Desarrollo de modelo digital para la predicción de fallos en basculas de piso mediante análisis de datos iot

Este proyecto tiene como propósito diseñar e implementar un sistema de gemelo digital aplicado a las básculas de piso industriales de la empresa básculas y balanzas de la costa (Bascosta), ubicada en la región caribe de Colombia. La propuesta se basa en la recopilación continua de datos provenientes del sector IoT en donde se instalaron en los equipos, las cuales registraban variables como temperatura de la celda de carga, resistencia del sensor, multi voltaje y peso en operación. Con esta información, se construye una réplica digital precisa que permite observar y analizar el comportamiento real de las básculas en distintos contextos de uso. Como parte de desarrollo inicial, se ejecutó una fase de prueba mediante una simulación guiada que genera datos sintéticos. Este ambiente controlado reproduce tantas condiciones normales de funcionamiento de escenarios cercanos a fallos. Hp la transmisión de la información se realiza en tiempo real a través del protocolo MQTT, el cual codifica en formato JSON, lo que facilita su envío y análisis de los datos durante el proceso. El núcleo del sistema se fundamenta de aprendizaje automático supervisado, cuyo objetivo desclasificar el estado de las básculas en 2 categorías: operativas o con riesgo de fallo; para ello, los modelos analizan datos multivariados sin procesar, identifican patrones irregulares y eso siguen variables capturadas con posibles deterioros mecánicos o electrónicos. El entrenamiento de los algoritmos se realiza con los datos generados en las simulaciones, con el fin de anticipar comportamientos que indiquen que se requiera intervención técnica en el momento. El resultado esperado él la puesta en marcha de una herramienta inteligente de mantenimiento predictivo que fortalezca la capacidad de respuesta de la empresa. A través de procesamiento de datos en tiempo real, el sistema permitirá transformar la información operativa en alertas útiles y acciones priorizadas. Esto facilitará la planificación de intervenciones según la gravedad de los posibles fallos, al mismo tiempo reducirá los costos generados por paros no programados y prolongará la vida útil de los equipos, hoy mejorando la productividad y la gestión técnica de Bascosta.

• Autores: Bolaño Pérez, Kathleen Johana; Granados Ruiz, Alejandra María
• Fecha de publicación: 2025
• Institución: Universidad de Ibagué
• Repositorio: Repositorio Universidad de Ibagué
• Idioma: spa
• OAI Identifier: oai:repositorio.unibague.edu.co:20.500.12313/5898
• Acceso en línea: https://hdl.handle.net/20.500.12313/5898
• Palabra clave: Análisis de datos IoT; Basculas de datos - Fallos; Ciencia de datos; Modelado Predictivo; Series de tiempo LSTM; Gemelo digital; Colombia; Iot; Data science; Predictive modeling; LSTM Time series; Digital twin
• Rights: closedAccess
• License: http://purl.org/coar/access_right/c_14cb