| dc.contributor | Guzmán Ocegueda, Alejandro | |
| dc.creator | Ruiz Ochoa, Manuel Antonio | |
| dc.date.accessioned | 2021-08-10T20:07:22Z | |
| dc.date.accessioned | 2022-10-14T15:42:13Z | |
| dc.date.available | 2021-08-10T20:07:22Z | |
| dc.date.available | 2022-10-14T15:42:13Z | |
| dc.date.created | 2021-08-10T20:07:22Z | |
| dc.date.issued | 2020-03 | |
| dc.identifier | Schneider | |
| dc.identifier | https://repositorio.cetys.mx/handle/60000/1183 | |
| dc.identifier.uri | https://repositorioslatinoamericanos.uchile.cl/handle/2250/4255826 | |
| dc.description.abstract | El 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%. | |
| dc.language | es | |
| dc.publisher | STI | |
| dc.rights | http://creativecommons.org/licenses/by-nc-sa/2.5/mx/ | |
| dc.rights | Atribución-NoComercial-CompartirIgual 2.5 México | |
| dc.subject | PLC | |
| dc.subject | Diagnosticos | |
| dc.subject | Anomalías | |
| dc.subject | Variables de entrada | |
| dc.subject | Ffallas | |
| dc.title | Analizador universal de fallos de PLC para identificación de causa raíz de paro de máquina | |
| dc.type | Thesis | |
