de datos Azure SQL con un firewall que permite que Azure Service guarde los mensajes de datos en la base de datos SQL. El ID de la base de datos SQL también está definido por el usuario.

Una vez que se crea la base de datos, los datos de Azure IoT Hub se transmiten a la base de datos. Esto se logra utilizando Azure Stream Analytics. Azure Stream Analytics crea una tabla dentro de la base de datos de Azure SQL y transmite y almacena datos en vivo desde Azure IoT Hub en la tabla. Azure Stream Analytics también permite a los usuarios procesar los datos antes de almacenarlos en una tabla SQL mediante consultas SQL. Una vez que los datos comienzan a completarse en la tabla SQL, estas tablas se pueden importar a Power BI usando la función «Obtener datos» y seleccionando «SQL Server» como fuente de datos. Los usuarios pueden importar tablas SQL como consultas directas, lo que permite que Power BI actualice automáticamente la tabla importada a intervalos definidos por el usuario.

6.2. Importación de modelos 3D en Power BI

Una vez que los datos de todos los sensores se importan a Power BI, el modelo 3D para el quirófano también debe importarse a Power BI para permitir la asociación/vinculación de los datos del sensor a los elementos 3D respectivos. La importación del modelo 3D a Power BI se logra mediante un servicio de terceros llamado VCAD. La plataforma VCAD de Blogics srl se puede utilizar para generar una plantilla de Power BI para gráficos IFC, Navisworks o Revit Model junto con datos incrustados.

Los modelos de Revit e IFC se pueden cargar directamente en la página web de VCAD para generar una plantilla de Power BI lista para usar que incluye elementos de modelo 3D y cualquier dato incrustado. Para generar una plantilla de Power BI para un modelo de Navisworks, los usuarios primero deben vincular su cuenta de Autodesk Forge a VCAD y luego cargar el modelo de Navisworks. La plantilla de Power BI generada con VCAD viene con el visor de modelo 3D abierto y las tablas VCAD_Asset y VCAD_Properties que contienen los datos integrados en el modelo 3D. Los usuarios pueden conectar su cuenta de Autodesk Forge con VCAD para utilizar el visor 3D de Forge en Power BI en lugar del visor 3D abierto.

Una vez que se generó la plantilla de Power BI para el modelo OR usando VCAD, los autores importaron los datos del sensor a la plantilla de Power BI generada siguiendo los pasos anteriores.

6.3. Vinculación de los datos de calidad del aire a los elementos del sensor del modelo

Power BI permite a los usuarios vincular datos importados de varias fuentes de datos mediante una columna común. La tabla VCAD_Asset presente en la plantilla de Power BI generada para el modelo OR incluye un Id. de objeto único para todos los elementos del modelo. Los datos del sensor importados de la base de datos SQL y el archivo de Excel se pueden vincular a sus respectivos elementos del modelo agregando una columna llamada «ObjectId» en las tablas de datos del sensor y rellenándola con los valores de ID de objeto de sus respectivos elementos del modelo. Se establece una relación de muchos a uno entre la tabla VCAD_Asset y las tablas de sensores para vincularlas. La Figura 20 muestra la relación entre VCAD_Asset y la tabla de flujo de aire.

Figura 20. Vinculación de los datos del sensor de flujo de aire a su elemento de modelo 3D respectivo.

6.4. Creación de paneles para monitorear la calidad del aire en el quirófano

Las herramientas de visualización de Power BI se utilizan para crear paneles para monitorear los datos de parámetros clave de calidad del aire en el quirófano. Los tableros son una forma de representación del Gemelo Digital del quirófano físico.

La Figura 21 muestra el tablero de ejemplo creado que muestra el modelo OR 3D y los datos de calidad del aire vinculados transmitidos casi en tiempo real. La interfaz del tablero se divide en tres áreas principales. El área superior de la interfaz muestra la fecha y la hora actuales. El modelo OR 3D se muestra en el centro del tablero y se puede navegar usando varias herramientas de navegación de Forge disponibles con la interfaz de Power BI. El área inferior de la interfaz muestra lecturas de N2O, temperatura, humedad, flujo de aire y datos de contaminación por partículas capturados por los sensores. Estas lecturas se muestran mediante la herramienta de visualización de indicadores de Power BI. Cada indicador está diseñado para mostrar lecturas en verde cuando los valores están dentro del límite permisible definido por el usuario (punto de referencia) y en rojo cuando los valores superan el punto de referencia. Por ejemplo, como se muestra en la figura 21,

Como se muestra en la figura 22, hacer clic en los botones en la parte inferior de la pantalla del tablero debajo de los indicadores permite a los usuarios acercar y resaltar el sensor en el modelo 3D para determinar su ubicación.

Figura 21. Tablero Digital Twin para monitorear las condiciones de calidad del aire en un quirófano.

Figura 22. Visualización de la ubicación del sensor en el Gemelo Digital usando botones de ubicación vinculados al modelo 3D.

7. Conclusión

Los autores han creado un gemelo digital de bajo nivel (descriptivo) que permite visualizar y monitorear cinco parámetros clave que miden la calidad del aire en la sala de operaciones de un centro de salud. Los datos capturados de varios sensores o simulados se transmiten a la plataforma Digital Twin Power BI utilizando Raspberry Pi 4 y Azure Services. Esta implementación proporciona un monitoreo vital casi en tiempo real de la calidad del aire dentro de un espacio crítico de una instalación.

Hay varias consideraciones de datos clave que cualquier organización debe tener en cuenta al desarrollar Digital Twins. Mantener la integridad de los datos es fundamental para garantizar que se puedan tomar conocimientos y decisiones sobre datos confiables. También existen preocupaciones de seguridad en torno a los datos transmitidos a través de la nube. Los servicios de Azure se utilizaron en este estudio para transferir datos de sensores a la nube. Nuestra investigación muestra que los servicios de Azure brindan a los usuarios diferentes niveles de opciones de seguridad en diferentes niveles de pago para que los usuarios puedan usar el flujo de trabajo propuesto para desarrollar gemelos digitales para sus instalaciones mientras cumplen con sus requisitos de seguridad [Referencia: Lanfear, 2022] Además, no todos los datos es relevante para el uso operativo y las necesidades de datos varían según las organizaciones y los casos de uso.

La interoperabilidad de datos también es muy importante en las diferentes plataformas necesarias para crear un gemelo digital. Todavía no existe una solución única para desarrollar Gemelos Digitales y los usuarios deben integrar una multitud de soluciones para capturar, transferir, almacenar, mostrar, analizar los datos y tomar decisiones correctivas y mostrar Gemelos Digitales. Los diferentes estándares abiertos y propietarios y los formatos de intercambio requieren que los usuarios tomen una cuidadosa consideración al adoptar soluciones de hardware y software para sus implementaciones.

La investigación futura realizada por miembros del Laboratorio de Investigación de Instalaciones Virtuales (VFRL) en Virginia Tech incluye investigar e implementar capacidades analíticas de datos para el Gemelo Digital que pueden ayudar con la detección y el diagnóstico de fallas, generar información y crear sistemas de autoaprendizaje capaces de optimizar decisiones a través de aprendizaje automático e inteligencia artificial. Esto mejorará el nivel de madurez del Gemelo Digital discutido en este artículo mediante la creación de un Gemelo Digital de nivel superior que pueda brindar un mejor soporte a la instalación y continuar el proceso de transformación.

Compartimos el artículo.