Facultad Regional Santa Fe
Permanent URI for this communityhttp://48.217.138.120/handle/20.500.12272/113
Browse
8 results
Search Results
Item Diseño e implementación de un tablero de control para la optimización de procesos de gestión del área de calidad del Laboratorio de Mediciones y Ensayos(2023) Galiano, María Milagros; Faba, Emilce; Bangert, VanesaLa gestión organizacional requiere un seguimiento constante para asegurar que las estrategias estén alineadas con los objetivos institucionales. Para ello, es esencial contar con información confiable y oportuna, obtenida mediante indicadores que faciliten la toma de decisiones frente a los desafíos del entorno. Este Proyecto Final de Carrera se centra en diseñar los requerimientos de un tablero de control para optimizar los procesos de gestión del área de calidad del Laboratorio de Mediciones y Ensayos (LAMYEN) y su posterior implementación utilizando tecnologías de la industria 4.0. El LAMYEN es un laboratorio universitario perteneciente al Centro CIESE del Departamento de Ingeniería Eléctrica de la Universidad Tecnológica Nacional, Facultad Regional Santa Fe (UTN FRSF). Acreditado por el Organismo Argentino de Acreditación (OAA), realiza ensayos de seguridad eléctrica, compatibilidad electromagnética, eficiencia energética y alta tensión en productos de uso masivo, como electrodomésticos y luminarias. También ofrece servicios de calibración y metrología. El laboratorio opera bajo la norma IRAM ISO/IEC 17025:2017, asegurando la competencia técnica y la calidad de los resultados. El proyecto se organiza en siete secciones principales: 1) Marco teórico: brinda definiciones, antecedentes y teorías clave. 2) Descripción de la organización: detalla la estructura y funciones del LAMYEN. 3) Diagnóstico de la organización: analiza su estado actual mediante entrevistas, planillas de datos y matrices de ponderación. 4) Desarrollo de propuestas de solución: presenta acciones para mejorar los procesos detectados. 5) Implementación: aplica las soluciones propuestas. 6) Evaluación técnica y económica: analiza la viabilidad de las propuestas. 7) Conclusión: sintetiza los resultados y aprendizajes obtenidos. El objetivo es fortalecer la gestión del laboratorio mediante herramientas tecnológicas que optimicen su desempeño y la toma de decisiones.Item Hidroponía 4.0 : automatización y digitalización de un sistema hidropónico autocontenido(2024-09) Aicardi, Agustín Andrés; Orué, Matías Waldino; Caliusco, María LauraEl presente trabajo titulado "Hidroponía 4.0: Automatización y digitalización de un sistema hidropónico autocontenido" se centra en el diseño y la implementación de un sistema hidropónico que automatiza y digitaliza el cultivo de plantas medicinales, específicamente menta, dentro de un entorno controlado. En el contexto de la Industria 4.0, el objetivo principal fue crear un sistema que pudiera regular de manera automática los principales parámetros ambientales que afectan el crecimiento de las plantas, garantizando un control preciso y un registro constante de dichos parámetros. Para abordar este objetivo, se utilizó el método cascada, que permitió dividir el proyecto en etapas manejables, asegurando que cada fase se completara antes de avanzar a la siguiente. Esta metodología facilitó un desarrollo secuencial, desde la selección y prueba de componentes individuales hasta la integración completa del sistema automatizado y digitalizado. Los resultados obtenidos fueron satisfactorios, logrando la construcción de un sistema hidropónico autocontenido que no sólo controla automáticamente los parámetros clave para el cultivo de las plantas, sino que también incorpora herramientas de digitalización que permiten un seguimiento detallado y en tiempo real de las condiciones de cultivo. Esto representa un avance significativo en la aplicación de tecnologías modernas al cultivo de plantas medicinales, tradicionalmente realizado de manera manual y en condiciones menos controladas. La importancia de este proyecto radica en su innovación dentro del campo de la hidroponía y su potencial para ser adaptado a diferentes condiciones climáticas y tipos de cultivos. Además, se alinea con los principios de la Industria 4.0, ofreciendo un modelo que puede ser replicado o mejorado en futuros desarrollos tecnológicos.Item Modelo para la digitalización de activos de la industria batch basado en el estándar ISA 88(51º JAIIO - SIIIO, 2022) Pairol Fuentes, Rachel; Alvarado Domínguez, Johnny; Vegetti, Marcela; Roldán, Luciana; Gonnet, SilvioUn Asset Administration Shell (AAS) representa digitalmente un asset y facilita la interoperabilidad entre los miembros de la cadena de valor de la Industria 4.0. El AAS organiza la representación de los datos de un asset mediante submodelos compuestos por elementos (datos, propiedades, archivos, colecciones, entre otros) que permiten describir las principales características del asset en diferentes dominios. Diferentes submodelos de componentes electrónicos han sido desarrollados a la fecha, sin embargo, el desarrollo de éstos en el dominio de las industrias de procesos está aún pendiente. Esta contribución propone un modelo para representar digitalmente assets del dominio de la industria de procesos batch. El modelo propuesto parte de la extensión del metamodelo del Asset Administration Shell, e incorpora la definición de submodelos apropiados para este tipo de industria. Los conceptos incluidos están basados en el estándar ISA 88, específicos de la industria de procesos batch. Se presenta también la instanciación de dicho modelo en un caso de uso en la producción de detergente.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 AndrésEn 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.Item Propuesta de digitalización de un sistema hidropónico autocontenido(JIT 2023, 2023-10-17) Aicardi, Agustín; Auday, TomásEste trabajo se enfoca en la digitalización de un sistema para el ensayo de la producción de plantas medicinales a través de la hidroponía. Se describe cómo lograr la interoperabilidad de activos con capacidad de comunicación pasiva dentro de las arquitecturas de la Industria 4.0, a un bajo costo. Esto se consigue a través de un control automático, que regula los parámetros del sistema a través de mediciones de sensores y el procesamiento de datos, para que las plantas puedan desarrollarse en un ambiente controlado. Además, se propone la creación de un gemelo digital del sistema para integrar los datos del sistema en tiempo real, proporcionando una visión completa y actualizada del mismo. Se presenta un sistema innovador y eficiente que demuestra el potencial de estas novedosas tecnologías y sus arquitecturas de referencia en esquemas productivos.Item Laboratorio autocontenido de hidroponía 4.0(VIII CAIM - III CAIFE, 2023-12-14) Mattei, Agustín; Orué, Matías; Caliusco, María LauraLa hidroponía es el método de cultivo con ausencia de suelos, es decir, las plantas crecen en diferentes sustratos o incluso sólo sobre una película de agua. Esta técnica se está utilizando para el cultivo de hortalizas y verduras ya que el rendimiento de los cultivos hidropónicos puede duplicar o más los de los cultivos de suelo. Los avances tecnológicos aplicados al control y ejecución de procesos han hecho de la automatización del cultivo hidropónico una realidad que ha permitido la incorporación de este tipo de método en diferentes industrias como la farmacéutica. Dichas industrias están interesadas en cultivar con sistemas hidropónicos plantas medicinales para fabricar medicamentos para el tratamiento de enfermedades crónico-degenerativas. El desafío existente actualmente es que la cosecha de este tipo de plantas se realiza en su estado silvestre, por lo cual se da en la mayoría de los casos por recolección artesanal. Por lo tanto, la información disponible sobre producción hidropónica para estos insumos vegetales es aún escasa. Con el advenimiento de la Industria 4.0 y el concepto de digitalización que incorpora, se puede ir más allá del control del proceso de hidroponía para digitalizar información necesaria que permita vincular parámetros de la calidad de una planta con los factores ambientales que se consideran prioritarios en el proceso de cultivo. Este trabajo presenta el diseño e implementación de una unidad autocontenida, basada en tecnologías de la Industria 4.0, para realizar ensayos de procesos hidropónicos, registrando y procesando información interviniente en la totalidad de factores decisivos para el crecimiento de las plantas, buscando resultados que optimicen y estandaricen su proceso de cultivo. Así, utilizando estas unidades autocontenidas se podrá llegar a la definición de los valores adecuados para los diferentes parámetros controlados, como la luz, la humedad, la temperatura y el caudal de agua, para el cultivo de plantas de interés para las industrias farmacéuticas.Item Digitalización de una máquina de soldadura de polímeros termoplásticos(JIT 2023, 2023-10-17) Donnet, Lucas J.; Kurdunn, Iván S.Este trabajo presenta un modelo de transformación digital basado en la norma DIN SPEC 91345:2016-04, aplicado a un equipo de soldadura de placas compuestas por polímeros termoplásticos. El modelo permite crear una representación digital exhaustiva de la soldadora y su proceso, con el propósito de acceder a información relevante del proceso de soldadura para la toma de decisiones, y en tiempo real. Los resultados obtenidos incluyen la validación del modelo a través de un prototipo didáctico y la lectura de datos en una interfaz gráfica, conforme a los lineamientos de la arquitectura de referencia de Industria 4.0. En esta primera etapa, serán simulados los datos provenientes de variables físicas, para en una segunda etapa, donde se haya depurado el modelo se implementarán los sensores correspondientes, evitando costos innecesarios.Item Prototipo de software basado en aprendizaje profundo para mantenimiento predictivo en la Industria 4.0(2021) Pacchiotti, Mauro José; Paletto, Pablo Andrés; Rubiolo, Mariano; Roa, JorgeEste Proyecto Final de Carrera se propone estudiar la aplicación de distintos modelos de aprendizaje profundo para mantenimiento predictivo en la industria. En el marco del trabajo industrial con distintos tipos de equipamientos de diversas complejidades insertos en diferentes procesos industriales, el mantenimiento eficiente de estos equipos es una actividad fundamental para un desarrollo industrial sustentable. En primera instancia se analizan distintos trabajos que estudian el tema del proyecto para conocer las distintas líneas de investigación y los avances logrados por estos trabajos. También se buscan y analizan distintos conjuntos de datos que puedan ser aplicados al proyecto y se estudian los tipos de modelos de aprendizaje profundo utilizados en el dominio así como sus características y posibilidades frente a los diferentes tipos de estructuras de datos que se utilizan. Con los resultados de las primeras etapas se avanza en la selección de un conjunto de datos y un modelo, y la adecuación de estos. Con un modelo entrenado podemos comenzar el diseño y desarrollo del prototipo herramienta de software y realizar las pruebas de funcionamiento en tiempo real, simulando con series sintéticas la entrega de datos desde un equipo en la industria. Finalmente, luego de haber obtenido de la industria un conjunto de datos real, se selecciona y entrena un modelo para este, se adecua el prototipo para la estructura de datos y por último se realizan las pruebas simulando en tiempo real la entrega de datos y obteniendo del predictor el estado futuro del equipamiento.