Please use this identifier to cite or link to this item:
https://rinacional.tecnm.mx/jspui/handle/TecNM/7856Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.author | Ronquillo Salas, Carlos Alberto | - |
| dc.creator | Ronquillo Salas, Carlos Alberto#ROSC700717HCHNLR04 | - |
| dc.date.accessioned | 2024-06-13T18:36:35Z | - |
| dc.date.available | 2024-06-13T18:36:35Z | - |
| dc.date.issued | 2023-10-01 | - |
| dc.identifier.uri | https://rinacional.tecnm.mx/jspui/handle/TecNM/7856 | - |
| dc.description | La Industria 4.0 comprende la integración de diversas tecnologías con el propósito de mejorar la eficiencia de los sistemas productivos y donde un elemento clave es el desarrollo de sistemas inteligentes capaces de transformar en conocimiento la gran cantidad de datos generados por controladores de máquinas y sistemas de fabricación. Una tecnología asociada con la Industria 4.0 es la manufactura aditiva o impresión 3D, la cual tiene aplicaciones prácticamente ya en todas las ramas de la industria. No obstante, las impresoras 3D sufren de limitaciones de confiabilidad ya que actualmente la mayoría de estas máquinas no poseen sistemas de monitoreo de su estado de operación y no pueden detectarse desviaciones del proceso que afectan la calidad de las piezas impresas y causan pérdida de recursos. Para abordar este problema, la recopilación de datos mediante redes de sensores y su análisis con algoritmos de aprendizaje profundo pueden ayudar a identificar problemas durante el proceso de impresión. Sin embargo, dada la gran cantidad de datos que generan las redes de sensores y la falta de una metodología estándar para analizar los datos limita su implementación. En este trabajo se propone una metodología para identificar estados de operación anormales de una impresora 3D mediante la detección de anomalías vibratorias usando unidades de medición inercial y entrenando un autocodificador mediante aprendizaje semi-supervisado con tres diferentes enfoques. Se usa la sensibilidad como métrica para evaluar el desempeño del autocodificador en la clasificación de anomalías vibratorias. | es_MX |
| dc.language.iso | spa | es_MX |
| dc.publisher | Tecnológico Nacional de México | es_MX |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0 | es_MX |
| dc.subject | info:eu-repo/classification/cti/7 | es_MX |
| dc.title | PREDICCIÓN DEL ESTADO DE OPERACIÓN DE UNA IMPRESORA 3D MEDIANTE REDES DE SENSORES Y ALGORITMOS DE APRENDIZAJE PROFUNDO | es_MX |
| dc.type | info:eu-repo/semantics/doctoralThesis | es_MX |
| dc.contributor.director | Martinez Contreras, Ulises#ACU700517HDGRNL03 | - |
| dc.rights.access | info:eu-repo/semantics/openAccess | es_MX |
| dc.publisher.tecnm | Instituto Tecnológico de Ciudad Juárez | es_MX |
| Appears in Collections: | Doctorado en Ciencias de la Ingenieria | |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| DCI Ronquillo_Carlos Tesis_REPOSITORIO FINAL 2023-10-08 REVISION5 (1).pdf | 2.51 MB | Adobe PDF | View/Open | |
| Cesion Derechos Lic uso Carlos Ronquillo2.pdf Until 9999-06-05 | 359.95 kB | Adobe PDF | View/Open Request a copy |
This item is protected by original copyright |
This item is licensed under a Creative Commons License
