Por favor, use este identificador para citar o enlazar este ítem: https://ri-ng.uaq.mx/handle/123456789/10738
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.rights.licensehttp://creativecommons.org/licenses/by-nc-nd/4.0es_ES
dc.contributorRoque Alfredo Osornio Ríoses_ES
dc.contributorIsrael Zamudio Ramírezes_ES
dc.contributorIrving Armando Cruz Albarránes_ES
dc.contributorGeovanni Díaz Saldañaes_ES
dc.contributorJosé Alfonso Antonino Daviúes_ES
dc.creatorAlvaro Iván Alvarado Hernándezes_ES
dc.date.accessioned2024-06-11T15:58:19Z-
dc.date.available2024-06-11T15:58:19Z-
dc.date.issued2024-04-01-
dc.identifier.urihttps://ri-ng.uaq.mx/handle/123456789/10738-
dc.descriptionEn este trabajo se implementaron algoritmos en una tarjeta de desarrollo con unidad lógica FPGA (Field Programmable Gate Array, arreglo de puertas lógicas programables en campo) para el diagnóstico de fallos en motores eléctricos. La metodología estuvo basada en el procesamiento de señales de corriente eléctrica a través de la aplicación de técnicas en el dominio del tiempo y técnicas en el dominio tiempo-frecuencia. Además, el análisis de termogramas infrarrojos se realizó mediante técnicas de procesamiento de imágenes. El sistema procesó los parámetros de ambos tipos de señal con técnicas de aprendizaje automático (también conocido como Machine Learning). El desarrollo del sistema de diagnóstico se hizo con implementaciones digitales en hardware utilizando una tarjeta Xilinx PYNQ Z2 que integra un FPGA junto a un microprocesador, aprovechando así las ventajas de la adquisición y procesamiento de señales e imágenes digitales en hardware. La adquisición y procesamiento de las señales de corriente eléctrica y las imágenes termográficas se realizó con el desarrollo en hardware de componentes digitales, permitiendo la aplicación de algoritmos supervisados de clasificación por aprendizaje automático para el diagnóstico automático del estado de fallo en los motores eléctricos estudiados.es_ES
dc.formatpdfes_ES
dc.format.extent1 recurso en línea (86 páginas)es_ES
dc.format.mediumcomputadoraes_ES
dc.language.isospaes_ES
dc.publisherUniversidad Autónoma de Querétaroes_ES
dc.relation.requiresSies_ES
dc.rightsopenAccesses_ES
dc.subjectFPGAes_ES
dc.subjectMotor eléctricoes_ES
dc.subjectDiagnósticoes_ES
dc.subjectTermografíaes_ES
dc.subjectMachine learninges_ES
dc.subject.classificationINGENIERÍA Y TECNOLOGÍAes_ES
dc.titleDesarrollo e implementación FPGA de metodología basada en tiempo, tiempo-frecuencia y aprendizaje automático para diagnóstico de fallos en motores eléctricoses_ES
dc.typeTesis de maestríaes_ES
dc.creator.tidcurpes_ES
dc.contributor.tidCVUes_ES
dc.creator.identificadorAAHA980818HQTLRL03es_ES
dc.contributor.identificador161134es_ES
dc.contributor.roleDirectores_ES
dc.contributor.roleSecretarioes_ES
dc.contributor.roleVocales_ES
dc.contributor.roleSuplentees_ES
dc.contributor.roleSuplentees_ES
dc.degree.nameMaestría en Ciencias Mecatrónica.es_ES
dc.degree.departmentFacultad de Ingenieríaes_ES
dc.degree.levelMaestríaes_ES
dc.format.supportrecurso en líneaes_ES
dc.matricula.creator263768es_ES
dc.folioIGMAC-263768es_ES
Aparece en: Maestría en Ciencias (Mecatrónica)

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
IGMAC-263768 (PDF -A).pdf1.61 MBAdobe PDFPortada
Visualizar/Abrir
Mostrar el registro sencillo del ítem


Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.