Arquitectura inteligente para motores eléctricos: IIoT y machine learning para la adquisición y análisis avanzado de datos

Autores/as

DOI:

https://doi.org/10.29057/icbi.v11i22.11092

Palabras clave:

Industria 4.0, Transformación Digital, IIoT(Industrial Internet of Things), Machine Learning, Analítica de datos, Big Data

Resumen

Existe una demanda creciente en la industria en distintas áreas para la recolección de variables relacionadas con las condiciones de los equipos de líneas de producción, como los motores eléctricos. Esta demanda ha aumentado debido al auge de la industria 4.0 y la transformación digital que las empresas están desplegando. Entendiendo que una plata típica tiene entre 6,000 a 12,000 equipos, seleccionar los equipos críticos para asignar una inversión en la instalación y puesta en marcha de sensores que midan las condiciones de operación es un desafío tanto operativo como de inversión. Es aquí es donde las tecnologías de IIoT (Industrial Internet of Things), cobran relevancia, ya que permiten mitigar costos tanto en no utilizar cableado para la recolección de datos, como en un despliegue mar rápido y flexible. El siguiente reto, es cómo monitorear, procesar, visualizar y analizar el gran volumen de datos (Big Data) que se generan. Por lo que en este trabajo se propone una arquitectura que aborde estos retos, como también que metodología puede ser usada para la integración de estos proyectos, y como cada día la industria demanda más aplicación de técnicas de Machine Learning.

Descargas

Los datos de descargas todavía no están disponibles.

Información de Publicación

Metric
Este artículo
Otros artículos
Revisores por pares 
2.4 promedio

Perfiles de revisores  N/D

Declaraciones del autor

Declaraciones del autor
Este artículo
Otros artículos
Disponibilidad de datos 
N/A
16%
Financiamiento externo 
No
32% con financiadores
Intereses conflictivos 
N/D
11%
Metric
Para esta revista
Otras revistas
Artículos aceptados 
86%
33%
Días hasta la publicación 
248
145

Indexado en

Editor y comité editorial
perfiles
Sociedad académica 
N/D

Citas

Banner Engineering. (2022). Sure Cross® Wireless Q45VTP and VTPD Node (P/N 208637 Rev. D).

Chapman, S. J. (2013). MATLAB® Programming with Applications for Engineers. Cengage Learning.

Creus Solé, A. (2010). Instrumentación Industrial. Alfaomega Grupo Editor, S.A. de C.V., México.

Eckroth, J. (2018). Python Artificial Intelligence Projects for Beginners. Packt Publishing.

Fernandes de Mello, R., & Ponti, M. A. (2018). Machine Learning. A Practical Approach on the Statistical Learning Theory. Springer International Publishing AG.

Hassanien, A. E., & Darwish, A. (2021). Machine Learning and Big Data Analytics Paradigms: Analysis, Applications and Challenge. Springer Nature.

Jo, T. (2021). Machine Learning Foundations: Supervised, Unsupervised, and Advanced Learning. Springer Nature Switzerland AG.

Joshi, A. V. (2020). Machine Learning and Artificial Intelligence. Springer Nature Switzerland AG 2020.

Matworks. (2023). https://la.mathworks.com/products/matlab-web-app-server.html. Obtenido de https://la.mathworks.com/products/matlab-web-app-server.html

Schwab, K. (2016). La cuarta revolución industrial. Leddy.

Serpanos, D., & Wolf, M. (2018). Internet-of-Things (IoT) Systems: Architectures, Algorithms, Methodologies. Springer.

Xue, D. (2020). MATLAB® Programming. Mathematical Problem Solutions. Degruyter.

Descargas

Publicado

2024-01-05

Cómo citar

Gutiérrez-Trejo, S. S., Romero-Guerrero, J. A. ., & Villa-Villaseñor, N. (2024). Arquitectura inteligente para motores eléctricos: IIoT y machine learning para la adquisición y análisis avanzado de datos. Pädi Boletín Científico De Ciencias Básicas E Ingenierías Del ICBI, 11(22), 118–123. https://doi.org/10.29057/icbi.v11i22.11092

Número

Sección

Artículos de investigación