Una planta cerámica puede generar miles de datos cada día.
Presiones de prensado. Humedad del polvo atomizado. Temperaturas. Velocidades. Parámetros de alimentación. Curvas de secado y cocción. Medidas dimensionales. Resultados de laboratorio. Datos de clasificación. Mapas de densidad.
Pero disponer de muchos datos no significa disponer de un gemelo digital.
El reto no está únicamente en capturar datos, sino en convertirlos en información de calidad capaz de mejorar la eficiencia y la competitividad mediante su contextualización, correlación y análisis.
Para que esa información pueda ayudar realmente a comprender el proceso, primero debemos saber a qué producto corresponde, en qué momento se ha generado y bajo qué condiciones de fabricación.
Y si queremos avanzar un paso más, desde el análisis de lo ocurrido hacia la calidad predictiva, debemos ser capaces de relacionar el estado inicial de la pieza con su evolución posterior.
La cuestión deja entonces de ser únicamente:
¿Qué ha ocurrido durante la fabricación?
y pasa a ser:
¿Podemos utilizar lo que sabemos ahora para anticipar lo que podría ocurrir después?
Este es uno de los grandes retos que plantea el gemelo digital en la industria cerámica.
No consiste simplemente en digitalizar una fábrica ni en visualizar datos en tiempo real. Consiste en construir una representación digital suficientemente conectada con el proceso físico como para comprender su comportamiento, estudiar escenarios y, en niveles más avanzados, apoyar decisiones antes de que aparezca una desviación.
La familia de normas ISO 23247 establece precisamente un marco específico para la aplicación de gemelos digitales en fabricación. La norma contempla la creación de representaciones digitales de elementos observables del sistema productivo y la integración de la información necesaria para trabajar con ellas.
En la industria cerámica, el interés es especialmente relevante porque el producto cambia continuamente a medida que avanza por el proceso.
Una baldosa prensada no es todavía la baldosa que saldrá del horno.
Entre ambos estados se producen cambios de humedad, densificación, contracción, transformaciones térmicas y modificaciones dimensionales. Comprender cómo se relacionan esas etapas es la base sobre la que puede construirse una calidad cada vez más predictiva.
Qué es realmente un gemelo digital en fabricación
El término gemelo digital se utiliza con frecuencia para describir soluciones muy distintas.
Un modelo 3D de una máquina puede presentarse como un gemelo digital.
También un dashboard con variables en tiempo real, una simulación de proceso o una base de datos histórica.
Sin embargo, no todos estos sistemas representan el mismo grado de integración entre el mundo físico y el digital.
La serie ISO 23247 proporciona un marco específico para los gemelos digitales en fabricación. Su primera parte establece los principios generales y requisitos del marco, mientras que otras partes desarrollan la arquitectura de referencia, la representación digital de los elementos de fabricación y el intercambio de información.
La evolución de esta familia normativa muestra además que el reto ya no se limita a construir una representación digital aislada.
La ISO 23247-5:2026 introduce el concepto de digital thread o hilo digital para conectar, gestionar y mantener los gemelos digitales a lo largo del ciclo de vida del producto.
La ISO 23247-6:2026, por su parte, aborda la composición de diferentes gemelos digitales y su interoperabilidad.
Esto resulta especialmente interesante en una fábrica cerámica.
No tiene por qué existir un único modelo que represente absolutamente toda la planta.
Podrían coexistir representaciones digitales de:
- Equipos.
- Procesos.
- Materias primas.
- Productos.
- Sistemas energéticos.
- Sistemas de calidad.
El valor aparece cuando estos elementos pueden compartir información y conservar las relaciones necesarias para interpretar lo que sucede.
Modelo digital, sombra digital y gemelo digital: no son exactamente lo mismo
La Guía ASEBEC 4.0, desarrollada específicamente para la transformación digital del sector cerámico, establece una distinción útil según el grado de integración existente entre el proceso físico y su representación digital.
Modelo digital
Es una representación del proceso o producto sin intercambio automatizado de información con el sistema físico.
Puede tratarse, por ejemplo, de:
- Un modelo matemático.
- Una simulación.
- Una representación geométrica.
- Un modelo físico del comportamiento de un equipo o material.
Puede ser extremadamente útil, pero sus datos no se actualizan automáticamente a partir de lo que ocurre en fábrica.
Sombra digital
Existe un flujo automatizado de información desde el proceso físico hacia la representación digital.
Cuando cambia el proceso real, el modelo digital recibe esa información y actualiza su estado.
El flujo, sin embargo, es fundamentalmente unidireccional.
Gemelo digital
En la clasificación utilizada por la Guía ASEBEC 4.0, el nivel de integración aumenta hasta permitir una conexión más completa entre ambos entornos, pudiendo existir intercambio de información y acciones entre el sistema físico y el digital.
Esta distinción es importante porque evita llamar gemelo digital a cualquier sistema que simplemente muestre información.
Visualizar el proceso no es lo mismo que modelarlo.
Y modelarlo tampoco significa automáticamente que podamos predecirlo.
La trazabilidad es el primer requisito
Antes de intentar anticipar el comportamiento de una baldosa, debemos ser capaces de reconstruir su historia.
Imaginemos una planta donde se registran correctamente:
- La humedad del atomizado.
- La presión de prensado.
- La temperatura del secadero.
- La curva del horno.
- El calibre final.
- La planitud.
Todos esos datos pueden ser precisos.
Pero si no podemos establecer qué condiciones afectaron a cada pieza, prensada o lote, su capacidad para explicar un determinado resultado se reduce considerablemente.
Por eso, la trazabilidad no es lo mismo que el gemelo digital, pero constituye una de sus bases fundamentales.
La propia Guía ASEBEC 4.0 identifica la descentralización de la información y la existencia de diferentes “islas de datos” como uno de los principales obstáculos para construir un gemelo digital en una fábrica cerámica.
Una trazabilidad suficientemente detallada debería permitir responder preguntas como:
- ¿Con qué materia prima se fabricó esta pieza?
- ¿En qué momento se prensó?
- ¿Qué configuración de proceso estaba activa?
- ¿Qué propiedades presentaba antes del secado y la cocción?
- ¿Qué condiciones térmicas experimentó?
- ¿Cuál fue su comportamiento dimensional final?
- ¿Terminó clasificada como primera calidad?
- ¿Presentó posteriormente una rotura, una curvatura o una desviación de calibre?
Cuando podemos mantener estas relaciones, dejamos de trabajar únicamente con datos independientes.
Empezamos a construir la historia digital del producto.
Trazabilidad, monitorización y calidad predictiva responden preguntas diferentes
Conviene separar conceptos.
| Nivel | Pregunta principal | Resultado |
| Captura de datos | ¿Qué estamos midiendo? | Valores procedentes de equipos, sensores y controles |
| Trazabilidad | ¿A qué pieza, lote y momento pertenece cada dato? | Relación entre producto y condiciones de fabricación |
| Monitorización | ¿Qué está ocurriendo? | Visibilidad del estado actual del proceso |
| Análisis técnico | ¿Qué relaciones aparecen entre variables? | Identificación de patrones e hipótesis |
| Simulación | ¿Qué ocurriría bajo unas condiciones determinadas? | Evaluación de escenarios mediante un modelo |
| Calidad predictiva | ¿Qué resultado es razonable esperar? | Estimación de tendencias, probabilidades o comportamientos futuros |
| Optimización | ¿Qué decisión puede mejorar el resultado? | Apoyo a la actuación sobre el proceso |
Esta tabla debe entenderse como una clasificación conceptual para explicar la progresión del uso del dato, no como una taxonomía oficial de la norma ISO o de ASEBEC.
Lo importante es comprender que los niveles superiores dependen de los anteriores.
Un algoritmo avanzado no puede compensar automáticamente una trazabilidad deficiente.
Y un modelo predictivo construido sobre datos mal contextualizados puede ser matemáticamente sofisticado y, al mismo tiempo, poco útil para producción.
Por qué el estado en crudo es especialmente importante
La pieza que entra al horno ya contiene una historia de fabricación.
Durante la alimentación y el prensado pueden aparecer heterogeneidades asociadas, entre otros factores, a:
- Distribución del polvo.
- Condiciones de llenado.
- Desaireación.
- Presión aplicada.
- Geometría del molde.
- Estado de determinados componentes.
Estas diferencias pueden traducirse en distribuciones no homogéneas de densidad, espesor o masa. Por eso, medir la densidad aparente después de la compactación aporta información especialmente relevante sobre el estado inicial con el que la pieza continuará hacia las siguientes etapas.
La documentación técnica de Tekinn relaciona estas heterogeneidades con comportamientos posteriores diferentes durante secado, esmaltado, cocción o procesos mecánicos.
Esto no significa que observar una heterogeneidad permita identificar automáticamente el defecto final.
Tampoco que una determinada distribución tenga siempre una única causa.
Significa algo más útil desde el punto de vista técnico:
el estado inicial de la pieza contiene información que puede ayudarnos a comprender su comportamiento posterior.
Y esa información puede formar parte del historial digital de la baldosa.
Del valor medio al mapa
Para un gemelo digital orientado a calidad, no siempre basta con almacenar un único número por pieza.
Supongamos:
Densidad media: 1,96 g/cm³.
Ese valor permite comparar producciones y observar tendencias.
Pero no indica dónde se encuentra la masa.
No muestra si existe una banda transversal.
No distingue entre centro y bordes.
No refleja un gradiente.
No permite saber si dos piezas con la misma media presentan distribuciones completamente diferentes.
La tecnología de absorción de rayos X para verificar la compactación de piezas cerámicas, combinada con la medida del espesor, permite obtener de manera no destructiva mapas de densidad aparente en baldosas cerámicas de grandes dimensiones. El trabajo de Amorós et al. publicado en 2010 desarrolló precisamente esta metodología para determinar distribuciones de densidad en piezas de gran tamaño.
En Tekinn utilizamos este principio para caracterizar la pieza prensada y obtener información sobre la distribución de densidad, espesor y masa.
La diferencia conceptual es importante:
Una cifra resume.
Un mapa conserva la distribución espacial.
Esta diferencia resulta especialmente relevante en grandes dimensiones, donde inspeccionar la pieza completa permite identificar patrones y heterogeneidades que podrían quedar ocultos entre unos pocos puntos de medida.
Un mapa de densidad no es todavía un gemelo digital
Esta distinción merece ser explícita.
Obtener un mapa de alta resolución de una baldosa no significa que ya exista un gemelo digital de esa pieza.
El mapa es una caracterización de uno de sus estados.
Para avanzar hacia un gemelo orientado a calidad habría que relacionar esa información con otros datos:
Estado del polvo
↓
Condiciones de prensado
↓
Mapa de la pieza en crudo
↓
Condiciones de secado
↓
Aplicación de esmalte
↓
Condiciones de cocción
↓
Geometría y propiedades finales
Solo cuando podemos conservar y explotar estas relaciones empezamos a construir una representación digital capaz de explicar la evolución del producto.
Este matiz es importante porque evita confundir captura avanzada de datos con capacidad predictiva.
De reconstruir el pasado a anticipar el futuro
La trazabilidad permite reconstruir:
qué ocurrió.
El análisis permite estudiar:
qué variables estuvieron relacionadas.
La simulación y los modelos predictivos intentan responder:
qué podría ocurrir bajo unas determinadas condiciones.
La Guía ASEBEC 4.0 plantea precisamente una evolución desde la conectividad y la visualización hacia niveles de mayor transparencia, capacidad predictiva y adaptabilidad. También señala que la capacidad predictiva depende del trabajo previo realizado para integrar datos y comprender las interacciones del proceso.
Por eso la predicción no debería entenderse como una capa de inteligencia artificial que simplemente se instala sobre una fábrica.
Necesita una base.
Datos.
Trazabilidad.
Contexto.
Modelos.
Y conocimiento cerámico.
Qué significa realmente “calidad predictiva”
Una herramienta de calidad predictiva no tiene necesariamente que emitir un veredicto:
“Esta pieza saldrá defectuosa.”
Ese planteamiento binario suele simplificar demasiado un proceso industrial complejo.
Una predicción puede consistir en estimar:
- Una tendencia.
- Una probabilidad.
- Un intervalo esperado.
- Un riesgo creciente.
- Una propiedad futura.
- El comportamiento bajo distintos escenarios.
Por ejemplo:
- ¿Qué contracción cabe esperar bajo determinadas condiciones?
- ¿Aumenta el riesgo de una desviación dimensional?
- ¿Qué distribuciones iniciales aparecen asociadas con mayor frecuencia a determinadas deformaciones?
- ¿Qué ocurriría si cambiamos una condición de proceso?
- El valor está en proporcionar al técnico información útil antes de que se consolide el resultado final.
No en sustituir su criterio.
Tres vías para construir modelos predictivos
Desde el punto de vista técnico, la predicción puede abordarse mediante estrategias diferentes.
Modelos basados en física
Representan matemáticamente los mecanismos que gobiernan el proceso.
Pueden incorporar:
- Propiedades del material.
- Transferencia térmica.
- Deformación.
- Densificación.
- Viscosidad.
- Contracción.
- Condiciones de contorno.
Su principal ventaja es que la predicción se apoya en una representación explícita de la física del fenómeno.
Modelos basados en datos
Utilizan históricos de producción para identificar relaciones estadísticas entre entradas y resultados.
Aquí pueden intervenir:
- Regresión.
- Métodos multivariantes.
- Machine learning.
- Redes neuronales.
- Detección de anomalías.
Su capacidad depende en gran medida de la cantidad, calidad y representatividad de los datos utilizados para entrenarlos y validarlos.
Modelos híbridos
Combinan conocimiento físico y modelos basados en datos.
Esta aproximación resulta especialmente interesante cuando conocemos parte de la física del fenómeno, pero el proceso real presenta una complejidad difícil de representar completamente mediante ecuaciones.
No existe una estrategia universalmente mejor.
La elección depende del problema que queremos resolver, de los datos disponibles y del grado de conocimiento del proceso.
Un ejemplo real: simular la deformación durante el sinterizado
Esta relación entre el estado inicial y el resultado final puede observarse también al estudiar la densidad aparente y la estabilidad dimensional de la baldosa, ya que diferencias internas de compactación pueden condicionar la contracción, el calibre o la planitud posteriores.
En 2026, Balaguer et al. publicaron en Ceramics International el trabajo “Simulation of ceramic tile sintering using a modified SOVS model under industrial production conditions”.
El estudio desarrolla un modelo mejorado de sinterizado viscoso —basado en el modelo SOVS— aplicado a baldosas de gres porcelánico y lo implementa mediante el método de elementos finitos.
El modelo permite estudiar la evolución de variables como:
- Densificación.
- Contracción.
- Distorsión geométrica.
Además, incorpora el efecto de heterogeneidades originadas durante el prensado.
Un aspecto especialmente relevante es que el trabajo no se limita a condiciones idealizadas de laboratorio.
La validación incluye ensayos de laboratorio y pruebas a escala industrial, con prensado y cocción en equipos industriales y caracterización de las piezas antes y después del tratamiento térmico.
Los resultados obtenidos muestran que, dentro de las condiciones y materiales estudiados, el modelo puede reproducir con buena concordancia la evolución de la densificación, la contracción y las distorsiones geométricas observadas experimentalmente.
La precisión del lenguaje aquí es importante.
Este trabajo no demuestra que actualmente podamos conocer con certeza absoluta cómo saldrá cualquier baldosa del horno.
Demuestra algo más concreto:
bajo unas condiciones definidas, es posible utilizar una caracterización del estado inicial y un modelo físico para aproximar la evolución posterior de la pieza.
Ese es un paso relevante hacia la calidad predictiva.
El gemelo digital del sinterizado ya es una línea de investigación específica
La conexión entre simulación, medida y gemelo digital no es únicamente una aplicación genérica de conceptos de Industria 4.0.
En 2024, Chen et al. publicaron en Journal of Materials Science una revisión titulada “A review of in-situ measurement and simulation technologies for ceramic sintering: towards a digital twin sintering system”.
El trabajo analiza conjuntamente las tecnologías de medida in situ y los modelos de simulación disponibles para estudiar el sinterizado y plantea explícitamente un marco orientado hacia un gemelo digital del proceso de sinterizado cerámico.
La lógica es especialmente relevante para nuestro sector:
Proceso físico
→ medición
→ datos
→ modelo
→ simulación
→ comparación con el proceso real
→ actualización del conocimiento
En cerámica, esta integración presenta además una dificultad particular.
No solo cambia el estado de la máquina.
También cambia el material.
Durante la cocción evolucionan la microestructura, la densidad, las dimensiones y las propiedades del cuerpo cerámico.
Por tanto, un modelo orientado a calidad no debería conocer únicamente lo que hace el horno.
También necesita información sobre qué pieza está entrando en él.
Qué información podría integrar un gemelo digital orientado a calidad cerámica
Una arquitectura concreta dependerá de cada fábrica, producto y problema técnico.
No todas las variables serán necesarias en todos los casos.
Pero, conceptualmente, un sistema orientado a estudiar la calidad podría relacionar información procedente de varias etapas:
- Materia prima y atomizado. Composición, humedad, granulometría, fluidez, lote o condiciones de preparación.
- Alimentación y prensado. Prensa, molde, cavidad, parámetros de alimentación, presión y ciclo de compactación.
- Pieza en crudo. Densidad, espesor, masa y, cuando sea posible, su distribución espacial.
- Secado. Temperatura, tiempo, humedad y condiciones relevantes del ciclo.
- Esmaltado y decoración. Receta, cantidad aplicada, condiciones de aplicación y variables asociadas al soporte.
- Cocción. Curva térmica, velocidad, tiempo, posición y condiciones operativas.
- Producto final. Dimensiones, calibre, planitud, curvatura, tono, clasificación o defectos detectados.
El objetivo no consiste en almacenar todo porque sea técnicamente posible.
Consiste en conservar las variables capaces de responder a una pregunta industrial concreta.
La trazabilidad por pieza permite preguntas mucho más precisas
Supongamos que una producción comienza a mostrar un aumento de curvaturas.
Podríamos comparar:
- Densidad media del lote.
- Humedad media.
- Temperatura media.
- Curvatura media.
Puede ser útil.
Pero una trazabilidad más detallada permitiría preguntar:
- ¿Las piezas con mayor deformación presentaban un determinado patrón de densidad antes de cocer?
- ¿La zona de menor densidad coincide espacialmente con la dirección de la deformación?
- ¿El fenómeno aparece únicamente en determinadas condiciones de prensado?
- ¿Ocurre en una posición concreta del horno?
- ¿Se repite después de un cambio de atomizado?
- ¿Desaparece después de modificar un parámetro concreto?
Este cambio es fundamental.
Ya no estudiamos únicamente medias de producción.
Estudiamos historias de producto.
¿Dónde encaja Tekinn en esta evolución?
Aquí es importante diferenciar con precisión capacidad actual y hoja de ruta tecnológica.
Actualmente, Tekinn trabaja en una etapa muy concreta y especialmente relevante para el conocimiento posterior del producto:
la caracterización de la pieza prensada antes de la cocción.
Mediante inspección por rayos X y telemetría obtenemos información sobre la distribución de:
- Densidad.
- Espesor.
- Masa.
Esto permite al equipo técnico hacer visible una heterogeneidad que una inspección superficial o un valor medio pueden no representar adecuadamente.
El valor inmediato está en utilizar esta información para comprender mejor cómo se ha formado la pieza, formular hipótesis sobre una desviación y comprobar el efecto de los ajustes realizados.
No es necesario hablar de gemelo digital para que ese dato ya tenga utilidad.
Pero existe una segunda dimensión.
Si estas caracterizaciones pueden relacionarse en el futuro con históricos de proceso y con el comportamiento posterior de las piezas, se convierten en una fuente de información especialmente valiosa para modelos de análisis más avanzados.
La hoja de ruta de Tekinn contempla precisamente el desarrollo futuro de análisis histórico de datos, software avanzado e inteligencia artificial aplicada al comportamiento de la pieza.
Conviene mantener esta distinción:
Hoy: medimos y caracterizamos la pieza en origen.
Siguiente nivel: relacionar esas caracterizaciones con históricos de fabricación.
Evolución: investigar y desarrollar modelos capaces de extraer patrones y anticipar comportamientos bajo condiciones definidas.
Cuando en este artículo hablamos de calidad predictiva, hablamos por tanto de una evolución tecnológica del control cerámico y de capacidades que ya están demostrando su viabilidad en investigación.
No significa que el software actual de Tekinn prediga automáticamente el resultado final de cada baldosa.
Fuentes técnicas
- ISO 23247-1:2021. Automation systems and integration — Digital twin framework for manufacturing — Part 1: Overview and general principles. Establece los principios generales, términos, definiciones y requisitos del marco de gemelo digital para fabricación.
ISO 23247-1:2021 – ISO - ISO 23247-5:2026. Automation systems and integration — Digital twin framework for manufacturing — Part 5: Digital thread for digital twin. Desarrolla el concepto de hilo digital para posibilitar la creación, conectividad, gestión y mantenimiento de gemelos digitales de fabricación a lo largo del ciclo de vida del producto. La norma fue publicada en junio de 2026.
ISO 23247-5:2026 – ISO - ISO 23247-6:2026. Automation systems and integration — Digital twin framework for manufacturing — Part 6: Digital twin composition. Aborda la comunicación, agregación e interoperabilidad entre diferentes gemelos digitales y distingue composiciones integradas, unificadas y federadas. Fue publicada en julio de 2026.
ISO 23247-6:2026 – ISO - ASEBEC / Instituto de Tecnología Cerámica (ITC-AICE). Guía ASEBEC 4.0. Documento sectorial para orientar la transformación de la industria cerámica hacia la Industria 4.0. Incluye conectividad y sensórica, visualización de datos, gemelo digital, análisis avanzado de datos y machine learning. La propia guía incorpora variables de proceso necesarias para construir el gemelo digital de distintas etapas de fabricación cerámica.
Descargar Guía ASEBEC 4.0 – PDF - Chen, B., Ren, X., Diao, Q., Zou, H., Shi, X., Sui, T., Lin, B. & Yan, S. (2024). A review of in-situ measurement and simulation technologies for ceramic sintering: towards a digital twin sintering system. Journal of Materials Science, 59(29), 13393–13432. DOI: 10.1007/s10853-024-09986-7.
Artículo – Springer / DOI - Balaguer, J., Tiscar, J. M., Boix, J., Olmedilla, A., Moreno, A. & Gilabert, F. A. (2026). Simulation of ceramic tile sintering using a modified SOVS model under industrial production conditions. Ceramics International, 52(13, Part B), 22191–22216. DOI: 10.1016/j.ceramint.2026.03.287. El trabajo desarrolla y valida industrialmente un modelo SOVS modificado para simular densificación, contracción y deformaciones durante la cocción de gres porcelánico.
Artículo – ScienceDirect - Amorós, J. L. et al. (2010). Non-destructive measurement of bulk density distribution in large-sized ceramic tiles. Journal of the European Ceramic Society, 30(14), 2927–2936. DOI: 10.1016/j.jeurceramsoc.2010.01.033. Presenta un sistema basado en absorción de rayos X para obtener de forma no destructiva mapas completos de distribución de densidad aparente y espesor en baldosas cerámicas de gran formato.
Artículo – ScienceDirect