TECNOLOGICO NACIONAL DE MEXICO EN CELAYA

INGENIERÍA MECÁNICA

TALLER DE INVESTIGACION

TERCER PARCIAL

PROYECTO

PROFESOR:
JUAN PABLO AGUILERA ALVAREZ

ALUMNOS:
LEONARDO GEOVANNI GUZMÁN
ORTIZ CARLOS BERNARDO RAMÍREZ HERNÁNDEZ
MÉNDEZ ABOYTES ULISES ROGELIO
ZUÑIGA VAZQUEZ JOSUE MIGUEL

20 DE NOVIEMBRE DE 2024 CELAYA,

GUANAJUATO

TALLER DE INVESTIGACION 1 SEGUNDO PARCIAL

INGENERIA MECANICA
PARCIAL 2
 INDICE

CAPITULO I: MARCO DE REFERENCIA................................................................................... 4

1.1 DESCRIPCION DEL PROBLEMA .................................................................................................... 4
1.2 JUSTIFICACIÓN DEL PROYECTO .................................................................................................. 4
1.3 HIPOTESIS ......................................................................................................................................... 5
1.4 PREGUNTAS DE INVESTIGACION ................................................................................................. 7
1.5 OBJETIVOS........................................................................................................................................ 8
1.5.1 Objetivo General ................................................................................................................................................... 8
1.5.2 Objetivos Específicos .......................................................................................................................................... 8
1.6 ALCANCES ........................................................................................................................................ 9
1.7 LIMITACIONES ................................................................................................................................ 10
1.8 CRONOGRAMA ............................................................................................................................... 11

CAPITULO II: MARCO TEORICO ..............................................................................................12

2.1 Fundamentos de Mecatrónica...................................................................................................... 12
2.1.1 Historia y Evolución de la Mecatrónica .......................................................................................................... 12
2.1.3 Integración de Disciplinas: Mecánica, Electrónica y Computación ............................................................ 14
2.1.4 Inteligencia Artificial y Mecatrónica................................................................................................................. 14
2.1.5 Aplicaciones de la Mecatrónica en la Industria ............................................................................................. 15
2.2 Automatización del Proceso de Producción ............................................................................. 15
2.2.1 Tecnologías de Automatización: PLC, SCADA, Robótica .......................................................................... 15
2.2.2 Tipos de Automatización: Fija, Flexible y Modular ....................................................................................... 16
2.2.3 Casos de Estudio en Automatización Industrial ........................................................................................... 16
2.2.4 Automatización y Control en la Industria 4.0 ................................................................................................. 16
2.3 Administración de la Cadena de Suministro ............................................................................. 16
2.3.1 Estrategias de Gestión de la Cadena de Suministro ................................................................................... 17
2.4 Administración de Operaciones .................................................................................................. 17
2.4.1 Proceso de Producción: Diseño y Control ..................................................................................................... 17
2.4.2 Importancia de la Calidad en las Operaciones ............................................................................................. 17
2.4.3 Mejora Continua y Técnicas de Optimización ............................................................................................... 18
2.4.4 Tecnología y Transformación Digital en la Producción ............................................................................... 18
2.5 Definiciones de Elementos Electrónicos ................................................................................... 18
2.5.1 Componentes Pasivos: Resistencias, Capacitores e Inductores ............................................................... 18
2.5.2 Componentes Activos: Transistores, Diodos y Amplificadores .................................................................. 19
2.5.3 Circuitos Integrados: Clasificación y Aplicaciones ....................................................................................... 19

CAPITULO III: ESTADO DEL ARTE ..........................................................................................20

2
Bibliografía ..................................................................................................................................27

3
 IMPLEMENTACIÓN DE UN SISTEMA DE NEURONAS ENTRENADAS PARA
INSPECCIÓN DE PRODUCTOS ENFOCADA A LA DISTRIBUCIÓN Y
ALMACENAMIENTO DE BIELAS DE UN MOTOR DE 1.6 LITROS VOLKSWAGEN

CAPITULO I: MARCO DE REFERENCIA

1.1 DESCRIPCION DEL PROBLEMA

En la industria automotriz, la inspección de piezas clave como las bielas de motores es un
proceso crítico para garantizar la calidad y confiabilidad del producto final. En el caso de los
motores de 1.6 litros de Volkswagen, las bielas desempeñan un papel fundamental en la
transmisión de la energía generada en la cámara de combustión hacia el cigüeñal. Cualquier
defecto en estas piezas puede comprometer la eficiencia del motor, su durabilidad y la
seguridad del vehículo. Dado el volumen de producción y la precisión requerida para cumplir
con los estándares de calidad de Volkswagen, la necesidad de implementar un sistema
automatizado de inspección es cada vez más urgente. Un sistema basado en redes
neuronales entrenadas ofrece una solución innovadora, permitiendo detectar con mayor
precisión defectos en las bielas durante las fases de distribución y almacenamiento,
mejorando la consistencia de los productos inspeccionados y reduciendo los errores
humanos. Este tipo de tecnología no solo optimiza el proceso de inspección, sino que también
reduce costos a largo plazo al minimizar los defectos que llegan al consumidor final,
incrementando la confiabilidad del motor de 1.6 litros de Volkswagen y, por ende, la
satisfacción del cliente.

1.2 JUSTIFICACIÓN DEL PROYECTO

Este proyecto surge de la necesidad de mejorar los procesos de inspección y control de
calidad en la producción y distribución de bielas de motores automotrices, específicamente
para motores de 1.6 litros de Volkswagen. La implementación de un sistema basado en
redes neuronales entrenadas permitirá una inspección más precisa, rápida y eficiente,
eliminando la dependencia en inspecciones manuales o sistemas

tradicionales de detección que pueden ser más lentos y propensos a errores humanos. En
la industria automotriz, la inspección de componentes es crítica para asegurar la calidad

4
y el buen funcionamiento de los motores, dado que piezas como las bielas juegan un papel
fundamental en el rendimiento y seguridad del vehículo. Un sistema automatizado
basado en inteligencia artificial contribuirá a reducir tiempos de inspección, disminuir la
tasa de defectos, y mejorar la trazabilidad en la distribución y almacenamiento de estos
componentes.
Además, este proyecto es relevante no solo desde una perspectiva técnica, sino también
social y económica, ya que contribuye a la modernización de los procesos industriales,
impulsa la innovación tecnológica en el sector y genera conocimientos aplicables en otros
campos industriales. La mejora en la inspección de bielas no solo beneficiará a los fabricantes
y distribuidores de estas piezas, sino también a los consumidores finales, quienes recibirán
productos con mayores estándares de calidad y seguridad.
Finalmente, este enfoque automatizado podría tener un impacto a largo plazo en la
optimización de los recursos humanos, permitiendo a los trabajadores enfocarse en tareas
más especializadas y creativas, mientras que las tareas repetitivas de inspección son
realizadas por el sistema automatizado.

1.3 HIPOTESIS
La implementación de un sistema de neuronas entrenadas diseñado específicamente para
la inspección de bielas de motor de 1.6 litros Volkswagen en los procesos de distribución y
almacenamiento conducirá a una mejora significativa en la precisión de detección de
defectos y anomalías en comparación con los métodos de inspección manual tradicionales.
Se espera que esta mejora en la capacidad de detección se traduzca en una reducción del
número de piezas defectuosas que ingresan al mercado, lo que no solo aumentará la calidad
del producto final, sino que también optimizará los tiempos de respuesta y la eficiencia
operativa dentro de la cadena de suministro.

5
6
[Fecha]
La introducción de un sistema basado en inteligencia artificial permitirá el

procesamiento de imágenes y datos en tiempo real, lo que proporcionará una evaluación

continua y consistente de cada biela a lo largo del proceso de inspección. Esto no solo
disminuirá la variabilidad inherente a la inspección manual, donde factores humanos como
la fatiga y la subjetividad pueden influir en la precisión, sino que también mejorará la
capacidad de identificar defectos sutiles que podrían pasar desapercibidos para un
inspector humano.

1.4 PREGUNTAS DE INVESTIGACION

Las siguientes preguntas-guia nos ayudan a acotar nuestro trabajo

• ¿Cuáles son los principales defectos que se presentan en las bielas de un motor
de 1.6 litros de Volkswagen y cómo afectan el rendimiento del motor?
• ¿Cómo se realiza actualmente la inspección manual de las bielas en la línea de
producción y qué limitaciones o problemas se han identificado en este proceso?
• ¿De qué manera un sistema basado en redes neuronales entrenadas puede
mejorar la precisión y eficiencia en la detección de defectos en las bielas,
comparado con los métodos manuales?
• ¿Qué impacto económico podría tener la implementación de un sistema
automatizado de inspección en términos de reducción de costos operativos y
mejora de la calidad del producto final?
• ¿Un sistema basado en redes neuronales entrenadas en que ayuda en la línea
de producción, distribución y almacenamiento de bielas en la planta de
Volkswagen?

7
1.5 OBJETIVOS

1.5.1 Objetivo General

Implementar un sistema de neuronas entrenadas para la inspección de productos, con

énfasis en la distribución y almacenamiento de bielas de un motor de 1.6 litros Volkswagen,
optimizando la precisión y eficiencia en los procesos de control de calidad.

1.5.2 Objetivos Específicos

1. Desarrollar un modelo de red neuronal que permita la detección automática de

defectos en las bielas del motor, considerando las especificaciones de calidad
establecidas por Volkswagen.
2. Diseñar un sistema de procesamiento de imágenes que facilite la inspección visual
automatizada de las bielas durante su almacenamiento y distribución.
3. Entrenar la red neuronal utilizando un conjunto de datos representativo de bielas
defectuosas y no defectuosas, garantizando un alto nivel de precisión en la
clasificación.
4. Integrar el sistema de inspección automatizada con la infraestructura de
almacenamiento y distribución existente, minimizando tiempos de inspección y
manejo.

8
1.6 ALCANCES

1. Desarrollar una Red Neuronal: - Crear un modelo de red neuronal capaz de identificar
automáticamente defectos en las bielas de motor, según los estándares de Volkswagen.
2. Diseño de un Sistema de Procesamiento de Imágenes - Implementar un sistema que
captura y procesa imágenes de las bielas para su inspección durante las etapas de
almacenamiento y distribución.
3. Planos que representan el diseño del sistema de almacenamiento y distribución de las
bielas, y que muestren cómo se integrará el sistema de inspección automatizada.
4. Informe técnico detallado que explica el funcionamiento del sistema, incluyendo el
algoritmo de la red neuronal, las técnicas de procesamiento de imágenes utilizadas y los
resultados del entrenamiento.
5. Informe de evaluación del desempeño del sistema en términos de precisión y eficiencia
operativa, y cómo impacta positivamente en los procesos de calidad y distribución.

9
1.7 LIMITACIONES

1. Tiempo limitado: El proyecto está diseñado como parte de taller de investigación que
tiene un tiempo acotado, y como es parte del semestre, las actividades deben
completarse en un plazo corto. El desarrollo completo de un sistema de redes neuronales,
desde su diseño hasta su implementación y pruebas, es un proceso complejo que requiere
más tiempo del disponible en el marco académico. Por esta razón, el proyecto
probablemente se limitará a la etapa de prototipo o modelado inicial.

2. Recursos técnicos insuficientes: La implementación de un sistema de redes

neuronales entrenadas para la inspección de bielas requiere recursos técnicos avanzados,
como potentes computadoras con unidades de procesamiento gráfico especializadas para
el entrenamiento de modelos. Además, se necesita software especializado para procesar
imágenes en tiempo real. Si no se dispone de estos recursos de manera suficiente o si su
acceso es limitado, el alcance del proyecto se restringirá a modelos simplificados o
simulaciones que no requieran equipos de alta capacidad.

3. Conocimientos técnicos en desarrollo; Aunque se tiene un objetivo claro para la

inspección automatizada, el nivel de conocimiento y experiencia en redes neuronales y
procesamiento de imágenes puede ser un factor limitante. Estás en una etapa formativa, y
este tipo de tecnologías requiere un alto nivel de especialización.

4.-Acceso limitado a datos y casos de prueba: Para entrenar un modelo de redes

neuronales que detecte defectos en bielas, se necesita una gran cantidad de imágenes
etiquetadas de piezas defectuosas y no defectuosas. Si no se cuenta con una base de datos
amplia o si los datos disponibles no son suficientes, el sistema no podrá entrenarse con la
precisión necesaria, lo que limitará los resultados obtenidos.

10
 5. Infraestructura física y acceso a la planta:

La implementación de un sistema de inspección automatizada requiere pruebas en

condiciones reales, como en una línea de producción o en el área de almacenamiento de las
bielas. Sin embargo, el acceso a la infraestructura física necesaria para realizar estas
pruebas como líneas de producción de Volkswagen puede estar fuera del alcance de un
proyecto académico. Esto significa que las pruebas y validaciones se limitan a simulaciones
o entornos de laboratorio, lo que impide llevar el proyecto a una etapa de implementación
industrial completa.

1.8 CRONOGRAMA

11
 CAPITULO II: MARCO TEORICO

2.1 Fundamentos de Mecatrónica

La mecatrónica es una disciplina que fusiona mecánica, electrónica, informática y control para
desarrollar y optimizar sistemas automatizados. La mecatrónica se aplica en sistemas inteligentes como
robots, máquinas CNC y dispositivos médicos que requieren precisión y control avanzado, entre
otroscomo se ven en la Fig 1. Según Jouaneh, su enfoque está en el diseño de soluciones que combinen
estos elementos para crear productos más eficientes y funcionales. (Jouaneh, M. (2024).

(Fig. 1: Ejemplos de sistemas mecatrónicos integrados).

2.1.1 Historia y Evolución de la Mecatrónica

La historia y evolución de la mecatrónica comenzó en la industria automotriz japonesa en la década de
los 60, donde se integraron componentes electrónicos en sistemas mecánicos para optimizar el
rendimiento y la precisión en los vehículos, especialmente en sistemas como la dirección y el frenado.
Con el tiempo, este concepto se extendió a otras industrias, dando lugar a la creación de sistemas más
complejos, como los robots industriales y las máquinas automatizadas, lo cual fue posible gracias a la
interacción de disciplinas como la mecánica, la electrónica y la informática.
La evolución de la mecatrónica ha impulsado de manera significativa el desarrollo de tecnologías
automatizadas e inteligentes, convirtiéndose en una pieza clave en la automatización de los procesos
industriales. En las décadas siguientes, el progreso de la microelectrónica y la informática permitió
reducir el tamaño de los componentes y mejorar la capacidad de procesamiento de datos, lo que facilitó
aún más su integración en sistemas mecánicos. La mecatrónica se expandió desde la manufactura hacia
sectores como la medicina, la aeroespacial, la agricultura y la electrónica de consumo. Esto ha permitido
la creación de sistemas autónomos y semi-autónomos, como drones y dispositivos médicos inteligentes,
que operan en entornos cambiantes con precisión y eficiencia como se ve en la Fig 2.

12
Hoy en día, la mecatrónica se considera esencial para el desarrollo de la Industria 4.0, en la que la
conectividad y el uso de inteligencia artificial en la maquinaria están cambiando radicalmente los
procesos de producción. Este avance no solo mejora la productividad, sino que también permite la
creación de soluciones personalizadas y adaptativas en tiempo real en múltiples industria. (Bolton, W.
(2013)

(Fig. 2: Línea del tiempo de la evolución de la mecatrónica en diferentes industrias).

2.1.2 Componentes Clave de la Mecatrónica

Los componentes esenciales en la mecatrónica incluyen sensores, actuadores, controladores y sistemas
de procesamiento de datos tales como la Fig 3. Los sensores permiten detectar cambios en el entorno,
mientras que los actuadores convierten señales en acciones físicas. Estos componentes son
controlados mediante software especializado, logrando sistemas precisos y adaptativos. Según el autor
Jouaneh, estos elementos combinados permiten desarrollar aplicaciones avanzadas, como brazos
robóticos y sistemas de transporte autónomo. (Jouaneh, M. (2024).)

(Fig. 3: Ejemplo de componentes clave en un sistema mecatrónico).

13
 2.1.3 Integración de Disciplinas: Mecánica, Electrónica y Computación
La mecatrónica se basa en la integración de varias disciplinas para optimizar el rendimiento y la
flexibilidad de los sistemas industriales. Esta integración permite diseñar soluciones que incorporan
controles electrónicos en sistemas mecánicos para aplicaciones como vehículos autónomos y sistemas
de energía Fig 4. La colaboración entre estos campos facilita la creación de sistemas robustos,
adaptables y eficientes, como se detalla en el texto de Bolton. (Bolton, W. (2013).)

(Fig. 4: Diagrama de integración de disciplinas en un sistema mecatrónico).

2.1.4 Inteligencia Artificial y Mecatrónica

La inteligencia artificial (IA) se está integrando cada vez más en la mecatrónica para desarrollar sistemas
de control autónomo en áreas como robótica y vehículos. Stuart Russell explica que la IA permite a los
sistemas tomar decisiones basadas en datos y aprender de los errores, lo cual es crucial en entornos
de trabajo complejos y cambiantes como la Fig 5. (Russell, S. J., & Norvig, P., 2020).

14
 (Fig. 5: Esquema de integración de IA en sistemas mecatrónicos).

2.1.5 Aplicaciones de la Mecatrónica en la Industria

Las aplicaciones de la mecatrónica abarcan sectores como la manufactura, la medicina y la robótica. En
manufactura, se utiliza en sistemas de automatización y robótica para mejorar la eficiencia de
producción. En medicina, permite la creación de prótesis inteligentes y equipos de diagnóstico
avanzados. Según Jouaneh, la mecatrónica ha transformado muchas industrias, ofreciendo soluciones
innovadoras que aumentan la productividad y la precisión. (Jouaneh, M. (2024).)

2.2 Automatización del Proceso de Producción

La automatización se refiere al uso de tecnologías avanzadas para controlar y operar procesos sin
intervención humana, mejorando la consistencia y la eficiencia en las tareas. Esto incluye el uso de
PLCs y sistemas SCADA en la industria. Según Groover, la automatización permite reducir costos y
aumentar la precisión en la producción en masa. (Groover, M. P. (2007))

2.2.1 Tecnologías de Automatización: PLC, SCADA, Robótica

Las tecnologías de automatización, como PLC (Controladores Lógicos Programables), SCADA
(Supervisión, Control y Adquisición de Datos) y la robótica, son fundamentales en la industria moderna
para controlar y supervisar procesos complejos. Los PLCs permiten el control secuencial en la
producción, mientras que los sistemas SCADA facilitan la supervisión en tiempo real de procesos
distribuidos tal se ve en la Fig 6.. La robótica, por su parte, introduce flexibilidad y precisión en las líneas
de producción. Groover (2007) explica cómo estas tecnologías contribuyen a la automatización eficiente
en entornos de manufactura. (Groover, M. P. (2007))

15
 (Fig. 6: Ejemplo de tecnología SCADA supervisando un proceso de producción).

2.2.2 Tipos de Automatización: Fija, Flexible y Modular

Los sistemas de automatización pueden ser fijos, flexibles o modulares, dependiendo de sus niveles de
adaptabilidad y complejidad. La automatización fija se emplea en procesos de alta repetitividad, la
flexible permite modificar líneas de producción, y la modular permite expandir y reorganizar según
necesidades. Groover explica cómo cada tipo responde a demandas específicas de producción y
adaptación. (Groover, M. P. (2007))

2.2.3 Casos de Estudio en Automatización Industrial

Los casos de estudio en automatización industrial abarcan industrias como la automotriz, la farmacéutica
y la electrónica, donde se emplean tecnologías avanzadas para mejorar la eficiencia y reducir el tiempo
de producción. En la industria automotriz, por ejemplo, el uso de robots en líneas de ensamblaje ha
optimizado el ensamblaje de vehículos, mientras que en la industria farmacéutica, los sistemas SCADA
aseguran el control estricto en la producción de medicamentos. Según Groover, estos casos demuestran
cómo la automatización mejora la calidad y consistencia en entornos industriales. (Groover, M. P.
(2007))

2.2.4 Automatización y Control en la Industria 4.0

La Industria 4.0 involucra la automatización con el uso de tecnologías avanzadas, como el internet de
las cosas (IoT), el análisis de datos y la IA. Según Kagermann, los sistemas de la Industria 4.0 mejoran
la flexibilidad y personalización de productos en la manufactura, al permitir que las máquinas se
comuniquen y realicen ajustes en tiempo real (Kagermann, H., 2013).

2.3 Administración de la Cadena de Suministro

La cadena de suministro es el proceso que abarca desde la obtención de materias primas hasta la
entrega del producto final al cliente. Su objetivo principal es maximizar la eficiencia en cada etapa para
reducir costos y mejorar la satisfacción del cliente. Chopra y Meindl (2016) destacan la importancia de
una gestión efectiva en la cadena de suministro para obtener una ventaja competitiva en el mercado.
(Chopra, S., & Meindl, P. (2016).)

16
 2.3.1 Estrategias de Gestión de la Cadena de Suministro
Las estrategias incluyen enfoques como el abastecimiento justo a tiempo, la producción bajo demanda
y el uso de tecnología para mejorar la comunicación entre proveedores y fabricantes. Estas estrategias
permiten una respuesta rápida a las fluctuaciones del mercado y reducen el inventario innecesario.
Chopra y Meindl explican cómo seleccionar la estrategia adecuada según las necesidades del mercado
y de la empresa. (Chopra, S., & Meindl, P. (2016).)

2.4 Administración de Operaciones

La administración de operaciones es el área de la gestión empresarial enfocada en supervisar, controlar
y mejorar los procesos de producción y la prestación de servicios en una organización. Esta disciplina
abarca la planificación y organización de actividades que transforman insumos en productos o servicios
terminados. Según Stevenson, la administración de operaciones se centra en la eficiencia y efectividad
de estos procesos, buscando maximizar la productividad y minimizar los costos. (Stevenson, W. J.
(2021). )

2.4.1 Proceso de Producción: Diseño y Control

El diseño y control del proceso de producción implican la planificación de los recursos y la gestión de
cada paso del proceso para asegurar una producción eficiente. Este control incluye la asignación de
tareas, la organización del flujo de trabajo y la supervisión para alcanzar los objetivos de producción de
la manera más efectiva posible. Stevenson explica cómo el diseño y el control del proceso son vitales
para que las empresas puedan responder a las demandas de los clientes y adaptarse a cambios en el
mercado. (Stevenson, W. J. (2021). )

2.4.2 Importancia de la Calidad en las Operaciones

La calidad es un factor crucial en la administración de operaciones, ya que determina el valor del
producto o servicio final y la satisfacción del cliente. Las estrategias de calidad en la producción, como
las auditorías y los controles de calidad, aseguran que los productos cumplan con los estándares
deseados. Stevenson resalta que la calidad no solo afecta la percepción del cliente sino también la
eficiencia operativa y los costos. (Stevenson, W. J. (2021).)

17
 2.4.3 Mejora Continua y Técnicas de Optimización
La mejora continua y técnicas como Lean y Six Sigma son fundamentales para elevar la calidad y
eficiencia en los procesos. Heizer y Render explican que estas técnicas permiten reducir desperdicios y
optimizar recursos en las operaciones com se ve en la Fig 7. (Heizer, J., & Render, B., 2020).

(Fig. 7: Ciclo de mejora continua en la administración de operaciones).

2.4.4 Tecnología y Transformación Digital en la Producción

La transformación digital ha permitido la implementación de tecnologías como el análisis de datos en
tiempo real y el internet de las cosas (IoT) en procesos de producción como en la Fig 8.. Según Porter
y Heppelmann, estas tecnologías están cambiando la forma en que las empresas gestionan la
producción y supervisan el desempeño de sus operaciones (Porter, M. E., & Heppelmann, J. E., 2017).

(Fig. 8: Ejemplo de tecnología IoT aplicada en la manufactura).

2.5 Definiciones de Elementos Electrónicos
2.5.1 Componentes Pasivos: Resistencias, Capacitores e Inductores
Los componentes pasivos, como las resistencias, los capacitores y los inductores, son esenciales en los
circuitos electrónicos. Las resistencias limitan la corriente eléctrica, los capacitores almacenan energía
temporalmente y los inductores crean campos magnéticos cuando pasa una corriente. Según Floyd,

18
estos componentes no generan energía, pero son fundamentales para la regulación y el control en los
circuitos. (Floyd, T. L. (2020). )

2.5.2 Componentes Activos: Transistores, Diodos y Amplificadores

Los componentes activos, como los transistores, los diodos y los amplificadores, son esenciales para
modificar y controlar señales eléctricas. Los transistores permiten la amplificación y el cambio de
señales, los diodos controlan la dirección del flujo de corriente y los amplificadores fortalecen la señal
de entrada. Floyd describe estos componentes como fundamentales para el funcionamiento de circuitos
complejos y sistemas electrónicos como ven en la Fig 9. (Floyd, T. L. (2020). )

(Fig. 9: Ejemplo de componentes activos en un circuito electrónico).

2.5.3 Circuitos Integrados: Clasificación y Aplicaciones

Los circuitos integrados son componentes que agrupan varios elementos electrónicos en un solo chip,
lo que permite la construcción de dispositivos compactos y eficientes. Existen diferentes tipos, como los
circuitos de memoria y los microprocesadores, que son clave en aplicaciones desde computadoras hasta
sistemas de control industrial. Floyd destaca cómo estos circuitos han revolucionado la electrónica y han
permitido el desarrollo de tecnología avanzada. (Floyd, T. L. (2020). )

2.5.4 Herramientas para el Diseño y Análisis de Circuitos Electrónicos

Las herramientas de diseño y análisis, como los simuladores de circuitos, permiten a los ingenieros
planificar y probar circuitos antes de construirlos físicamente. Estas herramientas incluyen programas
de software que modelan el comportamiento de los componentes y optimizan el diseño. Floyd menciona
cómo estos recursos son vitales para reducir errores y mejorar la eficiencia en el diseño de circuitos
electrónicos. (Floyd, T. L. (2020). )

19
CAPITULO III: ESTADO DEL ARTE

CODIGO AUTOR NOMBRE REVISTA AÑO FACTOR DE

PRINCIPAL IMPACTO

CD1 Roberto E. “Precisión de los Revista 2018 3.576

Huerta- sensores remotos Chapingo serie
García1 para la estimación de ciencias
Nelly L. parámetros de forestales y del
Ramírez- biomasa aérea: ambiente
Serrato1 2
LIDAR portátil y
Fabiola D. sensores ópticos”
Yépez-
Rincón1 2

Diego F.
Lozano-
García

CD2 Camila Cruz “ANALISIS Trabajo Final de 2023 3.075

Bello COMPARATIVO DE Máster Máster
DISTINTOS Tech4Agri+Food
SENSORES DE
PROXIMIDAD PARA
LA
CARACTERIZACIÓN
DE LA VEGETACIÓN
EN PLANTACIONES
ARBOREAS”

20
CD3 Inafuku “Implementación de Fallas del 2021- 3.074
Yoshida, un sistema de sistema 01-12
Alberto diagnóstico de fallas (Ingeniería)
Hiroshi utilizando
inteligencia artificial
y robots móviles”

CD4 Jonathan Efficient Simulation Massachusetts 2023 3.056

Sampson and Implementation Institute of
of Neural Networks Technology
on Resource- (MIT)
Constrained
Platforms

CD5 Stanford Design and Analysis Stanford 2024 3.05

University of a Hardware CNN University
Accelerator

CD6 Jonathan A. Improving Massachusetts 2023 3.078

Sampson Macroscale Defect Institute of
Detection in Technology (MIT
Semiconductor
Manufacturing using
CNNs

CD7 Academia.e Artificial Neural Academia.edu 2022

du Networks for
Automotive Engine

21
 Management
Systems

CD8 ScholarWor Implementation of ScholarWorks, 2021

ks, Convolutional Neural California State
California Networks in FPGA for University
State Image Classification
University

CD9 UC San Branch Prediction UC San Diego 2019

Diego with Neural
Networks

CD10 MIT Efficient Processing MIT 2020

of Deep Neural
Networks

CD11 Louisiana Neural Networks in Louisiana State 2022

State Hardware: A Survey University
University

CD12 M. Raissi, P. Physics-Informed Journal: Illinois 2021

Perdikaris, Neural Networks for Computer
G.E. Product Quality Science
Karniadakis Control in Department
Mechanical
Engineering
Applications

CD13 Dr. Anil Applications of Journal: 2022

22
 Kumar et al. Neural Networks in SpringerLink
Product Inspection
and Classification

CD14 Li Wang et AI-Powered Product Journal: MDPI 2023

al. Monitoring in Sensors
Manufacturing

CD15 Reinforcement IEEE 2024

Xiang Gao Learning Control Transactions on
With Knowledge Neural
Jennie Si Shaping Networks and
Él Huang Learning
Systems

CD16 Xiaoyu Wen, Towards Robust Journal of septie

et al. Offline-to-Online Artificial mbre
Reinforcement Intelligence 2024
Learning via Research (JAIR)
Uncertainty and
Smoothness

CD17 Equipo Optimizing Neural Advances in 2023

editorial Networks for Neural
NeurIPS Industrial Information
Inspections with Processing
Reinforcement Systems
Learning (NeurIPS)

23
CD18 Multiple Deep Learning Elsevier Neural 2023
contributors Systems for Networks
Optimized Product Journal
Inspection in
Manufacturing
Chains

CD19 Karniadakis Scientific Machine arXiv.org 2023

et al. Learning through
Physics-Informed
Neural Networks

CD20 Equipo Vision Inspection Pharmaceutical 2023

editorial de Using Machine Engineering
ISPE Learning/Artificial
Intelligence

CD21 IEEE A Comprehensive IEEE Journals & 2020

Editorial Survey on Graph Magazine
Team Neural Networks

CD22 Investigador Automated Visual AI in Industry 2023

es de Inspection for
empresas Assembly Line
industriales Components Using AI

CD23 Li Rong Sha, Reliability Analysis of Applied septie

Tong Yu Automobile Engine Mechanics and mbre
Wang Connecting Rod Materials 2014

24
 Using Fourier
Orthogonal Neural
Network Method

CD24 Li Rong Sha, Fatigue Reliability Applied Enero

Yong Chun Analysis on Mechanics and 2014
Shi Connecting Rod of Materials
Automobile Engine
Using Artificial
Neural Network
Method

CD25 Publicado Implementation of IEEE 2024

por IEEE Artificial Neural Transactions on
Networks Using Circuits and
Magnetoresistive Systems I
Random-Access
Memory-Based
Stochastic
Computing Units

CD26 Equipo Physics-informed Springer 2022

Editorial Neural Network for
Engineers: A Review

CD27 Equipo de Optimizing Neural Springer 2023

Investigació Networks for
n Efficient FPGA

25
 Implementation

CD28 Shean-Juinn Customized Applied Sciences Marzo

Chiou, entre Convolutional Neural 2022
otros Networks
Technology for
Machined Product
Inspection

CD29 IEEE A Comprehensive IEEE Journals 2024

Journals Review of
Convolutional Neural
Networks for Defect
Detection in
Industrial
Applications

CD30 Tae-Hyun Product Inspection Sensors Julio

Kim, Hye- Methodology via 2021
Rin Kim, Deep Learning
Yeong-Jun
Cho

26
Bibliografía

1. Jouaneh, M. (2024). Fundamentos de mecatrónica (1.ª ed.). Cengage Learning

2. Bolton, W. (2013). Mecatrónica: Principios y Aplicaciones (5.ª ed.). Pearson.
3. Groover, M. P. (2007). Automation, Production Systems, and Computer-Integrated
Manufacturing (3.ª ed.). Pearson Education.
4. Chopra, S., & Meindl, P. (2016). Supply Chain Management: Strategy, Planning, and
Operation (6.ª ed.). Pearson.
5. Stevenson, W. J. (2021). Operations Management (14.ª ed.). McGraw-Hill Education.
6. Floyd, T. L. (2020). Principles of Electric Circuits (10.ª ed.). Pearson.
7. Heizer, J., & Render, B. (2020). Principios de Administración de Operaciones. México:
Pearson.
8. Kagermann, H. (2013). Industria 4.0: Visión y Aplicaciones. Berlín: Springer.
9. Russell, S. J., & Norvig, P. (2020). Inteligencia Artificial: Un Enfoque Moderno. México:
Pearson.
10. Porter, M. E., & Heppelmann, J. E. (2017). Cómo los Productos Inteligentes y
Conectados están Transformando la Competencia. Boston: Harvard Business Review
Press.

27