Este estudio analiza la integración del Machine Learning (ML) en sistemas de control predictivo a nivel industrial, revelando una tendencia creciente y prometedora en diversos sectores. La investigación muestra un aumento exponencial en la aplicación de técnicas de ML, como redes neuronales recurrentes (LSTM), Random Forest y redes neuronales convolucionales (CNN), en control predictivo industrial. Los casos de estudio examinados, que abarcan desde la industria petroquímica hasta la manufactura automotriz y el monitoreo ambiental, demuestran mejoras significativas en eficiencia, precisión y productividad. Se observa una adopción global de estas tecnologías, incluyendo implementaciones exitosas en países en desarrollo como Ecuador. A pesar de los beneficios evidentes, se identifican desafíos persistentes, como la necesidad de grandes conjuntos de datos de calidad, problemas de interpretabilidad y complejidad computacional. El estudio destaca la tendencia hacia enfoques híbridos que combinan conocimiento basado en principios físicos con ML, ofreciendo un equilibrio entre interpretabilidad y adaptabilidad. Se concluye que la integración de ML en control predictivo industrial representa una solución transformadora en la automatización industrial, con el potencial de revolucionar la gestión y operación de sistemas industriales complejos, impulsando la innovación en fabricación y control de procesos.
10 July 2024 in Revista Científica Multidisciplinar G-NER@NDO
En este artículo, se explora el impacto y las aplicaciones de la IA en la toma de decisiones en sistemas de control eléctrico industrial, así como los beneficios y desafíos asociados. Como principal eje de análisis del uso y la integración de la inteligencia artificial (IA) en los sistemas de control eléctrico industrial ha dado lugar a avances significativos en la eficiencia operativa, la fiabilidad y la seguridad en entornos industriales. La investigación incluye una revisión de la literatura existente, estudios de caso y análisis de datos empíricos para evaluar el impacto de la IA en diversas áreas del control eléctrico. Se destacan casos de uso exitosos donde la IA ha permitido una gestión más eficaz de los recursos energéticos, una detección temprana de fallos y un mantenimiento predictivo, resultando en una mayor disponibilidad de los sistemas y una reducción significativa de tiempos de inactividad. La Inteligencia Artificial (IA) ha experimentado un avance significativo en los últimos años, impulsando su aplicación en diversos sectores, incluyendo las industrias. Su impacto en la toma de decisiones, la automatización de tareas y la optimización de procesos ha transformado la forma en que operan las empresas, generando importantes beneficios económicos y competitivos. La implementación de la IA en las industrias presenta un panorama de oportunidades y desafíos. Si las empresas logran superar los desafíos y aprovechar las oportunidades, la IA puede convertirse en un motor de transformación y crecimiento para la industria del futuro.
Esta revisión sistemática de la literatura examina la gestión de sistemas de almacenamiento de energía por medio de baterías (BESS) y la determinación de su eficiencia. El estudio analiza diversas tecnologías de baterías, destacando la predominancia de las baterías de iones de litio por su alta eficiencia (85-95%) y densidad energética. Se identifican múltiples indicadores de eficiencia, subrayando la importancia de considerar factores económicos y ambientales además del rendimiento energético. La investigación revela que la eficiencia de los BESS varía significativamente según la aplicación, siendo óptima en servicios de regulación de frecuencia y auxiliares. Factores críticos que afectan la eficiencia incluyen la gestión térmica y los regímenes de carga/descarga. El estudio destaca la importancia de las estrategias de gestión avanzadas, como el control predictivo y las estrategias adaptativas, para optimizar el rendimiento de los BESS. Se enfatiza el papel de los BESS en la integración de energías renovables y la estabilización de redes eléctricas. La revisión concluye que la gestión eficiente de BESS requiere un enfoque holístico e interdisciplinario, considerando aspectos técnicos, económicos y ambientales para lograr una implementación efectiva en el contexto de la transición energética global.
Se realizó un estudio sobre equipos open source orientados a aplicaciones industriales durante el período 2019-2023, con el objetivo de evaluar su evolución, adopción y efectividad en diferentes sectores industriales. La investigación se basó en el análisis documental sistemático de 312 publicaciones relevantes y la evaluación comparativa de diferentes tipos de equipos open source en entornos industriales. Los resultados mostraron una reducción significativa en costos de implementación (30-40%) y mantenimiento (45-55%) en comparación con soluciones propietarias. El sector manufacturero presentó la mayor tasa de adopción (45%), seguido por el sector energético (38%). Se identificaron desafíos importantes como la documentación incompleta (35%) y el soporte técnico limitado (28%). La evolución temporal evidenció una maduración significativa de estas tecnologías, progresando desde capacidades básicas hasta funcionalidades avanzadas que incluyen integración con IA y análisis predictivo. Los beneficios cuantificados incluyeron mejoras en flexibilidad operativa (40-50%) y aceleración en innovación y desarrollo (45-55%). Las tendencias emergentes señalaron una clara dirección hacia la automatización avanzada y la digitalización industrial. Se concluyó que los equipos open source representan una alternativa viable y ventajosa para aplicaciones industriales, aunque su implementación exitosa requiere una consideración cuidadosa de los desafíos identificados.
This study presents a spatiotemporal analysis and predictive modeling approach for assessing distributed photovoltaic potential in La Maná, Ecuador, using hourly NASA POWER satellite data from 2014 to 2025. A total of 105,168 hourly records of global horizontal irradiance, air temperature, relative humidity, and wind speed were processed. The methodology included data cleaning, temporal feature generation, hourly, monthly, and interannual solar resource analysis, and the comparison of machine learning models for predicting global horizontal irradiance as an indicator of photovoltaic potential. The results showed a relatively stable solar resource throughout the study period, with hourly maximum values occurring around midday and low season-al variability. Among the evaluated models, Gradient Boosting achieved the best predictive performance, with an MAE of 35.14 W/m², an RMSE of 68.44 W/m², and a coefficient of determination of 0.8875. The feature importance analysis revealed that the hourly component dominated solar resource prediction; however, when this effect was excluded, air temperature emerged as the most influential meteorological variable. These findings demonstrate that integrating hourly satellite data with machine learning provides a robust alternative for evaluating photovoltaic potential in tropical regions with limited ground-based meteorological monitoring infrastructure.
Este estudio analiza los factores que influyen en la eficiencia de los paneles fotovoltaicos bifaciales, una tecnología emergente con potencial para aumentar significativamente la producción de energía solar. A través de una revisión de la literatura y un análisis cuantitativo, se identificaron y evaluaron los principales factores que afectan el rendimiento de estos sistemas. Los resultados revelan que el albedo del entorno y la altura de instalación son factores importantes, con un aumento en el albedo de 0.2 a 0.8 incrementando la ganancia bifacial del 10% al 30%. La orientación vertical de los paneles mostró ventajas en ciertas condiciones, produciendo hasta un 10% más de energía anual que los paneles monofaciales convencionales. Las condiciones ambientales, como la temperatura y la concentración de material articulado, también demostraron tener efectos complejos en el rendimiento. Además, se observaron ventajas significativas en aplicaciones especializadas como sistemas flotantes y agrovoltaicos. El estudio concluye que, para maximizar la eficiencia de los paneles bifaciales, es necesario un enfoque de diseño holístico y específico para cada sitio, considerando la interacción compleja entre múltiples factores.