Por favor, use este identificador para citar o enlazar este ítem:
http://ciateq.repositorioinstitucional.mx/jspui/handle/1020/730| Detección de párametros críticos en procesos de pintura automotriz con enfoque hacia industria 4.0 | |
| Edmundo Álvarez Solís ISAIAS EMMANUEL GARDUÑO OLVERA JUAN ROBERTO MORENO GARCIA JAVIER MENDEZ LOZOYA Fernando Sebastián Chiwo | |
| Acceso Abierto | |
| Atribución-NoComercial-CompartirIgual | |
| http://www.reibci.org/index.html | |
| http://www.reibci.org/publicados/2024/mzo/5300108.pdf 2334-2501 | |
| Industria 4.0 Inteligencia artificial Big data Modelos de aprendizaje automático Pronósticos Automotriz Planta pintura Industry 4.0 Artificial intelligence Machine learning Forecast Automotive Paint shop | |
| Dentro de la industria automotríz, el proceso de pintura se compone de varios subrocesos que requieren un control meticuloso de los parámetros funcionales para garantizar la producción de piezas de alta calidad. Dichos subprocesos, que aunque ya estan establecido y estandarizados por múltiples rutinas de operación, requieren ser optimizados para proporcionar un producto final de mayor caliad. En este trabajo se propone una aproximación basada en datos y la implementación de diferentes allgoritmos de aprendizaje automático para pronosticar el comportamiento de diferentes parámetros críticos dentro del proceso de pintura automotríz. Los resultados obtenidos son prometedores debido a que presentan porcentajes de error bajos debido a las características óptimas de los datos utilizados, como son el valor, el volumen, la validez y la variabilidad. Esta investigación contribuye a mejorar las capacidades predictivas y optimizar el proceso de pintura de automóviles para mejorar la eficiencia y la calidad. En esta se resalta la necesidad de cumplir con normas y parámetros establecidos y el papel crucial de la información en la toma de decisiones, especialmente en la era de la industria 4.0, donde la digitalización y conectividad facilitan la implementación de modelos de aprendizaje automático como una herramienta fundamental para mejorar la gestión de los procesos y automatizar tareas complejas. In the automotive industry, the painting process is made up of several sub-processes that require meticulous control of functional parameters to ensure the production of high-quality parts. These subprocesses, although already established and standardized by multiple operating routines, require optimization to provide a higher-quality final product. This work proposes a data-based approach and the implementation of different machine learning algorithms to predict the behavior of different critical parameters within the automotive painting process. The results obtained are promising because they present low error percentages due to the optimal characteristics of the data used, such as value, volume, validity, and variability. This research contributes to improving predictive capabilities and optimizing the automotive painting process to improve efficiency and quality. This highlights the need to comply with established standards and parameters and the crucial role of information in decision-making, especially in the era of Industry 4.0, where digitalization and connectivity facilitate the implementation of machine learning models as a fundamental tool to improve process management and automate complex tasks. | |
| Editorial Iberoamericana de Ciencias | |
| 2024 | |
| Artículo | |
| Revista Iberoamericana de Ciencias (ReIbCi), vol. 11, no. 1 (marzo), pág. 175-183 | |
| Español | |
| Público en general | |
| OTRAS | |
| Versión publicada | |
| publishedVersion - Versión publicada | |
| Aparece en las colecciones: | Artículos Publicados en Revistas Arbitradas |
Cargar archivos:
| Fichero | Tamaño | Formato | |
|---|---|---|---|
| Deteccion de parametros criticos.pdf | 456.78 kB | Adobe PDF | Visualizar/Abrir |