Prototipo de software basado en aprendizaje automático para mantenimiento predictivo de tableros eléctricos a partir de imágenes termográficas

Autores
Cabaña, Juan Pablo; Kloster, Narella Katherine
Año de publicación
2025
Idioma
español castellano
Tipo de recurso
tesis de grado
Estado
versión aceptada
Colaborador/a o director/a de tesis
Pacchiotti, Mauro
Ballejos, Luciana Cristina
Descripción
El mantenimiento predictivo se ha consolidado como una estrategia eficaz en la gestión de equipos y sistemas industriales, ya que permite anticipar fallas mediante revisiones periódicas. Esto ayuda a evitar interrupciones no planificadas, optimiza el rendimiento, prolonga la vida útil de los activos, reduce riesgos y minimiza costos de mantenimiento. Esta metodología se basa en tecnologías avanzadas que monitorean el estado de los sistemas, lo cual resulta especialmente relevante en equipos eléctricos como los tableros eléctricos, elementos críticos en la distribución de energía. Uno de los métodos más efectivos en este contexto es el uso de imágenes termográficas, que permiten detectar visualmente puntos calientes en circuitos y componentes eléctricos. Estas anomalías térmicas, como el sobrecalentamiento por conexiones defectuosas o componentes desgastados, pueden ser señales tempranas de fallas graves. Detectarlas a tiempo evita daños costosos, pérdidas en la producción y riesgos para la seguridad. Las cámaras termográficas capturan diferencias de temperatura en la superficie de los equipos, facilitando una localización precisa de problemas sin necesidad de intervenir directamente o desconectar el sistema. En este marco, el proyecto propone desarrollar un prototipo de software basado en aprendizaje automático para clasificar imágenes termográficas de tableros eléctricos. Su objetivo es determinar con anticipación cuándo será necesario realizar mantenimiento. Este tipo de herramienta facilitaría el trabajo de los analistas de mantenimiento predictivo, brindándoles una preclasificación automatizada de las imágenes que sirva como punto de partida para un análisis más detallado, mejorando la eficiencia en la detección y gestión de fallas.
Fil: Kloster, Narella Katherine. Universidad Tecnológica Nacional. Facultad Regional Santa Fe; Argentina.
Fil: Cabaña, Juan Pablo. Universidad Tecnológica Nacional. Facultad Regional Santa Fe; Argentina.
Materia
Mantenimiento predictivo
Aprendizaje automático
Imágenes termográficas
Clasificación de imágenes
Tableros eléctricos
Nivel de accesibilidad
acceso abierto
Condiciones de uso
Attribution-NonCommercial-ShareAlike 4.0 International
Repositorio
Repositorio Institucional Abierto (UTN)
Institución
Universidad Tecnológica Nacional
OAI Identificador
oai:ria.utn.edu.ar:20.500.12272/13170
Acceder
id RIAUTN_6a73bf8a1eab50f557f87a335346c6e1
oai_identifier_str oai:ria.utn.edu.ar:20.500.12272/13170
network_acronym_str RIAUTN
repository_id_str a
network_name_str Repositorio Institucional Abierto (UTN)
spelling Prototipo de software basado en aprendizaje automático para mantenimiento predictivo de tableros eléctricos a partir de imágenes termográficasCabaña, Juan PabloKloster, Narella KatherineMantenimiento predictivoAprendizaje automáticoImágenes termográficasClasificación de imágenesTableros eléctricosEl mantenimiento predictivo se ha consolidado como una estrategia eficaz en la gestión de equipos y sistemas industriales, ya que permite anticipar fallas mediante revisiones periódicas. Esto ayuda a evitar interrupciones no planificadas, optimiza el rendimiento, prolonga la vida útil de los activos, reduce riesgos y minimiza costos de mantenimiento. Esta metodología se basa en tecnologías avanzadas que monitorean el estado de los sistemas, lo cual resulta especialmente relevante en equipos eléctricos como los tableros eléctricos, elementos críticos en la distribución de energía. Uno de los métodos más efectivos en este contexto es el uso de imágenes termográficas, que permiten detectar visualmente puntos calientes en circuitos y componentes eléctricos. Estas anomalías térmicas, como el sobrecalentamiento por conexiones defectuosas o componentes desgastados, pueden ser señales tempranas de fallas graves. Detectarlas a tiempo evita daños costosos, pérdidas en la producción y riesgos para la seguridad. Las cámaras termográficas capturan diferencias de temperatura en la superficie de los equipos, facilitando una localización precisa de problemas sin necesidad de intervenir directamente o desconectar el sistema. En este marco, el proyecto propone desarrollar un prototipo de software basado en aprendizaje automático para clasificar imágenes termográficas de tableros eléctricos. Su objetivo es determinar con anticipación cuándo será necesario realizar mantenimiento. Este tipo de herramienta facilitaría el trabajo de los analistas de mantenimiento predictivo, brindándoles una preclasificación automatizada de las imágenes que sirva como punto de partida para un análisis más detallado, mejorando la eficiencia en la detección y gestión de fallas.Fil: Kloster, Narella Katherine. Universidad Tecnológica Nacional. Facultad Regional Santa Fe; Argentina.Fil: Cabaña, Juan Pablo. Universidad Tecnológica Nacional. Facultad Regional Santa Fe; Argentina.Pacchiotti, MauroBallejos, Luciana Cristina2025-06-04T20:54:11Z2025info:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_7a1finfo:ar-repo/semantics/tesisDeGradopdfapplication/pdfhttps://hdl.handle.net/20.500.12272/13170spainfo:eu-repo/semantics/openAccessAttribution-NonCommercial-ShareAlike 4.0 Internationalhttp://creativecommons.org/licenses/by-nc-sa/4.0/Los autoresCreativeCommonsreponame:Repositorio Institucional Abierto (UTN)instname:Universidad Tecnológica Nacional2026-09-24T12:44:05Zoai:ria.utn.edu.ar:20.500.12272/13170instacron:UTNInstitucionalhttp://ria.utn.edu.ar/Universidad públicaNo correspondehttp://ria.utn.edu.ar/oaigestionria@rec.utn.edu.ar; fsuarez@rec.utn.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:a2026-09-24 12:44:06.306Repositorio Institucional Abierto (UTN) - Universidad Tecnológica Nacionalfalse
dc.title.none.fl_str_mv Prototipo de software basado en aprendizaje automático para mantenimiento predictivo de tableros eléctricos a partir de imágenes termográficas
title Prototipo de software basado en aprendizaje automático para mantenimiento predictivo de tableros eléctricos a partir de imágenes termográficas
spellingShingle Prototipo de software basado en aprendizaje automático para mantenimiento predictivo de tableros eléctricos a partir de imágenes termográficas
Cabaña, Juan Pablo
Mantenimiento predictivo
Aprendizaje automático
Imágenes termográficas
Clasificación de imágenes
Tableros eléctricos
title_short Prototipo de software basado en aprendizaje automático para mantenimiento predictivo de tableros eléctricos a partir de imágenes termográficas
title_full Prototipo de software basado en aprendizaje automático para mantenimiento predictivo de tableros eléctricos a partir de imágenes termográficas
title_fullStr Prototipo de software basado en aprendizaje automático para mantenimiento predictivo de tableros eléctricos a partir de imágenes termográficas
title_full_unstemmed Prototipo de software basado en aprendizaje automático para mantenimiento predictivo de tableros eléctricos a partir de imágenes termográficas
title_sort Prototipo de software basado en aprendizaje automático para mantenimiento predictivo de tableros eléctricos a partir de imágenes termográficas
dc.creator.none.fl_str_mv Cabaña, Juan Pablo
Kloster, Narella Katherine
author Cabaña, Juan Pablo
author_facet Cabaña, Juan Pablo
Kloster, Narella Katherine
author_role author
author2 Kloster, Narella Katherine
author2_role author
dc.contributor.none.fl_str_mv Pacchiotti, Mauro
Ballejos, Luciana Cristina
dc.subject.none.fl_str_mv Mantenimiento predictivo
Aprendizaje automático
Imágenes termográficas
Clasificación de imágenes
Tableros eléctricos
topic Mantenimiento predictivo
Aprendizaje automático
Imágenes termográficas
Clasificación de imágenes
Tableros eléctricos
dc.description.none.fl_txt_mv El mantenimiento predictivo se ha consolidado como una estrategia eficaz en la gestión de equipos y sistemas industriales, ya que permite anticipar fallas mediante revisiones periódicas. Esto ayuda a evitar interrupciones no planificadas, optimiza el rendimiento, prolonga la vida útil de los activos, reduce riesgos y minimiza costos de mantenimiento. Esta metodología se basa en tecnologías avanzadas que monitorean el estado de los sistemas, lo cual resulta especialmente relevante en equipos eléctricos como los tableros eléctricos, elementos críticos en la distribución de energía. Uno de los métodos más efectivos en este contexto es el uso de imágenes termográficas, que permiten detectar visualmente puntos calientes en circuitos y componentes eléctricos. Estas anomalías térmicas, como el sobrecalentamiento por conexiones defectuosas o componentes desgastados, pueden ser señales tempranas de fallas graves. Detectarlas a tiempo evita daños costosos, pérdidas en la producción y riesgos para la seguridad. Las cámaras termográficas capturan diferencias de temperatura en la superficie de los equipos, facilitando una localización precisa de problemas sin necesidad de intervenir directamente o desconectar el sistema. En este marco, el proyecto propone desarrollar un prototipo de software basado en aprendizaje automático para clasificar imágenes termográficas de tableros eléctricos. Su objetivo es determinar con anticipación cuándo será necesario realizar mantenimiento. Este tipo de herramienta facilitaría el trabajo de los analistas de mantenimiento predictivo, brindándoles una preclasificación automatizada de las imágenes que sirva como punto de partida para un análisis más detallado, mejorando la eficiencia en la detección y gestión de fallas.
Fil: Kloster, Narella Katherine. Universidad Tecnológica Nacional. Facultad Regional Santa Fe; Argentina.
Fil: Cabaña, Juan Pablo. Universidad Tecnológica Nacional. Facultad Regional Santa Fe; Argentina.
description El mantenimiento predictivo se ha consolidado como una estrategia eficaz en la gestión de equipos y sistemas industriales, ya que permite anticipar fallas mediante revisiones periódicas. Esto ayuda a evitar interrupciones no planificadas, optimiza el rendimiento, prolonga la vida útil de los activos, reduce riesgos y minimiza costos de mantenimiento. Esta metodología se basa en tecnologías avanzadas que monitorean el estado de los sistemas, lo cual resulta especialmente relevante en equipos eléctricos como los tableros eléctricos, elementos críticos en la distribución de energía. Uno de los métodos más efectivos en este contexto es el uso de imágenes termográficas, que permiten detectar visualmente puntos calientes en circuitos y componentes eléctricos. Estas anomalías térmicas, como el sobrecalentamiento por conexiones defectuosas o componentes desgastados, pueden ser señales tempranas de fallas graves. Detectarlas a tiempo evita daños costosos, pérdidas en la producción y riesgos para la seguridad. Las cámaras termográficas capturan diferencias de temperatura en la superficie de los equipos, facilitando una localización precisa de problemas sin necesidad de intervenir directamente o desconectar el sistema. En este marco, el proyecto propone desarrollar un prototipo de software basado en aprendizaje automático para clasificar imágenes termográficas de tableros eléctricos. Su objetivo es determinar con anticipación cuándo será necesario realizar mantenimiento. Este tipo de herramienta facilitaría el trabajo de los analistas de mantenimiento predictivo, brindándoles una preclasificación automatizada de las imágenes que sirva como punto de partida para un análisis más detallado, mejorando la eficiencia en la detección y gestión de fallas.
publishDate 2025
dc.date.none.fl_str_mv 2025-06-04T20:54:11Z
2025
dc.type.none.fl_str_mv info:eu-repo/semantics/bachelorThesis
info:eu-repo/semantics/acceptedVersion
http://purl.org/coar/resource_type/c_7a1f
info:ar-repo/semantics/tesisDeGrado
format bachelorThesis
status_str acceptedVersion
dc.identifier.none.fl_str_mv https://hdl.handle.net/20.500.12272/13170
url https://hdl.handle.net/20.500.12272/13170
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
Attribution-NonCommercial-ShareAlike 4.0 International
http://creativecommons.org/licenses/by-nc-sa/4.0/
Los autores
CreativeCommons
eu_rights_str_mv openAccess
rights_invalid_str_mv Attribution-NonCommercial-ShareAlike 4.0 International
http://creativecommons.org/licenses/by-nc-sa/4.0/
Los autores
CreativeCommons
dc.format.none.fl_str_mv pdf
application/pdf
dc.source.none.fl_str_mv reponame:Repositorio Institucional Abierto (UTN)
instname:Universidad Tecnológica Nacional
reponame_str Repositorio Institucional Abierto (UTN)
collection Repositorio Institucional Abierto (UTN)
instname_str Universidad Tecnológica Nacional
repository.name.fl_str_mv Repositorio Institucional Abierto (UTN) - Universidad Tecnológica Nacional
repository.mail.fl_str_mv gestionria@rec.utn.edu.ar; fsuarez@rec.utn.edu.ar
_version_ 1877230870135308288
score 13.265058

Publicaciones similares