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.

Ante un mundo en permanente cambio, en el que la dinámica geológica, el cambio climático y el crecimiento desmesurado de la población, representan factores que condicionan nuestro desarrollo. Con el fortalecimiento de sus habilidades cognitivas, el ser humano se ha convertido en agente de su propia transformación, produciendo formidables avances como parte de la requerida adaptación. La tecnología actual, ha permitido una impresionante capacidad del análisis y procesamiento de la información en tiempo real con propósitos diversos. Como parte de las estrategias emergentes ante la dinámica en el mundo, la robótica y la inteligencia artificial, juegan un rol importante en la solución parcial o total de un importante número de problemas, como parte del proceso de transformación. La convocatoria para publicar en el número especial 2, volumen 12, de la revista Pädi Boletin Científico de Ciencias Básicas e Ingenierías del ICBI, estuvo asociada a tres importantes rubros: i) Tópicos Selectos de Control (TSC), ii) Tópicos Selectos de Robótica (TSR), y iii) Tópicos Especiales (TE); integrados de la siguiente manera:• TSC: Control Lineal, Control No Lineal, Control de Impedancia, Control Difuso, Control Adaptable y Control de Robots.•TSR: Robótica Móvil, Robótica Humanoide, Robótica Educativa, Robos de Competencia, Robótica Médica, Robots Autónomos, Robots Hexápodos, Robots Uniciclo, Robótica Colaborativa y Plataformas Paralelas.•TE: Modelado Cinemático y Dinámico, Diseño de Robots, Inteligencia Artificial, Teleoperación de Robots, Realidad Virtual, Interfaces Hápticas y Visión. Una breve descripción de las contribuciones reportadas en este número especial, se presenta en esta editorial.

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.

La principal ventaja de los laboratorios remotos es la capacidad para operar y monitorear equipos reales a distancia, incluyendo las perturbaciones del entorno, dando como resultado una mejora en el proceso de aprendizaje al permitir el análisis, la observación y la interpretación de los resultados. Este trabajo presenta el desarrollo de un laboratorio remoto mediante un sistema didáctico de refrigeración por compresión, diseñado para el monitoreo en tiempo real de variables termodinámicas utilizando tecnología IoT. El sistema implementa sensores de temperatura y presión en las entradas y salidas clave del compresor, evaporador, condensador y válvula de expansión, permitiendo la recolección de datos mediante tarjetas de desarrollo Mega2560 y ESP32. Los datos adquiridos se transmiten de manera inalámbrica a la plataforma ThingSpeak, la cual proporciona una interfaz visual intuitiva para la supervisión y análisis de cada punto censado. Este sistema permite evaluar las referencias de temperatura, presión y el Coeficiente de Rendimiento (COP) del ciclo de refrigeración en tiempo real, bajo la suposición de un flujo másico constante. La implementación de este sistema destaca por su bajo costo y por la utilización de un servidor gratuito, lo que facilita su replicación y adopción en entornos educativos. Además, este proyecto fortalece la infraestructura de laboratorios de ingeniería al permitir la manipulación remota de los equipos, promoviendo así el aprendizaje activo y la accesibilidad a recursos de laboratorio de alta calidad.