Predicción de lectura en instrumento patrón para una empresa de metrología a través de un dashboard empleando algoritmos de regresión

Autores/as

DOI:

https://doi.org/10.36825/RITI.12.27.004

Palabras clave:

Aplicación Web, Predicción, Metrología, Algoritmos de Regresión

Resumen

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

2024-10-25

Cómo citar

Báez Castillo, P., Reyes Hernández , L. Ángel, Olivares Zepahua, B. A., López Martínez, I., & Cordova Ovando , M. I. (2024). Predicción de lectura en instrumento patrón para una empresa de metrología a través de un dashboard empleando algoritmos de regresión. Revista De Investigación En Tecnologías De La Información, 12(27 (Especial), 26–39. https://doi.org/10.36825/RITI.12.27.004