Ir al menú de navegación principal Ir al contenido principal Ir al pie de página del sitio

Diseño de Sistema para la Generación de Mantenimiento Predictivo Basado en IoT e Inteligencia Artificial para Talleres de Mecánica Exprés

IoT and AI-Based Predictive Maintenance System Design for Express Auto Repair Shops




Sección
TECNOLÓGICOS E INNOVACIÓN

Cómo citar
Diseño de Sistema para la Generación de Mantenimiento Predictivo Basado en IoT e Inteligencia Artificial para Talleres de Mecánica Exprés. (2025). Revista Técnica "energía", 21(2), PP. 81-86. https://doi.org/10.37116/revistaenergia.v21.n2.2025.678

Dimensions
PlumX

Cómo citar

Diseño de Sistema para la Generación de Mantenimiento Predictivo Basado en IoT e Inteligencia Artificial para Talleres de Mecánica Exprés. (2025). Revista Técnica "energía", 21(2), PP. 81-86. https://doi.org/10.37116/revistaenergia.v21.n2.2025.678

Descargar cita

Licencia
Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.


Artículos similares

1-10 de 83

También puede Iniciar una búsqueda de similitud avanzada para este artículo.

El propósito de este documento es dar a conocer un sistema modular que adquiere datos de las diferentes máquinas empleadas en un taller de mecánica exprés los cuales son clasificados y procesados utilizando inteligencia artificial e IoT (internet de las cosas), esto facilita y permite generar planes de mantenimiento predictivo al igual que esquemas operativos que permitirán disminuir el costo operacional, costos de mantenimiento y consumo energético en todo este proceso.


Visitas del artículo 1796 | Visitas PDF 432


Descargas

Los datos de descarga todavía no están disponibles.
  1. J. C. Cruz y A. M. Garcia, "Machine Learning for Predictive Maintenance to Enhance Energy Efficiency in Industrial Operations," Information Technology Engineering Journals (ITEJ), vol. 9, no. 1, pp. 15–22, 2024
  2. F. Artkin, "Applications of Artificial Intelligence in Mechanical Engineering," European Journal of Science and Technology, vol. 45, pp. 159–163, 2022.
  3. J. H. Rodríguez Ovalle y L. M. Dávila García, “Gestión del mantenimiento automotriz: Un acercamiento al mantenimiento preventivo 4.0 y los carros conectados,” Escuela Colombiana de Ingeniería Julio Garavito, 2020. Disponible en: https://catalogo.escuelaing.edu.co.
  4. “CDPA: Centro de Desarrollo Productivo de Mantenimiento Automotriz Estrategia para la competitividad de la microempresa,” Revista Científica de la Universidad del Norte, 2020. Disponible en: https://rcientificas.uninorte.edu.co.
  5. K. D. P. Mariano, F. L. N. Almada, y M. A. Dutra, "Smart Air Quality Monitoring for Automotive Workshop Environments," Institute of Informatics – Federal University of Goiás (UFG), Goiânia – GO, Brazil, 2024.
  6. A. Petrov y I. Novak, "Optimization of Industrial Energy Efficiency Through the Application of Advanced Process Control, Monitoring Technologies, and Predictive Maintenance," Eigenpub Review of Science and Technology, vol. 6, no. 1, pp. 1–10, 2022.
  7. M. Soori, F. K. Ghaleh Jough, R. Dastres, y B. Arezoo, "AI-Based Decision Support Systems in Industry 4.0, A Review," Journal of Economy and Technology, 2024.
  8. T. Yamamoto, H. Hayama, T. Hayashi, y T. Mori, "Automatic Energy-Saving Operations System Using Robotic Process Automation," Energies, vol. 13, no. 2342, pp. 1–14, 2020.
  9. S. Thomas, A. O. Philip, y N. Vishwanath, "ML Based Data Driven Energy Centered Predictive Maintenance," Proceedings of the Second International Conference on Edge Computing and Applications (ICECAA 2023), vol. 2, pp. 994–1003, 2023.
  10. A. P., N. Chouhan, G. A. Chandhok, D. Sugumaran, U. Aswal, and S. A., “Empowering IoT Devices with Energy-Efficient AI and Machine Learning,” 2024 International Conference on Circuit Power and Computing Technologies (ICCPCT), DOI: 10.1109/ICCPCT61902.2024.10672916.
  11. S. Gennitsaris et al., "Energy Efficiency Management in Small and Medium-Sized Enterprises: Current Situation, Case Studies and Best Practices," Sustainability, vol. 15, no. 3727, pp. 1–26, 2023. [11] J. O. Williams, “Narrow-band analyzer,” Ph.D. dissertation, Dept. Elect. Eng., Harvard Univ., Cambridge, MA, 1993.
Sistema OJS 3.4.0.9