Durante el funcionamiento de maquinaria y equipos industriales pesados, ciertas caraacterísticas físicas internas, como la temperatura del aceite, la presión del aceite, etc., cambian significativamente al igual que ciertas variables ambientales, como la temperatura externa y la humedad. El análisis de los datos del sensor que captura estas variables puede revelar varias cosas, como la salud del equipo y posibles fallas. El monitoreo continuo de diversas variables, la predicción de fallas o degradación y la toma de acciones para prevenir este tipo de eventos se conoce como mantenimiento predictivo (MP), siendo uno de los componentes más importantes de la manufactura inteligente y de la Industria 4.0. Por lo tanto, el objetivo de este estudio se centra en la investigación de métodos relevantes y efectivos de Deep Learning (DP) aplicados en sensores de datos para mantenimiento predictivo en diversas industrias, incluyendo la industria petroquímica.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Libro:
Metodología del marco lógico para la planificación, el seguimiento y la evaluación de proyectos y programas
Presentación:
Estudio de movimientos y tiempos
Artículo:
Estudio sobre la evaluación de la sostenibilidad de los productos innovadores
Software:
Simulación del proceso de extracción sólido-líquido EXTSL