Ciencias Exactas y Ciencias de la Salud
Permanent URI for this collectionhttps://hdl.handle.net/11285/551039
Pertenecen a esta colección Tesis y Trabajos de grado de las Maestrías correspondientes a las Escuelas de Ingeniería y Ciencias así como a Medicina y Ciencias de la Salud.
Browse
Search Results
- Uso de BRKGA como herramienta para generar plan de producción de una fábrica de empaques de cartón(Instituto Tecnológico y de Estudios Superiores de Monterrey, 2023-11-19) Zúñiga González, José de Jesús Nicolas; Sánchez Ante, Gildardo; emiggomez, emipsanchez; Zavala Martinez, Araceli; Hinojosa Cervantes, Salvador Miguel; Escuela de Ingeniería y Ciencias; Campus GuadalajaraEl dinamismo de la industria manufactura, en todos sus segmentos, exige a las empresas la capacidad de planear y maximizar la utilización de sus recursos. Esto involucra desde las personas, el uso de las máquinas y los materiales hasta sus mismas cadenas de suministro. Para las grandes empresas esta planeación está sustentada en el uso de herramientas computacionales como los ERP (Enterprise Resource Planning) con sus múltiples complementos. Sin embargo, para laspequeñas empresas la inversión en un ERP de gama alta pudiera ser difícil. De ahí que muchas veces satisfacen esa necesidad con las habilidades y capacidades “expertise” de las personas o con el uso de herramientas alternativas. Con base en esta situación, la presente tesis busca el mostrar como la planeación de la producción, considerada un problema clásico de asignación de recursos en un taller – JSSP, Job Shop Scheduling Problem – puede ser optimizada mediante el uso de algoritmos heurísticos. En específico, el presente estudio utiliza una variación del algoritmo genético conocido como BRKGA (Biased Random Key Genetic Algorithm) por sus siglas en inglés. Este algoritmo es aplicado al plan de producción de una semana proporcionado por unapequeña empresa dedicada a la fabricación de cajas y empaques de cartón corrugado, comparando los resultados obtenidos utilizando su metodología actual con el plan de producción generado por el algoritmo. Los hallazgos presentan que tras el uso del BRKGA el plan de producción se redujo a 598 minutos en comparación a las 48 horas que se habían considerado como plan original. Esto representa una reducción del 76%.
- Modelo de aprendizaje profundo para la detección de errores en el contenido gráfico de paneles de instrumentos automotrices(Instituto Tecnológico y de Estudios Superiores de Monterrey, 2023-10) Olagues Torres, Héctor Gabriel; Sánchez Ante, Gildardo; emimmayorquin; Escuela de Ingeniería y Ciencias; Campus GuadalajaraLas pruebas para detectar errores en la interfaz gráfica (para fines prácticos se le llamará pantalla) de paneles de instrumentos automotrices no son de fácil ejecución, ya que se requiere bastante tiempo para analizar las imágenes de video que se recopilan durante la verificación y validación del contenido gráfico, lo cual se debe a que son cientos o hasta miles las posibles combinaciones de imágenes que se pueden desplegar, reduciendo la disponibilidad de tiempo de un Ingeniero de Pruebas Funcionales. Aunque existen dispositivos electrónicos que capturan los fotogramas de una señal de video en forma digital (frame grabbers), el tiempo destinado al análisis es igualmente necesario. Por lo tanto, en este estudio se propone el desarrollo de un procedimiento con un modelo de Aprendizaje Profundo basado en una Red Neuronal Convolucional, que facilite la detección de errores en la pantalla de paneles de instrumentos automotrices del fabricante Stellantis desarrollados en el área de negocio UX de Continental en Guadalajara. Mediante el uso de una metodología cuantitativa con diseño cuasiexperimental, y realizando una recopilación de imágenes con su debido preprocesamiento para la construcción del conjunto de datos de entrada, se pretende entrenar una Red Neuronal Convolucional con regresión logística de cajas envolventes que ayude en la identificación de errores de contenido gráfico en la pantalla, cuyo rendimiento será evaluado a través de métricas de desempeño y herramientas estadísticas básicas, así como con pruebas de predicción en videos de contenido gráfico. Los hallazgos demuestran que se puede aumentar la disponibilidad de tiempo de los Ingenieros de Pruebas Funcionales a través del despliegue de un procedimiento con un modelo de Aprendizaje Profundo basado en una Red Neuronal Convolucional que apoye en la detección de errores en la interfaz gráfica de paneles de instrumentos automotrices del fabricante Stellantis.