Buscar


Mostrar el registro sencillo del ítem

dc.rights.license http://creativecommons.org/licenses/by-nc-nd/4.0 es_ES
dc.contributor Roque Alfredo Osornio Ríos es_ES
dc.contributor Israel Zamudio Ramírez es_ES
dc.contributor Irving Armando Cruz Albarrán es_ES
dc.contributor Geovanni Díaz Saldaña es_ES
dc.contributor José Alfonso Antonino Daviú es_ES
dc.creator Alvaro Iván Alvarado Hernández es_ES
dc.date.accessioned 2024-06-11T15:58:19Z
dc.date.available 2024-06-11T15:58:19Z
dc.date.issued 2024-04-01
dc.identifier.uri https://ri-ng.uaq.mx/handle/123456789/10738
dc.description En 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.format pdf es_ES
dc.format.extent 1 recurso en línea (86 páginas) es_ES
dc.format.medium computadora es_ES
dc.language.iso spa es_ES
dc.publisher Universidad Autónoma de Querétaro es_ES
dc.relation.requires Si es_ES
dc.rights openAccess es_ES
dc.subject FPGA es_ES
dc.subject Motor eléctrico es_ES
dc.subject Diagnóstico es_ES
dc.subject Termografía es_ES
dc.subject Machine learning es_ES
dc.subject.classification INGENIERÍA Y TECNOLOGÍA es_ES
dc.title Desarrollo e implementación FPGA de metodología basada en tiempo, tiempo-frecuencia y aprendizaje automático para diagnóstico de fallos en motores eléctricos es_ES
dc.type Tesis de maestría es_ES
dc.creator.tid curp es_ES
dc.contributor.tid CVU es_ES
dc.creator.identificador AAHA980818HQTLRL03 es_ES
dc.contributor.identificador 161134 es_ES
dc.contributor.role Director es_ES
dc.contributor.role Secretario es_ES
dc.contributor.role Vocal es_ES
dc.contributor.role Suplente es_ES
dc.contributor.role Suplente es_ES
dc.degree.name Maestría en Ciencias Mecatrónica. es_ES
dc.degree.department Facultad de Ingeniería es_ES
dc.degree.level Maestría es_ES
dc.format.support recurso en línea es_ES
dc.matricula.creator 263768 es_ES
dc.folio IGMAC-263768 es_ES


Ficheros en el ítem

Thumbnail
Nombre: IGMAC-263768 (PDF ...
Tamaño: 1.576Mb
Formato: PDF
Ver/

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem