Por favor, use este identificador para citar o enlazar este ítem: https://repositorio.cetys.mx/handle/60000/1183
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.contributor.advisorGuzmán Ocegueda, Alejandro-
dc.contributor.authorRuiz Ochoa, Manuel Antonio-
dc.date.accessioned2021-08-10T20:07:22Z-
dc.date.available2021-08-10T20:07:22Z-
dc.date.issued2020-03-
dc.identifier.citationSchneideres_ES
dc.identifier.urihttps://repositorio.cetys.mx/handle/60000/1183-
dc.descriptionT1-2020es_ES
dc.description.abstractEl tiempo de diagnóstico de falla en equipo automatizado basado en PLC fue reducido aplicando inteligencia artificial con el entrenamiento de una red neuronal de 4 capas, 64 entradas y una base de datos de 42,114 registros de estado de máquina aprendidos de varias máquinas dentro de la empresa Schneider Electric, la efectividad en la detección correcta de la falla fue de 93.33%. La reducción en tiempo de diagnóstico automatizado contra el diagnóstico humano de 26.05 minutos a 3.07 minutos fue sometido a un análisis estadístico de prueba t identificando una mejora de 22.98 minutos con un intervalo de 19.568 minutos a 26.401 minutos a un nivel de confianza de 95%.es_ES
dc.language.isoeses_ES
dc.publisherSTIes_ES
dc.rightsAtribución-NoComercial-CompartirIgual 2.5 México*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-sa/2.5/mx/*
dc.subjectPLCes_ES
dc.subjectDiagnosticoses_ES
dc.subjectAnomalíases_ES
dc.subjectVariables de entradaes_ES
dc.subjectFfallas-
dc.titleAnalizador universal de fallos de PLC para identificación de causa raíz de paro de máquinaes_ES
dc.typeThesises_ES
dc.description.degreeMaestríaes_ES
dc.subject.sedeCampus Tijuanaes_ES
Aparece en las colecciones: Tesis y Monografías

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
Manuel.Ruiz.pdf3.87 MBAdobe PDFVista previa
Visualizar/Abrir


Este ítem está protegido por copyright original



Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons