FRSF - INVESTIGACIÓN Y PRODUCCIÓN CIENTÍFICA

Permanent URI for this communityhttp://48.217.138.120/handle/20.500.12272/534

Encontrará los objetos que son resultados de las investigaciones

Browse

Has files: YesSubject: search.filters.subject.Aprendizaje profundo

Search Results

Now showing 1 - 2 of 2
  • Thumbnail Image
    Item
    Soft sensor basado en redes neuronales recurrentes : aplicación al monitoreo de la producción de caucho nitrilo
    (XL MECOM, 2024) Perdomo, Mariano Miguel; Clementi, Luis Alberto; Vega, Jorge Rubén
    En Argentina, el caucho nitrilo (NBR) se produce a partir de una polimerización en emulsión en un reactor batch. La medición de variables de calidad del polímero (por ejemplo, con analizadores en línea o en laboratorio) no asegura un monitoreo adecuado de la reacción. En este trabajo se desarrolla un soft-sensor (SS) para estimar en tiempo real algunas variables de calidad del producto. La complejidad reside en las dinámicas altamente no-lineales involucradas en el proceso. Por ello, el SS propuesto utiliza redes neuronales recurrentes. La evaluación de la herramienta de estimación se realiza a través de un simulador numérico del proceso NBR ajustado a la planta industrial. Las estimaciones obtenidas en distintos escenarios de operación del reactor son promisorias. El SS podría ser implementado en la planta industrial en forma sencilla.
  • Thumbnail Image
    Item
    Prototipo de software basado en aprendizaje profundo para mantenimiento predictivo en la Industria 4.0
    (CONAIISI 2021, 2021-11) Pacchiotti, Mauro José; Paletto, Pablo Andrés
    En la Industria 4.0, la utilización de las TICs posibilita la recolección y procesamiento de gran cantidad de datos acerca del funcionamiento de los diferentes equipamientos industriales, por lo que representa un desafío el aprovechar los conjuntos de datos de distintos sensores para tareas de mantenimiento predictivo de los dispositivos. Este trabajo propone un modelo experimental que simula la captura de datos y clasificación del estado de un dispositivo en tiempo real, utilizando datos sintéticos, datos provistos por la industria y modelos de aprendizaje profundo. Se realizaron dos experimentos con series de datos de diferente origen y características para entrenar los modelos de aprendizaje profundo, logrando una alta precisión en la predicción del estado del dispositivo en función de los valores de los sensores en los instantes previos.