Mostrar el registro sencillo del ítem
dc.contributor.advisor | Chuquimarca Jiménez, Luis Enrique | |
dc.contributor.author | Cruz Fajardo, Jean Carlo | |
dc.date.accessioned | 2024-12-10T16:18:08Z | |
dc.date.available | 2024-12-10T16:18:08Z | |
dc.date.issued | 2024-12-10 | |
dc.identifier.citation | Cruz Fajardo, Jean Carlo (2024). Diseño de un sistema automatizado de gestión y monitoreo que clasifica productos a nivel industrial, aplicando computación cognitiva. La Libertad UPSE, Matriz. Facultad de Sistemas y Telecomunicaciones. 181p. | es |
dc.identifier.other | UPSE-TET-2024-0014 | |
dc.identifier.uri | https://repositorio.upse.edu.ec/handle/46000/12429 | |
dc.description.abstract | El proyecto desarrollado se centra en el diseño y la simulación de un sistema integral de clasificación de productos, empleando diversas tecnologías y metodologías para lograr un sistema robusto y eficiente. La integración inteligente de múltiples tecnologías permite crear sistemas industriales avanzados que mejoran la productividad y establecen nuevos estándares en la automatización industrial, alineándose con los conceptos de la industria 5.0 y computación cognitiva. En primer lugar, el diseño mecánico de la cinta transportadora y los cilindros neumáticos de doble efecto fue esencial para simular una infraestructura robusta, destinada al movimiento y manipulación de productos a clasificar. Utilizando SolidWorks, modelé y simulé cada componente con precisión para garantizar su funcionalidad y eficiencia en el entorno industrial. Sin embargo, la verdadera innovación radica en la integración de la visión computacional, que permitió la clasificación automática de productos con alta precisión, reduciendo la necesidad de intervención humana y mejorando la eficiencia operativa. Este diseño se alinea con los principios de la quinta revolución industrial, destacándose por su enfoque en la automatización avanzada y la inteligencia cognitiva. La integración de la visión computacional mediante una cámara IP mejoró significativamente el sistema al permitir la identificación automática de productos en la cinta transportadora. Utilizando el avanzado algoritmo de detección de objetos YOLOv4, el sistema es capaz de reconocer y clasificar hasta seis productos diferentes con una precisión excepcional, lo que reduce la necesidad de intervención humana y optimiza la eficiencia operativa. El sistema ha demostrado su rendimiento sobresaliente al lograr un 100% de TPR y un 0% de Falsos Positivos (FP) en la clasificación de productos. Estos resultados validan que el algoritmo clasifica correctamente todos los productos sin errores, mejorando significativamente la eficiencia operativa y eliminando la necesidad de intervención humana. YOLO v4 se destaca como una opción sólida y efectiva para la detección de objetos en MATLAB. Aunque MATLAB no cuenta con una implementación nativa de YOLO v4, es posible integrarlo utilizando bibliotecas y herramientas externas como Darknet. La amplia aplicación de YOLOv4 en diversos escenarios de visión por computadora subraya su eficacia y utilidad. Se destaca por su precisión mejorada, velocidad competitiva, flexibilidad y adaptabilidad, así como por su capacidad de implementación en diferentes frameworks, lo cual lo convierte en una herramienta versátil y poderosa para una amplia gama de aplicaciones. La utilización del control de procesos mediante PLC y el lenguaje Ladder en CODESYS permitió un manejo preciso y coordinado de los cilindros neumáticos, así como una sincronización efectiva con la cinta transportadora y la cámara de visión computacional. Esta combinación proporcionó una base sólida para el funcionamiento del sistema, garantizando una operación continua y confiable. A diferencia de otros sistemas que se basan mayormente en sensores, este sistema hace un uso extensivo de la visión computacional para clasificar los productos. Por ello, se consideraron diferentes tiempos de retraso para cada tipo de producto, teniendo en cuenta su tamaño y material, lo que asegura un desempeño fluido y eficiente. La conectividad IoT a través de una Raspberry Pi y la plataforma AnyViz facilitó el monitoreo remoto y la gestión del sistema desde cualquier ubicación con acceso a Internet. Esto proporciona una mayor flexibilidad y accesibilidad a los operadores, además de permitir la integración del sistema en entornos industriales modernos, donde la conectividad y la gestión remota son cruciales. AnyViz ofrece una seguridad robusta, compatible con una variedad de equipos industriales y caracterizada por una interfaz amigable. La plataforma soporta diversos protocolos para la integración de datos desde sistemas de control, dispositivos IoT y sensores a AnyViz. Destaca por su encriptación de datos, estableciendo enlaces TCP cifrados con el servidor para asegurar la privacidad y la integridad de la información transmitida. Las técnicas aplicadas en el sistema incluyen el uso de Machine Learning en MATLAB para mejorar el rendimiento a través de la técnica de clasificación. Los modelos utilizados son Gaussian Naive Bayes, Kernel Naive Bayes, Fine KNN, Bagged Trees y Weighted KNN. Estos modelos permitieron ajustar el tiempo de retraso de los productos y activar los cilindros con precisión, lo que contribuye a una mayor precisión y eficiencia en el sistema, adaptándose mejor a las demandas variables del entorno industrial. La Realidad Aumentada (RA) desempeña un papel crucial en la Industria 5.0, proporcionando una herramienta invaluable para la visualización y el mantenimiento de sistemas eléctricos. Entre las diversas aplicaciones de RA, se utilizó específicamente la aplicación EyeJack, la cual permite almacenar imágenes o videos en formato QR. Esto facilita a los operadores ver información contextual y guías de mantenimiento superpuestas en el mundo real. La RA ha mejorado significativamente la eficiencia y precisión en las tareas de mantenimiento y resolución de problemas, lo que ha aumentado la productividad y la fiabilidad del sistema en general. La integración inteligente de múltiples tecnologías puede dar lugar a la creación de sistemas industriales avanzados y altamente eficientes. Al abordar los desafíos de la clasificación automatizada con un enfoque holístico y centrado en el usuario, se ha desarrollado un sistema que no solo mejora la productividad y eficiencia, sino que también establece un nuevo estándar para la automatización en entornos industriales modernos, caracterizados por la Industria 5.0. Este sistema es capaz de clasificar una amplia gama de productos, desde alimentos hasta componentes de manufactura y ensamblaje, adaptándose dinámicamente a las necesidades cambiantes del proceso industrial. | es |
dc.language.iso | spa | es |
dc.publisher | La Libertad, Universidad Estatal Península de Santa Elena, 2024 | es |
dc.rights | openAccess | es |
dc.rights | Atribución-NoComercial-SinDerivadas 3.0 Ecuador | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/ec/ | * |
dc.subject | MATLAB | es |
dc.subject | YOLOV4 | es |
dc.subject | CODESYS | es |
dc.subject | ANYVIZ | es |
dc.title | Diseño de un sistema automatizado de gestión y monitoreo que clasifica productos a nivel industrial, aplicando computación cognitiva | es |
dc.type | bachelorThesis | es |
dc.pages | 181 p. | es |
El ítem tiene asociados los siguientes ficheros de licencia: