Mostrar el registro sencillo del ítem

Implementación de inteligencia artificial en el diagnóstico de mantenimientos de las Unidades a Flote de la Armada Nacional de Colombia

dc.contributor.authorMadariaga Ibarra, Dave Xavier
dc.coverage.spatialBogotá D.C. 01/11/2024
dc.date.accessioned2024-11-14T20:29:51Z
dc.date.available2024-11-14T20:29:51Z
dc.date.issued2024-11-01
dc.date.submitted2024-11-01
dc.identifier.citationApa 7 edición.es_ES
dc.identifier.urihttps://hdl.handle.net/20.500.14205/11243
dc.description.abstractEste artículo evalúa la implementación de la Inteligencia Artificial (IA) en el diagnóstico de mantenimiento de las Unidades a Flote de la Armada Nacional de Colombia. Se aplicó una metodología cualitativa basada en la revisión bibliográfica y el análisis del proceso actual del diagnóstico de mantenimiento. Se recopilaron datos de aplicaciones de IA en el diagnóstico de mantenimientos tanto en la industria como en las marinas internacionales, los cuales se analizaron mediante codificación abierta para identificar patrones y categorías relevantes. Seguidamente, se realizó una clasificación axial para identificar subcategorías y relaciones con la estructura del proceso investigativo. Los hallazgos demuestran que la IA mejora la precisión de los diagnósticos y la previsión de fallas, optimizando la gestión de los activos, permitiendo reducir los tiempos de mantenimiento, optimizar recursos y mejorar la operatividad de la flota, contribuyendo significativamente al fortalecimiento de la seguridad y defensa de la nación.es_ES
dc.description.tableofcontentsResumen – Abstract - [T1] Introducción - [T1] Metodología - [T1] Los diagnósticos de mantenimiento a bordo de las Unidades a Flote de la Armada Nacional de Colombia en la actualidad - T1] Aplicaciones de la inteligencia artificial para el diagnóstico de mantenimientos tanto en la industria como en la Marina Internacional - [T2] Aplicaciones de la inteligencia artificial en la industria. - [T2] Aplicaciones de la inteligencia artificial en la marina internacional. - [T1] Principales beneficios y desafíos con la implementación de sistemas de IA en el proceso de mantenimiento de las Unidades a Flote - [T1] Conclusiones - [T1] Referenciases_ES
dc.format.extent46 páginas.
dc.format.mimetypeapplication/pdfes_ES
dc.language.isospaes_ES
dc.titleImplementación de inteligencia artificial en el diagnóstico de mantenimientos de las Unidades a Flote de la Armada Nacional de Colombiaes_ES
dcterms.bibliographicCitationÁlvarez, C., & Fernández, A. (2018). Hacia una gran estrategia en Colombia: contrucción de política pública en seguridad y defensa. Bogotá D.C.: ESMIC.es_ES
dcterms.bibliographicCitationArmada Nacional de Colombia. (2014). Doctrina de Material Naval Tomo III Mantenimiento. Bogotá D.C.es_ES
dcterms.bibliographicCitationArmada Nacional de Colombia. (2018). Manual para realizar una ronda en una unidad a flote. Bogotá D.C.es_ES
dcterms.bibliographicCitationArmada Nacional de Colombia. (2021). Doctrina Estratégica de la Armada Nacional. Bogotá D.C.es_ES
dcterms.bibliographicCitationArmada Nacional de Colombia. (2021). Plan de Desarrollo Naval 2042. Bogotá D.C.es_ES
dcterms.bibliographicCitationBalachandar, K., Jegadeeshwaran, R., & Gandhikumar, D. (2020). Condition monitoring of FSW tool using vibration analysis – A machine learning approach. Materials Today: Proceedings. Retrieved from https://doi.org/10.1016/j.matpr.2020.04.903.es_ES
dcterms.bibliographicCitationBalazy, P., Gut, P., & Knap, P. (2022). Neural classifying system for predictive maintenance of rotating devices. UK: Bristol.es_ES
dcterms.bibliographicCitationChang, Y., & Zhang, C. (n.d.). Políticas científicas de IA en China. ID EES.es_ES
dcterms.bibliographicCitationChen, J., Chen, T.-L., Liu, W.-J., Cheng, C., & Li, M.-G. (2021). Combining empirical mode decomposition and deep recurrent neural networks for predictive maintenance of lithium-ion battery. Advanced Engineering Informatics.es_ES
dcterms.bibliographicCitationConstitución Política de Colombia. (1991). Constitucion Política de Colombia 1991. Retrieved from https://www.constitucioncolombia.com/titulo-7/capitulo-7/articulo-217es_ES
dcterms.bibliographicCitationCorrea, Bielza, & Pamies. (2008). Redes Bayesianas vs Redes Neuronales en Moldeos para la Predicción de Acabado Superficial.es_ES
dcterms.bibliographicCitationDe Santo, A., Ferraro, A., Galli, A., Moscato, V., & Sperli, G. (2022). Evaluating time series encoding techniques for Predictive Maintenance. Expert Systems with Applications.es_ES
dcterms.bibliographicCitationDutta, N., Palanisamy, K., Shanmugam , P., Subramaniam, U., & Selvam, S. (2023). Life Cycle Cost Analysis of Pumping System through Machine Learning and Hidden Markov Model. Processes.es_ES
dcterms.bibliographicCitationEscolano, F., Cazorla, M., Alonso, M., Colomina, O., & Lozano, M. (2003). Inteligencia Artificial: Modelos, Técnicas y Áreas de Aplicación. Madrid: Thomson Reuters.es_ES
dcterms.bibliographicCitationFerreño, S., Santiago, L., & Munín, A. (2021). Construcción naval e industria 4.0. Universidade da Coruña. Retrieved from http://hdl.handle.net/2183/27608es_ES
dcterms.bibliographicCitationGianoglio, C., Ragusa, E., Gastaldo, P., Gallesi, F., & Guastavino, F. (2021). Online Predictive Maintenance Monitoring Adopting Convolutional Neural Networks. Energies.es_ES
dcterms.bibliographicCitationGohel, H., Upadhyay, H., Lagos, L., Cooper, K., & Sanzetenea, A. (2020). Predictive maintenance architecture development for nuclear infrastructure using machine learning. Nuclear Engineering and Techonology.es_ES
dcterms.bibliographicCitationGordon, C., Burnak, B., Onel , M., & Pistikopoulos, E. (2020). Data-driven prescriptive maintenance: Failure prediction using ensemble support vector classification for optimal process and maintenance scheduling. Ind. Eng. Chem. Res. Retrieved from https://doi.org/10.1021/acs.iecr.0c03241es_ES
dcterms.bibliographicCitationHaggag, S. (2022). Vibration analysis for predictive maintenance and improved reliability of rotating machines in ETRR-2 research reactor. Kerntechnik.es_ES
dcterms.bibliographicCitationHsu, J.-Y., Wang, Y.-F., Lin, K.-C., Chen, M.-Y., & Hsu, H.-Y. (2020). Wind turbine fault diagnosis and predictive maintenance through statistical process control and machine learning. IEEE.es_ES
dcterms.bibliographicCitationHurtado de Barrera, J. (2000). Metodología de la Investigación Holística. Caracas: Fundación Sypal.es_ES
dcterms.bibliographicCitationJiang, Y., Dai, P., Fang, P., Zhong, R., Zhao, X., & Cao, X. (2022). A2-LSTM for predictive maintenance of industrial equipment based on machine learning. Computers & Industrial Engineering.es_ES
dcterms.bibliographicCitationKalathas, L., & Papoutsidakis, M. (2021). Predictive Maintenance Using Machine Learning and Data Mining: A Pioneer Method Implemented to Greek Railways. Designs.es_ES
dcterms.bibliographicCitationKaparthi, S., & Bumblauskas , D. (2020). Designing predictive maintenance systems using decision tree-based machine learning techniques. International Journal of Quality & Reliability Management.es_ES
dcterms.bibliographicCitationKarakose, M., & Yaman, O. (2020). Complex fuzzy system based predictive maintenance approach in railways. IEEE Trans. Ind. Inform.es_ES
dcterms.bibliographicCitationKing, R., & Curran, K. (2019). Predictive Maintenance for Vibration-Related failures in the Semi-Conductor Industry. J. Comput. Eng. Inf. Technol.es_ES
dcterms.bibliographicCitationKostoláni, M., Murín, J., & Kozák, Š. (2019, June 11 - 14). Intelligent predictive maintenance control using augmented reality. In Proceedings of the 2019 22nd International Conference on Process Control (PC19). Strbske Pleso, Slovakia.es_ES
dcterms.bibliographicCitationLakehal, A., Ramdane, A., & Tachi, F. (2018). Probabilistic Reasoning for Improving the Predictive Maintenance of Vital Electrical Machine: Case Study. Journal of Advanced Engineering and Computation.es_ES
dcterms.bibliographicCitationMahan, A. (2010). The influence of sea power upon history, 1660 - 1783. New York: Cambridge University Press.es_ES
dcterms.bibliographicCitationMancuzo, G. (2020, Septiembre 17). Blog - ComparaSoftware. Retrieved from https://blog.comparasoftware.com/evolucion-del-mantenimiento/es_ES
dcterms.bibliographicCitationMehmet, Sahin, & Oztoprak. (2016). Expert Systems. Encyclopedia od Chemical Technology.es_ES
dcterms.bibliographicCitationMohammed, M., Khan, M., & Bashier, E. (2016). Machine Learning: Algorithms and Applications.es_ES
dcterms.bibliographicCitationMoton, C. (2023). Navy unmanned maritime Systems and Autonomy. Naval Engineers Journal.es_ES
dcterms.bibliographicCitationNavantia. (2021, Junio 15). Navantia. Retrieved from https://www.navantia.es/es/actualidad/notas-prensa/seis-grandes-empresas-crean-el-primer-consorcio-de-inteligencia-artificial-de-la-industria-en-espana/es_ES
dcterms.bibliographicCitationNavantia. (2024, Febrero 9). Navantia. Retrieved from https://www.navantia.es/es/actualidad/ferias-y-eventos/navantia-muestra-sus-innovaciones-tecnologicas-en-world-defense-show/es_ES
dcterms.bibliographicCitationOsorio, A. (2019). Políticas de la Jefatura de Material para incrementar la disponibilidad de las unidades de superficie y submarinas optimizando los recursos asignados a la Armada Nacional. Bogotá D.C.es_ES
dcterms.bibliographicCitationPagán, J. (2017). Sistema de diagnóstico de motor diesel marino basado en modelo termodinámico y de inteligencia artificial. Cartagena.es_ES
dcterms.bibliographicCitationPerini, L. (2019). Predictive Maintenance for off-Road Vehicles Based on Hidden Markov Models and Autoencoders for Trend Anomaly Detection. Torino.es_ES
dcterms.bibliographicCitationPierleoni, P., Palma, L., Belli, A., Raggiunto, S., & Sabbatini, L. (2022). Supervised Regression Learning for Maintenance-related Data. In Proceedings of the 2022 IEEE International Conference on Dependable, Autonomic and Secure Computing, International Conference on Pervasive Intelligence and Computing, International Conference. Calabria.es_ES
dcterms.bibliographicCitationPredictiva21. (2024, Marzo 25). Predictiva21. Retrieved from https://predictiva21.com/mantenimiento-asistido-por-inteligencia-artificial-la-evolucion-del-mantenimiento-prescriptivo/es_ES
dcterms.bibliographicCitationRouhiainen, L. (2018). Inteligencia Artificial 101 cosas que debes saber hoy sobre nuestro fututo. Barcelona: Alienta.es_ES
dcterms.bibliographicCitationSouza, R., Nascimento, E., Miranda, U., Silva, W., & Lepikson, H. (2021). Deep learning for diagnosis and classification of faults in industrial rotating machinery. Computers & Industrial Engineering.es_ES
dcterms.bibliographicCitationStrauss, A., & Corbin, J. (2002). Bases de la Investigación cualitativa. Técnicas y procedimientos para desarrollar la teoría fundamentada. Medellin: Universidad de Antioquia.es_ES
dcterms.bibliographicCitationTait, E., Jain, S., Gilroy, A., Kiernan, D., Kantner, R., & Kukkonen, C. (2019). While House Unveils American AI Initiative: The Future is now. Jones Day.es_ES
dcterms.bibliographicCitationTill, G. (2018). Seapower. New York: Taylor & Francis Group.es_ES
dcterms.bibliographicCitationUcar, A., Karakose, M., & Kirimca, N. (2024). Artificial Intelligence for Predictive Maintenance Applications: Key components, Trustworthiness, and Future Trends. Applied Sciences.es_ES
dcterms.bibliographicCitationWang, J., Cao, H., Cui, Z., Ai, Z., & Jiang, K. (2023). Intelligent Fault Diagnosis of Marine Diesel Engines Based on Efficient Channel Attention-Improved Convolutional Neural Networks. Fei Zhao and Yachao Dong.es_ES
datacite.rightshttp://purl.org/coar/access_right/c_abf2es_ES
oaire.resourcetypehttp://purl.org/coar/resource_type/c_2df8fbb1es_ES
oaire.versionhttp://purl.org/coar/version/c_b1a7d7d4d402bccees_ES
dc.audiencePúblico generales_ES
dc.contributor.tutorDO. Vicente Torrijos Rivera
dc.identifier.instnameEscuela Superior de Guerra "General Rafael Reyes Prieto"es_ES
dc.identifier.reponameRepositorio ESDEGes_ES
dc.publisher.disciplineMaestría en Seguridad y Defensa Nacionaleses_ES
dc.publisher.placeBogotáes_ES
dc.relation.citationEdition46 hojases_ES
dc.rights.accessrightsinfo:eu-repo/semantics/openAccesses_ES
dc.subject.keywordsArmada Nacional de Colombiaes_ES
dc.subject.keywordsInteligencia Artificiales_ES
dc.subject.keywordsMachine Learninges_ES
dc.subject.keywordsMantenimiento Predictivoes_ES
dc.subject.keywordsRedes Bayesianases_ES
dc.subject.keywordsSistemas de Expertoses_ES
dc.subject.unescoGoogle Academico
dc.type.driverinfo:eu-repo/semantics/articlees_ES
dc.type.hasversioninfo:eu-repo/semantics/draftes_ES
dc.type.spaArtículoes_ES


Ficheros en el ítem

Thumbnail
Nombre:
Artículo Científico - AI - V2.pdf
Tamaño:
436.0Kb
Formato:
PDF
Descripción:
Artículo científico: Implementación ...
Ver/

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem