Desarrollo Gemelo Digital para diseño de componentes mecánicos manufacturados por CNC - Industria Aeroespacial Mexicana
DOI:
https://doi.org/10.59722/synergia.v2i1.1239Palabras clave:
aeroespacial, manufactura, industria mexicana, gemelo digital, máquina herramientaResumen
En la industria aeroespacial mexicana, el maquinado de componentes metalmecánicos mediante tecnologías CNC (Control Numérico Computarizado) ha emergido como un elemento central en la competitividad y capacidad de producción. El análisis del estado actual revela un aprovechamiento limitado de herramientas avanzadas de simulación y optimización, que restringe la eficiencia y precisión de la manufactura. Las prácticas predominantes dependen de simulaciones CAM (Computer Aided Manufacturing) orientadas a la planificación de trayectorias de corte, se omite el comportamiento dinámico real de las máquinas-herramienta y la interacción material-herramienta durante el proceso de mecanizado, provocando un desfase entre las condiciones simuladas y los resultados reales. La ausencia de gemelos digitales integrales que cierren el ciclo “Diseño, Proceso y Desempeño”, la falta de una arquitectura de gemelo digital que combine CAD (Computer Aided Design), simulación dinámica de corte, datos operativos de la máquina y modelos de inteligencia artificial explicable limita la capacidad de optimización integral del componente. La optimización paramétrica principalmente se realiza de manera empírica, basándose en la experiencia del operador o ingeniero, restringiendo la escalabilidad, trazabilidad y robustez de los procesos frente a variaciones de material, geometría o condiciones de corte. En este contexto, la incorporación de maquinados CNC con capacidades avanzadas representa una oportunidad tecnológica estratégica para la industria metalmecánica mexicana. Estas capacidades permiten el desarrollo de modelos predictivos más sofisticados, alimentados por inteligencia artificial y técnicas de machine learning, que optimizan parámetros de corte y predicen desempeño. La integración de CAM avanzada con análisis de dinámica de corte y modelos de IA explicable, facilita un diseño de proceso basado en evidencia, disminuyendo la dependencia de la experiencia empírica y elevando la eficiencia de la manufactura. La adopción de gemelos digitales completos en la fabricación CNC habilita mejora continua de productos y procesos. Esto resulta particularmente crítico en el contexto aeroespacial.
Descargas
Citas
Afif, M. F. y Sarhan, A. A. D. (2025). Computer-aided process planning, digital twin, and smart manufacturing: Interconnections and integration in CNC machining processes. International Journal of Production Research, 63(24), 9593–9632. https://doi.org/10.1080/00207543.2025.2521717
Ahmed, Y. S. y Amorim, F. L. (2025). Advances in computer numerical control geometric error compensation: Integrating AI and on-machine technologies for ultra-precision manufacturing. Machines, 13(2), 140. https://doi.org/10.3390/machines13020140
Anbalagan, A., Shivakrishna, B. y Srikanth, K. S. (2021). A digital twin study for immediate design/redesign of impellers and blades: Part 1: CAD modelling and tool path simulation. Materials Today: Proceedings, 46(17), 8209–8217. https://doi.org/10.1016/j.matpr.2021.03.209
Bai, Z. (2025). Enhancing mechanical design, manufacturing, and automation through AI-based computer numerical control (CNC) optimization. Revista Gestão & Tecnologia, 25(2), 74–89. https://doi.org/10.20397/2177-6652/2025.v25i2.3164
Barricelli, B. R., Casiraghi, E., & Fogli, D. (2019). A survey on digital twin: Definitions, characteristics, applications, and design implications. IEEE Access, 7, 167653–167671. https://doi.org/10.1109/ACCESS.2019.2953499
Cao, X., Zhao, G. y Xiao, W. (2020). Digital twin–oriented real-time cutting simulation for intelligent computer numerical control machining. Proceedings of the Institution of Mechanical Engineers, Part B: Journal of Engineering Manufacture, 236(1–2), 5–15. https://doi.org/10.1177/0954405420937869
Cao, Y. (2025). Multisensor data fusion-driven digital twins in computer numerical control machining: A review. Machines, 13(10), 921. https://doi.org/10.3390/machines13100921
Daraba, D., Pop, F. y Daraba, C. (2024). Digital twin used in real-time monitoring of operations performed on CNC technological equipment. Applied Sciences, 14(22), 10088. https://doi.org/10.3390/app142210088
Dietrich, D., Neubauer, M., Lechler, A. y Verl, A. (2023). Automated manufacturing toolchain using skill-based digital twins. Procedia CIRP, 128, 923–928. https://doi.org/10.1016/j.procir.2024.06.045
Dolli, V., Jally, S.V., Rawal, Y., Madhusudhana, H. K., Satish, G. J. y Lakkundi, A. R. (2024). A review on tool condition monitoring in CNC turning process using digital twin technology. AIP conference proceedings. https://doi.org/10.1063/5.0291701
Dvorak, J., Cornelius, A., Corson, G., Zameroski, R., Jacobs, L., Penney, J. y Schmitz, T. (2022). A machining digital twin for hybrid manufacturing. Manufacturing Letters, 33, 786–793. https://doi.org/10.1016/j.mfglet.2022.07.097
Geng, R., Li, M., Hu, Z., Han, Z. y Zheng, R. (2022). Digital twin in smart manufacturing: Remote control and virtual machining using VR and AR technologies. Structural and Multidisciplinary Optimization, 65(11), Article 321. https://doi.org/10.1007/s00158-022-03426-3
Hamza, M. F. (2026). Cloud, Edge, and Digital Twin Architectures for Condition Monitoring of Computer Numerical Control Machine Tools: A Systematic Review. Information, 17, 153. https://doi.org/10.3390/info17020153
Heo, E. y Yoo, N. (2021). Numerical control machine optimization technologies through analysis of machining history data using digital twin. Applied Sciences, 11(7), 3259. https://doi.org/10.3390/app11073259
Jaensch, F., Csiszar, A., Scheifele, C. y Verl, A. (2018). Digital twins of manufacturing systems as a base for machine learning. In 2018 25th International Conference on Mechatronics and Machine Vision in Practice (M2VIP) (pp. 1–6). IEEE. https://doi.org/10.1109/M2VIP.2018.8600844
Jarosz, K. y Ozel, T. (2021). Machine learning approaches towards digital twin development for machining systems. International Journal of Mechatronics and Manufacturing Systems, 15(2–3), 127–148. https://doi.org/10.1504/IJMMS.2022.124922
Jones, D., Snider, C., Nassehi, A., Yon, J., & Hicks, B. (2020). Characterising the Digital Twin: A systematic literature review. CIRP Journal of Manufacturing Science and Technology, 29, 36–52. https://doi.org/10.1016/j.cirpj.2020.02.002
Li, B., Hou, B., Yu, W., Lu, X., & Yang, C. (2021). Applications of artificial intelligence in intelligent manufacturing: a review. Frontiers of Information Technology & Electronic Engineering, 18(1), 86–96. https://doi.org/10.1631/FITEE.1601885
Lim, J.-M., Song, W., Lee, J.-S., Park, J.-M., Shin, H.-R., Oh, I., Hwang, S.-H., Jeong, S., Kang, S., Lee, C.-Y. y Min, B.-K. (2025). Recent advances in CNC technology: Toward autonomous and sustainable manufacturing. International Journal of Precision Engineering and Manufacturing, 26(9), 2311–2344. https://doi.org/10.1007/s12541-025-01334-2
Negri, E., Fumagalli, L., & Macchi, M. (2017). A review of the roles of Digital Twin in CPS-based production systems. Procedia Manufacturing, 11, 939–948. https://doi.org/10.1016/j.promfg.2017.07.198
Pan, L., Guo, X., Luan, Y. y Wang, H. (2020). Design and realization of cutting simulation function of digital twin system of CNC machine tool. Procedia Computer Science, 183, 261–266. https://doi.org/10.1016/j.procs.2021.02.057
Pantelidakis, M. y Mykoniatis, K. (2024). Extending the digital twin ecosystem: A real time digital twin of a LinuxCNC controlled subtractive manufacturing machine. Journal of Manufacturing Systems, 74, 1057–1066. https://doi.org/10.1016/j.jmsy.2024.05.012
Sa, G., Sun, J., Hou, M., Zhengyang, J., Liu, Z., Mao, H., Huang, K., He, L. y Tan, J. (2024). A digital twin synchronous evolution method of CNC machine tools associated with dynamic and static errors. International Journal of Advanced Manufacturing Technology, 134(5–6), 2753–2763. https://doi.org/10.1007/s00170 024 14244 W
Silva, L. R. R., Pimenov, D. Y., Silva, R. B., Ercetin, A. y Giasin, K. (2025). Review of applications of digital twins and Industry 4.0 for machining. Journal of Manufacturing and Materials Processing, 9(7), 211. https://doi.org/10.3390/jmmp9070211
Vishnu, V. S., Varghese, K. G. y Gurumoorthy, B. (2020). A data-driven digital twin of CNC machining processes for predicting surface roughness. Procedia CIRP, 104, 1065–1070. https://doi.org/10.1016/j.procir.2021.11.179
Wang, J., Ye, L., Gao, R.X., Li, C., & Zhang, L. (2019). Digital Twin for rotating machinery fault diagnosis in smart manufacturing. International Journal of Production Research, 57, 3920-3934. https://doi.org/10.1080/00207543.2018.1552032
Ward, R., Sun, C., Dominguez Caballero, J., Ojo, S., Ayvar Soberanis, S., Curtis, D. y Ozturk, E. (2021). Machining digital twin using real time model based simulations and lookahead function for closed loop machining control. The International Journal of Advanced Manufacturing Technology, 117(11–12), 3615–3629. https://doi.org/10.1007/s00170 021 07867 W
Wei, Y., Hu, T., Zhou, T., Ye, Y. y Luo, W. (2020). Consistency retention method for CNC machine tool digital twin model. Journal of Manufacturing Systems, 58, 313–322. https://doi.org/10.1016/j.jmsy.2020.06.002
Wu, L., Leng, J. y Ju, B.-F. (2021). Digital twins based smart design and control of ultra precision machining: A review. Symmetry, 13(9), 1717. https://doi.org/10.3390/sym13091717
Yang, X., Ran, Y., Zhang, G., Wang, H., Mu, Z., & Zhi, S. (2022). A digital twin-driven hybrid approach for the prediction of performance degradation in transmission unit of CNC machine tool. Robotics and Computer-Integrated Manufacturing, 73, 102230. https://doi.org/10.1016/j.rcim.2021.102230
Yao, K.-C., Chen, D.-C., Pan, C.-H. y Lin, C.-L. (2024). The development trends of computer numerical control (CNC) machine tool technology. Mathematics, 12(13), 1923. https://doi.org/10.3390/math12131923
Zhang, C., Zhou, G., Xu, Q., Wei, Z., Chong, H., y Wang, Z. (2022). A digital twin defined autonomous milling process towards the online optimal control of milling deformation for thin-walled parts. The International Journal of Advanced Manufacturing Technology, 124(7–8), 2847–2861. https://doi.org/10.1007/s00170-022-10667-5
Zhao, G., Cao, X., Xiao, W., Zhu, Y. y Cheng, K. (2019). Digital twin for NC machining using complete process information expressed by STEP NC standard. En Proceedings of the 4th International Conference on Automation, Control and Robotics Engineering (CACRE 2019) (pp. 1–6). ACM. https://doi.org/10.1145/3351917.3351979
Zhu, Z., Lin, Z., Huang, J., Li, Z. y He, B. (2023). A digital twin based machining motion simulation and visualization monitoring system for milling robot. The International Journal of Advanced Manufacturing Technology, 127(9 10), 4387–4399. https://doi.org/10.1007/s00170 023 11827 X
Zhu, Z., Xi, X., Xu, X., & Cai, Y. (2021). Digital Twin-driven machining process for thin-walled part manufacturing. Journal of Manufacturing Systems, 59, 453–466. https://doi.org/10.1016/j.jmsy.2021.03.015
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 Jaime Roberto Castañeda Castañeda
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
- Los autores/as conservan los derechos de autor y ceden a la revista el derecho de la primera publicación, con el trabajo registrado con la licencia de atribución de Creative Commons 4.0, que permite a terceros utilizar lo publicado siempre que mencionen la autoría del trabajo y a la primera publicación en esta revista.
- Los autores/as pueden realizar otros acuerdos contractuales independientes y adicionales para la distribución no exclusiva de la versión del artículo publicado en esta revista (p. ej., incluirlo en un repositorio institucional o publicarlo en un libro) siempre que indiquen claramente que el trabajo se publicó por primera vez en esta revista.
- Se permite y recomienda a los autores/as a compartir su trabajo en línea (por ejemplo: en repositorios institucionales o páginas web personales) antes y durante el proceso de envío del manuscrito, ya que puede conducir a intercambios productivos, a una mayor y más rápida citación del trabajo publicado.
