Gemelos digitales aplicados a la supervisión y control automático de procesos industriales: una revisión sistemática
DOI:
https://doi.org/10.61347/ei.v5i2.356Palabras clave:
Control automático, gemelo digital, Industria 4.0, PRISMA, revisión sistemática, supervisión de procesosResumen
Los gemelos digitales (GD) se han consolidado como una de las tecnologías habilitadoras más relevantes de la Industria 4.0 para fortalecer la supervisión, el monitoreo y el control automático de procesos industriales. El presente artículo tuvo como objetivo analizar la evidencia científica disponible sobre la aplicación de gemelos digitales en la supervisión y el control automático de procesos industriales mediante una revisión sistemática basada en la metodología PRISMA 2020. Se realizó una búsqueda bibliográfica en Scopus, Web of Science, IEEE Xplore, ScienceDirect, MDPI y SpringerLink, identificándose inicialmente 120 registros; tras el proceso de cribado y evaluación de elegibilidad, se seleccionaron 25 estudios de acceso abierto publicados en revistas científicas indexadas. Los resultados evidenciaron que los gemelos digitales se aplican principalmente en la supervisión remota mediante sistemas SCADA, la integración con sistemas de control automático, el diagnóstico de fallas y mantenimiento predictivo, la ciberseguridad industrial y la formación de operadores mediante realidad aumentada y realidad virtual. Asimismo, se identificaron aplicaciones en sectores como manufactura discreta, energía hidroeléctrica y fotovoltaica, petróleo y gas, tratamiento de agua y robótica industrial, confirmando su carácter transversal dentro de los ecosistemas industriales inteligentes. Se concluye que los gemelos digitales constituyen una herramienta estratégica para mejorar la eficiencia operacional, la capacidad predictiva y la toma de decisiones industriales; sin embargo, su adopción enfrenta desafíos relacionados con la interoperabilidad, la estandarización de arquitecturas, la ciberseguridad y los costos de implementación.
Descargas
Citas
Abd Wahab, N., Hasikin, K., Lai, K., Xia, K., Bei, L., Huang, K., & Wu, X. (2024). Systematic review of predictive maintenance and digital twin technologies challenges, opportunities, and best practices. PeerJ Computer Science, 10, e1943. https://doi.org/10.7717/peerj-cs.1943
Alfaro-Viquez, D., Zamora-Hernandez, M., Fernandez-Vega, M., Garcia-Rodriguez, J., & Azorin-Lopez, J. (2025). A comprehensive review of AI-based digital twin applications in manufacturing: Integration across operator, product, and process dimensions. Electronics, 14(4), 646. https://doi.org/10.3390/electronics14040646
Almusaed, A., Yitmen, I., & Almssad, A. (2024). Digital twin for flexible manufacturing systems and optimization through simulation: A case study. Machines, 12(11), 785. https://doi.org/10.3390/machines12110785
Birk, W., Hostettler, R., Razi, M., Atta, K., & Tammia, R. (2022). Automatic generation and updating of process industrial digital twins for estimation and control – A review. Frontiers in Control Engineering, 3, 954858. https://doi.org/10.3389/fcteg.2022.954858
Bofill, J., Abisado, M., Villaverde, J., & Sampedro, G. A. (2023). Exploring digital twin-based fault monitoring: Challenges and opportunities. Sensors, 23(16), 7087. https://doi.org/10.3390/s23167087
Bohačík, A., & Fujdiak, R. (2024). The problem of integrating digital twins into electro-energetic control systems. Smart Cities, 7(5), 2702–2740. https://doi.org/10.3390/smartcities7050105
Boschoski, R., & de Santos, L. (2026). Supervisory monitoring and control using chemical process simulators and SCADA systems. Methane, 5(1), 8. https://doi.org/10.3390/methane5010008
Cai, J., Ding, H., Wang, P., Guo, X., Hou, H., Jiang, T., & Qiao, X. (2025). Digital twin-based intelligent monitoring system for robotic wiring process. Sensors, 25(19), 5978. https://doi.org/10.3390/s25195978
Caiza, G., & Sanz, R. (2023). Digital twin to control and monitor an industrial cyber-physical environment supported by augmented reality. Applied Sciences, 13(13), 7503. https://doi.org/10.3390/app13137503
Chang, W., Sun, W., Chen, P., & Xu, H. (2025). Construction and validation of a digital twin-driven virtual-reality fusion control platform for industrial robots. Sensors, 25(13), 4153. https://doi.org/10.3390/s25134153
Dapkute, A., Siozinys, V., Jonaitis, M., Kaminickas, M., & Siozinys, M. (2024). Enhancing industrial process control: Integrating intelligent digital twin technology with proportional-integral-derivative regulators. Machines, 12(5), 319. https://doi.org/10.3390/machines12050319
Ersan, M., & Irmak, E. (2024). Development and integration of a digital twin model for a real hydroelectric power plant. Sensors, 24(13), 4174. https://doi.org/10.3390/s24134174
Filipescu, A., Simion, G., Ionescu, D., & Filipescu, A. (2024). IoT-cloud, VPN, and digital twin-based remote monitoring and control of a multifunctional robotic cell in the context of AI, Industry, and Education 4.0 and 5.0. Sensors, 24(23), 7451. https://doi.org/10.3390/s24237451
Fudyma, J., Kura, Ł., & Gębicki, J. (2025). Development of digital twins for continuous processes: Concept description of virtual mass balance based on the Tennessee Eastman process. Processes, 13(2), 337. https://doi.org/10.3390/pr13020337
Hassan, M., Svadling, M., & Björsell, N. (2024). Experience from implementing digital twins for maintenance in industrial processes. Journal of Intelligent Manufacturing, 35, 875–884. https://doi.org/10.1007/s10845-023-02078-4
Hueros-Barrios, P., Rodríguez Sánchez, F., Martín Sánchez, P., Santos-Pérez, C., Sangwongwanich, A., Novak, M., & Blaabjerg, F. (2025). Digital twin approach for fault diagnosis in photovoltaic plant DC–DC converters. Sensors, 25(14), 4323. https://doi.org/10.3390/s25144323
Mikołajewska, E., Mikołajewski, D., Mikołajczyk, T., & Paczkowski, T. (2025). Generative AI in AI-based digital twins for fault diagnosis for predictive maintenance in Industry 4.0/5.0. Applied Sciences, 15(6), 3166. https://doi.org/10.3390/app15063166
Mitacc Meza, E., Borges de Souza, D., Copetti, A., Barbosa Sobral, A., Vaz Silva, G., Tammela, I., & Cardoso, R. (2024). Tools, technologies and frameworks for digital twins in the oil and gas industry: An in-depth analysis. Sensors, 24(19), 6457. https://doi.org/10.3390/s24196457
Ortiz, J., Quishpe, E., Sailema, G., & Guamán, N. (2025). Digital twin-based active learning for industrial process control and supervision in Industry 4.0. Sensors, 25(7), 2076. https://doi.org/10.3390/s25072076
Page, M., McKenzie, J., Bossuyt, P., Boutron, I., Hoffmann, T., Mulrow, C., Shamseer, L., Tetzlaff, J., Akl, E., Brennan, S., Chou, R., Glanville, J., Grimshaw, J., Hróbjartsson, A., Lalu, M., Li, T., Loder, E., Mayo-Wilson, E., McDonald, S., … Moher, D. (2021). The PRISMA 2020 statement: An updated guideline for reporting systematic reviews. BMJ, 372, n71. https://doi.org/10.1136/bmj.n71
Rodríguez-Alonso, C., Pena-Regueiro, I., & García, Ó. (2024). Digital twin platform for water treatment plants using microservices architecture. Sensors, 24(5), 1568. https://doi.org/10.3390/s24051568
Sayghe, A. (2025). Digital twin-driven intrusion detection for industrial SCADA: A cyber-physical case study. Sensors, 25(16), 4963. https://doi.org/10.3390/s25164963
Sierla, S., Sorsamäki, L., Azangoo, M., Villberg, A., Hytönen, E., & Vyatkin, V. (2020). Towards semi-automatic generation of a steady state digital twin of a brownfield process plant. Applied Sciences, 10(19), 6959. https://doi.org/10.3390/app10196959
Vyskočil, J., Douda, P., Novák, P., & Wally, B. (2023). A digital twin-based distributed manufacturing execution system for Industry 4.0 with AI-powered on-the-fly replanning capabilities. Sustainability, 15(7), 6251. https://doi.org/10.3390/su15076251
Yun, J., Kim, S., & Kim, J. (2024). Digital twin technology in the gas industry: A comparative simulation study. Sustainability, 16(14), 5864. https://doi.org/10.3390/su16145864
Zhang, Q., Wu, Z., An, B., Sun, R., & Cui, Y. (2025). Digital twin-based technical research on comprehensive gear fault diagnosis and structural performance evaluation. Sensors, 25(9), 2775. https://doi.org/10.3390/s25092775
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 Johana Beatriz Samaniego Palacios, Juan Diego Erazo Rodríguez, Byron Daniel Erazo Rodríguez, Wilian Andres Nuñez Yanez
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
