https://rinacional.tecnm.mx/jspui/handle/TecNM/46 Fri, 24 Apr 2026 04:42:32 GMT 2026-04-24T04:42:32Z https://rinacional.tecnm.mx:443/retrieve/6e2b9ad1-5322-4f97-844f-0da9360367bb/LOGO_ITMexicali.jpg https://rinacional.tecnm.mx/jspui/handle/TecNM/46 https://rinacional.tecnm.mx/jspui/handle/TecNM/9577 Title: Análisis de eficiencia energética y algorítmica aplicada en los sistemas de comunicación de los dispositivos (IOT) Authors: Alvarez Rosado, Gabriel L. Description: Actualmente, tanto en la industria como en el hogar se han sufrido varios cambios con el desarrollo de las nuevas tecnologías, y con ellas ha surgido la cuarta revolución industrial. La cuarta revolución industrial ha desarrollado muchas tecnologías, una de ellas es el Internet de las Cosas (IoT), que nos permite estar más conectados que nunca a los distintos equipos y hacerlo de manera más accesible. Los podemos observar en dispositivos inteligentes para el hogar, como refrigeradores inteligentes, focos inteligentes, entre otras cosas, como los dispositivos compatibles con Google Home y Alexa. De igual manera, en la industria se han observado áreas de oportunidad en donde involucrar estas tecnologías. La mayoría de estos dispositivos funcionan a base de redes inalámbricas (RF), como Wi-Fi, Zigbee, LoRa, entre otros. Al ser estos inalámbricos, algunos dispositivos funcionan de manera portátil, por lo que la energía que estos necesitan es suministrada por una fuente finita (baterías). Las baterías juegan un papel esencial en las aplicaciones, ya que sin ellas, los dispositivos portátiles quedarían inútiles. Al ser estos dispositivos portátiles, es necesario un protocolo de comunicación para que los dispositivos puedan comunicarse con otros dispositivos. Para esto existen varios protocolos como MQTT, HTTP, CoAP. A partir de una investigación realizada por Eclipse, se observó que el protocolo más utilizado por los desarrolladores es MQTT, por lo que esta investigación se enfocó en realizar un análisis al transmitir información por MQTT. En esta investigación se propuso una metodología para obtener el consumo energético al transmitir datos mediante Wi-Fi utilizando el protocolo MQTT. Esta metodología se aplicó para obtener el consumo energético en tres placas de desarrollo IoT: ESP32, ESP8266 y Arduino Uno Wi-Fi Rev 2. En la investigación se concluyó que la placa ESP8266 obtuvo el menor consumo energético, con un promedio de corriente de 77.328 mA al transmitir un mensaje por MQTT. La placa que contempla un mayor consumo fue ESP32 con un consumo promedio de corriente de 140.22 mA. Esto se evaluó con tres diferencias de potencial para obtener un consumo estimado al utilizar baterías con distinto potencial. Fri, 01 Sep 2023 00:00:00 GMT https://rinacional.tecnm.mx/jspui/handle/TecNM/9577 2023-09-01T00:00:00Z https://rinacional.tecnm.mx/jspui/handle/TecNM/9576 Title: Implementación de un Control Activo Aplicado a la Respuesta Sísmica de Ciudades Inteligentes. Authors: Chavez Murga, Arturo A. Description: El creciente costo de los materiales estructurales ha forzado a buscar alternativas de menor costo, innovando estructuralmente con sistemas de amortiguamiento que ocupen menos volumen y consuman menos potencia al amortiguar la energía cinética en el caso de sistemas con parte activa. Se presenta un controlador inteligente, clasificado como amortiguador de masa activa (AMD), aplicando la técnica de rigidez conmutada en su ley de control, que reduce el tiempo de asentamiento en un 25% con respecto a la respuesta natural en un prototipo de edificación de un piso. Adecuando el sistema AMD a un entorno de ciudad inteligente, en la adquisición de datos se implementa una máquina de estados finita (FSM), que adquiere y publica la información a un servidor remoto Firebase y envía un archivo histórico por correo al usuario. Fri, 10 Jan 2025 00:00:00 GMT https://rinacional.tecnm.mx/jspui/handle/TecNM/9576 2025-01-10T00:00:00Z https://rinacional.tecnm.mx/jspui/handle/TecNM/9575 Title: Clasificación de sonidos respiratorios adventicios a través del histograma de gradientes orientados Authors: Pacheco Torres, Luis E. Description: Las enfermedades respiratorias representan una de las principales causas de muerte en el mundo. En 2019, de acuerdo con informes de la Organización Mundial de la Salud, aproximadamente 7.7 millones de personas murieron como consecuencia de estas enfermedades. Medidas como la prevención, el diagnóstico oportuno y el tratamiento efectivo son factores clave para reducir tanto la propagación de enfermedades como su impacto negativo en la sociedad. Entre las principales herramientas de los especialistas de la salud, para evaluar la condición del sistema respiratorio, se encuentra la auscultación. Este procedimiento le permite a los médicos escuchar los sonidos internos del cuerpo humano, con el fin de identificar diversas afecciones. Los sonidos respiratorios, en especial los sonidos respiratorios adventicios, contienen información vital acerca del estado de salud de los pulmones, vías respiratorias u otros órganos afines al sistema respiratorio. De manera que, son una pieza más para llegar al correcto diagnóstico. Sin embargo, la auscultación es un procedimiento subjetivo que depende en gran medida de la interpretación del médico. En este documento, se desarrolla un sistema computacional, utilizando el histograma de gradientes orientados junto a algoritmos de aprendizaje de máquina, para clasificar sonidos respiratorios; en especial, sonidos respiratorios adventicios. Para ello, se empleó el marco de trabajo descrito por la base de datos ICBHI17. En donde, nuestro sistema alcanzó como resultado: 55.07 % AC, 34.37 % BA, 51.52 % AS, 75.87 % SP y 27.18 % SE; mostrando consistencia con el estado del arte. Fri, 12 Jan 2024 00:00:00 GMT https://rinacional.tecnm.mx/jspui/handle/TecNM/9575 2024-01-12T00:00:00Z https://rinacional.tecnm.mx/jspui/handle/TecNM/9574 Title: Aprendizaje máquina para la clasificación de señales de series de tiempo Authors: Ramos Rivera, Daniel Description: Las series de tiempo son fundamentales para analizar fenómenos dinámicos debido a su naturaleza interdependiente, lo que dificulta el uso de métodos tradicionales de clasificación. El aprendizaje automático resulta esencial para identificar patrones complejos en estos datos, mejorando la precisión y eficiencia de las tareas de análisis (Bagnall y cols., 2019). Este trabajo compara dos enfoques para la clasificación de series temporales en dos casos de estudio: la detección de patrones de deambulación asociados a la demencia y la identificación de daños en las palas de turbinas eólicas. El primer enfoque combina la extracción de características mediante la Transformada Discreta de Wavelet (DWT, por sus siglas en inglés) con modelos clásicos de aprendizaje automático (Random Forest, Máquinas de Soporte Vectorial, k-Vecinos más Cercanos). El segundo utiliza modelos especializados para series temporales en crudo, como ROCKET y HIVE-COTE2. Los resultados muestran que el enfoque basado en características extraídas mediante DWT supera a los modelos especializados como en el primer caso. Para la detección de patrones de deambulación, el modelo Random Forest combinado con características extraídas logró el mejor rendimiento. En el caso de los daños en turbinas eólicas, las Máquinas de Soporte Vectorial con las series temporales en crudo demostraron una mayor precisión. Estos hallazgos destacan la eficiencia y robustez de los modelos clásicos combinados con técnicas de extracción de características frente a métodos más complejos en problemas específicos de clasificación de series temporales. Thu, 16 Jan 2025 00:00:00 GMT https://rinacional.tecnm.mx/jspui/handle/TecNM/9574 2025-01-16T00:00:00Z