Predicción de lectura en instrumento patrón para una empresa de metrología a través de un dashboard empleando algoritmos de regresión
DOI:
https://doi.org/10.36825/RITI.12.27.004Palabras clave:
Aplicación Web, Predicción, Metrología, Algoritmos de RegresiónResumen
Actualmente, la metrología ha empleado técnicas avanzadas como la inteligencia artificial, el internet de las cosas y el análisis de datos, todo con el objetivo de medir de manera precisa y exacta diferentes magnitudes físicas. Todo esto se le conoce hoy en día como metrología 4.0, que tiene como objetivo principal asegurar la fiabilidad y la precisión de mediciones en campos como la industria. En este contexto, se propone una aplicación web para una empresa que se dedica a la calibración de instrumentos, en la cual se apliquen algoritmos de regresión para la predicción en sus instrumentos de calibración. Esto no solo permitirá ofrecer resultados de mejor calidad y más confiables a los clientes, sino también permitirá optimizar los procesos de la empresa y mejorar la eficiencia en la toma de decisiones relacionadas con la calibración de los instrumentos. Se espera que, mediante el uso de algoritmos de regresión, la empresa prediga cuándo el instrumento patrón va a dar malas lecturas. Esto permitirá enviar el instrumento a calibrar con anticipación, evitando errores y garantizando la precisión en las mediciones. Aunque aún no se tienen resultados concretos, se anticipa una mejora significativa en la precisión y fiabilidad de las predicciones, así como en la eficiencia operativa de la empresa.
Citas
JCGM. (2020). Guide to the expression of uncertainty in measurement-Part 6: Developing and using measurement models. https://www.bipm.org/documents/20126/2071204/JCGM_GUM_6_2020.pdf
Cifuentes Linares, I. C. (2023). Desarrollo de dashboard para la gestión de operaciones de la dirección de calidad de Postobón S.A. [Tesis de Grado]. Universidad de Antioquia, Colombia. https://hdl.handle.net/10495/33326
De la Fuente Ruiz, S. (2019). Implantación, estudio y control de calidad de variables climáticas en el ámbito de la metrología 4.0 [Tesis de Grado]. Universidad de Valladolid. http://uvadoc.uva.es/handle/10324/37849
Alberto, A., S., Jacob, F. L. (2019).The teaching of metrology: The genesis and the epilogue of a degree. ACM Seventh International Conference on Technological Ecosystems for Enhancing Multiculturality, León España. https://doi.org/10.1145/3362789.336285
Suakanto, S., Supangkat, S. H., Suhardi, Saragih, R. (2013). Smart city dashboard for integrating various data of sensor networks. IEEE International Conference on ICT for Smart Society, Jakarta, Indonesia. https://doi.org/10.1109/ICTSS.2013.6588063
Vargas Cuervo, D. F. (2019). Diseño e implementación de dashboards para la visualización de clústeres agregados de regiones geográficas [Tesis de Grado]. Universidad del Bosque, Bogotá, D. C. https://hdl.handle.net/20.500.12495/6034
Sandoval, L. J. (2018).Algoritmos de aprendizaje automático para análisis y predicción de datos. Revista Tecnológica, (11), 36-40. http://www.redicces.org.sv/jspui/bitstream/10972/3626/1/Art6_RT2018.pdf
Gabriel D’angiolo, F., Kwist, I. F., Loiseau, M., Contreras, D., E., Asteasuain, F. (2019). Algoritmos de Regresión Lineal aplicados al mantenimiento de un Datacenter. XXV Congreso Argentino de Ciencias de la Computación (CACIC), Córdoba, Argentina. https://sedici.unlp.edu.ar/handle/10915/91401
Prashant. (2024). Different Types of Regression Models. https://www.analyticsvidhya.com/blog/2022/01/different-types-of-regression-models/#
Breiman, L., Friedman, J., Stone, C. J., Olshen, R. A. (1984). Classification and Regression Trees. Taylor & Francis.
Microsoft. (2024). Patrón MVC de ASP.NET | .NET. https://dotnet.microsoft.com/es-es/apps/aspnet/mvc
Trueba Espinosa, A., Camarena Sagredo, J. G., Martínez Reyes, M., López García, M. L. (2012). Automatización de la codificación del patrón modelo vista controlador (MVC) en proyectos orientados a la Web. CIENCIA ergo-sum, 19 (3), 239-250. https://dialnet.unirioja.es/servlet/articulo?codigo=5199006
Qian, Z., Kavvos, G. A., Birkedal, L. (2021). Client-server sessions in linear logic. Proceedings of the ACM on Programming Languages, 5 (62), 1-31. https://doi.org/10.1145/3473567
OA.mg. (2006). Pattern Recognition and Machine Learning. https://oa.mg/work/10.1007/978-0-387-45528-0
scikit-learn (2024). 3.4. Metrics and scoring: quantifying the quality of predictions. https://scikit-learn.org/stable/modules/model_evaluation.html#regression-metrics
Hyndman, R. J., Koehler, A. B. (2006). Another look at measures of forecast accuracy. International Journal Forecast, 22 (4), 679–688. https://doi.org/10.1016/j.ijforecast.2006.03.001
SciPy. (2024). scipy.stats.zscore — SciPy v1.13.0 Manual. https://docs.scipy.org/doc/scipy/reference/generated/scipy.stats.zscore.html
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2024 Revista de Investigación en Tecnologías de la Información
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Esta revista proporciona un acceso abierto a su contenido, basado en el principio de que ofrecer al público un acceso libre a las investigaciones ayuda a un mayor intercambio global del conocimiento.
El texto publicado en la Revista de Investigación en Tecnologías de la Información (RITI) se distribuye bajo la licencia Creative Commons (CC BY-NC), que permite a terceros utilizar lo publicado citando a los autores del trabajo y a RITI, pero sin hacer uso del material con propósitos comerciales.