Abstract
La cuarta revolución industrial ha promovido de manera significativa la Inteligencia Artificial (IA) donde cada día se hace uso del Machine Learning (ML), conferiéndole un papel fundamental en la solución de desafíos inherentes a la fabricación, como el mejoramiento, optimización de la calidad de los procesos. El presente trabajo se ha concebido con la finalidad de subrayar la importancia y la utilidad del ML como una herramienta clave en este contexto, dividiendo el estudio en dos partes: el estado presente del ML y las principales técnicas empleadas. Se examinaron detalladamente 54 casos en los cuales se aplicaron algoritmos de ML referidos a la ingeniería industrial. Los estudios revelan que la implementación de técnicas de ML arrojan resultados notables en términos de precisión y confiabilidad, especialmente en áreas críticas como el análisis de fallos, predicción de defectos y la optimización de sistemas. Estas técnicas han demostrado ser sumamente eficaces para abordar estos desafíos, destacando así la relevancia y el potencial del ML en la industria contemporánea.
Publisher
Universidad Nacional de Juliaca
Reference11 articles.
1. Brunton, S. L., Noack, B. R., & Koumoutsakos, P. (2019). Machine Learning for Fluid Mechanics. Annu. Rev. Fluid Mech. 2020, 52, 477–508. https://doi.org/10.1146/annurev-fluid-010719
2. Candanedo, I. S., Nieves, E. H., González, S. R., Martín, M. T. S., & Briones, A. G. (2018). Machine learning predictive model for industry 4.0. Communications in Computer and Information Science, 877, 501–510. https://doi.org/10.1007/978-3-319-95204-8_42/COVER
3. Dhandapani, C., & Sivaramakrishnan, R. (2019). Implementation of Machine Learning (ML) in Mechanical Engineering Application using Artificial Intelligence (AI). VIII(X), 93–99. https://ssrn.com/abstract=3687863
4. Huang, J., Chang, Q., & Chakraborty, N. (2019). Machine preventive replacement policy for serial production lines based on reinforcement learning. IEEE International Conference on Automation Science and Engineering, 2019-August, 523–528. https://doi.org/10.1109/COASE.2019.8843338
5. Jia, F., Lei, Y., Lin, J., Zhou, X., & Lu, N. (2016). Deep neural networks: A promising tool for fault characteristic mining and intelligent diagnosis of rotating machinery with massive data. Mechanical Systems and Signal Processing, 72–73, 303–315. https://doi.org/10.1016/J.YMSSP.2015.10.025
Cited by
1 articles.
订阅此论文施引文献
订阅此论文施引文献，注册后可以免费订阅5篇论文的施引文献，订阅后可以查看论文全部施引文献