Los motocompresores elevan la presión del gas después de una caída de presión y temperatura generada durante el acondicionamiento. El paro no programado eleva los costos, pues se deja de dar servicio y percibir ingresos. Para este estudio se analizaron 11 equipos, instalados en 3 plantas de bombeo, se usaron dos criterios: las fallas frecuentes y las fallas críticas, para determinar qué tipo de fallas tienen mayor impacto en la operación de los motocompresores; bajo el criterio de las fallas que generan más tiempo fuera de servicio, las fallas críticas resultaron más relevantes para mejorar la calidad del proceso. Tres fallas críticas representaron el 51.3% del tiempo de mantenimiento correctivo, al prevenirlas mediante un plan de mantenimiento basado en confiabilidad, se redujo el tiempo medio entre fallas (MTF) y el servicio de bombeo se interrumpió por menos tiempo.

La revolución tecnológica que implica la implementación de Industria 4.0 obliga a utilizar la tecnología a monitorear las condiciones en las que la producción se lleva a cabo. Esto repercute en los productos obtenidos, pero sobre todo en la salud del personal que labora en las industrias. Lo cual tiene como principal beneficio la reducción de los accidentes de trabajo y las enfermedades producidas por las condiciones ambientales desfavorables. Uno de los gases más peligrosos en el sector industrial es el Monóxido de Carbono, cuyo efecto en el cuerpo humano es el intoxicar los sistemas Así se presenta un sistema que permite monitorear cuatro variables ambientales (humedad relativa, monóxido de carbono, radiación térmica, luminosidad) que son variables importantes en ambientes industriales en donde se emplean motores. El sistema opera de forma inteligente mediante una herramienta de inteligencia artificial que permite clasificar (tomar decisiones) llamada árbol de decisión. Empleando WEKA, se probaron tres algoritmos para la construcción del árbol de decisión: J.48, Random Forest y Random Tree. El experimento arrojó que el algoritmo J.48 obtuvo un promedio 99.86% de aciertos en la clasificación de todas las repeticiones. El algoritmo de Random Forest obtuvo 99.31% de la clasificación correcta. Mientras que Radom Tree tuvo 95.07% de clasificación correcta. Este sistema permite modificar el estado de un sistema de ventilación, refrigeración, semáforo de variables y lámpara de emergencia. Además, el sistema envía los datos colectados mediante Internet de las Cosas (IoT) a un cliente quien puede consultar la información en tiempo real.

Se presenta un modelo emergente de cooperación y comunicación que involucra un conjunto de robots MarxBot. La tarea consiste en recolección de materia prima almacenada y su depósito en la banda de procesamiento, además de la recolección del elemento fabricado y su depósito en una banda de empaquetado. Los robots son controlados mediante redes neuronales artificiales que son optimizadas mediante un algoritmo genético en el simulador robótico conocido como FARSA (framework for autonomous robotics simulation and analysis). Se prueba en un ambiente simulado de grupos homogéneos de robots con comunicación emergente basada en diodos emisores de luz (LED, por sus siglas en inglés), los cuales tienen un mejor rendimiento en la tarea propuesta que un sistema de comunicación con señales preestablecidas y un grupo que no tiene capacidad de comunicación. Esto se debe al nivel de organización provisto por la emergencia de señales que proviene del grupo y de la interacción con el entorno. Esto demuestra que la perspectiva de la robótica evolutiva es aplicable a las necesidades de la Industria 4.0.

Se propuso desarrollar un sistema de alimentación fotovoltaica para la recolección de residuos sólidos en superficies acuáticas. El análisis de antecedentes reveló que las baterías de ion litio son ideales debido a su alta densidad energética, control térmico y durabilidad. La fuente de alimentación del vehículo se construyó utilizando baterías de ion litio provenientes de laptops descompuestas, optimizadas con un controlador de carga para garantizar un almacenamiento estable de energía. Se implementó una estación de carga con paneles fotovoltaicos, configurada como sistema tipo isla con una segunda batería para contrarrestar condiciones climáticas adversas. Se aprovecharon las instalaciones de pruebas fotovoltaicas de la facultad de ingeniería para una funcionalidad didáctica. Experimentos con un prototipo de navegación simularon condiciones de trabajo, demostrando que la batería cumplió la meta de más de dos horas de autonomía.

In the construction industry, it is necessary to know the soil type and its water content to ensure compliance with required specifications. Existing solutions involve expensive equipment and require significant time to deliver reliable results. This article focuses on the application of modular neural networks to automate the analysis of measurement data for five soil types. The data analyzed were obtained using resistive and capacitive sensors, as well as the bulk volume mass of materials. A modular architecture consisting of 14 neural networks was designed. One sequential network specialized in material classification with an Adam optimizer. The other 13 neural networks were trained using evolutionary strategies by material type and water content range. The results show that modular architecture improves response time and reliability for individual network models, achieving an accuracy of 94.69%. The modular system was validated using 20% of the database and 10-fold cross-validation. For water content determination, the accuracy in the material with the highest variability was −0.1770% with a standard deviation of 0.6239%. The use of this modular system reduces operating and analysis times in material classification and water content determination through its real-time application. It validates its use in soil analysis processes for construction and can be used in educational settings.

Class imbalance among arrhythmia types and electrocardiogram (ECG) signal complexity present significant challenges for automated ECG-based arrhythmia detection. This research proposes an innovative approach that combines Genetic Algorithm (GA) optimization of Convolutional Neural Network (CNN) hyperparameters with morphological skeletonization of ECG images. The MIT-BIH Arrhythmia Database served as the primary data source, with the ECG signal converted to skeletonized representations emphasizing QRS complex geometry. A GA-optimized model was compared against a heuristic (manual design) baseline to determine optimal kernel and filter configurations. Evaluation emphasized not only overall accuracy but also robust metrics for minority classes. The optimized model achieved 97.26% accuracy, with macro recall improving substantially from 77.36% to 83.10% (+5.74%). These results demonstrate that evolutionary optimization enhances detection sensitivity to subtle geometric patterns, effectively mitigating class imbalance without artificial oversampling techniques.