Bogotá - Ingeniería - Maestría en Ingeniería - Ingeniería de Sistemas y Computación · 2026
Desarrollo de un modelo de gestión de datos IIoT para procesos de mantenimiento predictivo en sistemas neumáticos
Los escapes de aire son una falla común en todos los sistemas de aire comprimido, ocasionando pérdidas significativas en la operación muchas máquinas neumáticas; sin embargo, la implementación de sistemas de mantenimiento predictivo a nivel mundial es tardía, y la información sobre el monitoreo basado en la condición bajo el paradigma del Internet Industrial de las Cosas (IIoT) para la detección de fugas es muy escasa. En esta tesis se desarrolló un modelo de gestión de datos, mediante el diseño, implementación, verificación y validación de un sistema IIoT que utiliza una arquitectura de tres niveles, basado en la Arquitectura de Referencia del Consorcio de Internet Industrial (IIRA-IIC). El modelo de gestión de datos desarrollado se encarga tanto de la adquisición de señales, como su procesamiento, almacenamiento, análisis y toma de decisiones con base en los datos recolectados. Se realizaron un total de 60 pruebas experimentales en un circuito neumático construido usando el kit FESTO TP201 disponible en la ETITC, variando la presión total de trabajo (2-2,5 bar) y la caída de presión (50 – 150 mbar) aplicando fugas simuladas en diferentes puntos del circuito. Se comprobó el correcto funcionamiento del sistema de captura que recopiló correctamente los datos de los sensores de presión y caudal, los estados de los sensores de proximidad y el estado de las electroválvulas, y los almacenó en un archivo CSV. Los datos fueron analizados con MATLAB® en donde se determinó la fuga mediante el método de las sumas acumulativas (CuSum) como indicador de condición. Se verificó la comunicación entre todos los elementos y el funcionamiento del sistema de diagnóstico de fugas desarrollado en NodeRED que alertó la condición de fuga. Se obtuvo un éxito de la detección del 86% de los casos con los sensores de presión y del 82% con el sensor de caudal, validándose la utilidad del modelo para la detección de fugas de aire en las condiciones de estudio. (Texto tomado de la fuente)
Texto completo 165 páginas con texto de 176
Leer la tesis completa Ficha en el repositorio
Contenido
- Descripción de la investigaciónp. 23
- Antecedentesp. 23
- Planteamiento del problemap. 25
- Objetivosp. 26
- 1.3.1 Objetivo generalp. 26
- 1.3.2 Objetivos específicosp. 26
- Preguntas de investigaciónp. 26
- 1.4.1 Pregunta generalp. 26
- 1.4.2 Preguntas específicasp. 26
- Metodologíap. 26
- 1.5.1 Fase I: Entendimiento del negocio y de los datosp. 28
- 1.5.2 Fase II: Adquisición de datosp. 29
- 1.5.3 Fase III: Construcción de indicadores de condiciónp. 30
- 1.5.4 Fase IV: Verificaciónp. 30
- 1.5.5 Fase V: Validación del modelop. 31
- Revisión de literaturap. 33
- Búsqueda sistemáticap. 33
- Búsqueda no estructuradap. 40
- Análisis bibliométricop. 43
- 2.3.1 Correlación de temáticasp. 43
- 2.3.2 Evolución en el tiempop. 44
- 2.3.3 Autores sobresalientesp. 46
- 2.3.4 Estadísticas de publicaciónp. 47
- Aportes al conocimientop. 48
- 2.4.1 Máquinas y/o montajesp. 54
- 2.4.2 Arquitectura de software y modelo de gestión de datosp. 55
- 2.4.3 Adquisición de datosp. 57
- 2.4.4 Almacenamiento de datosp. 58
- 2.4.5 Sensoresp. 58
- 2.4.6 Protocolosp. 59
- 2.4.7 Lenguajes de programación y herramientas de desarrollop. 60
- 2.4.8 Métodos de detección de falla e indicadoresp. 62
- Marco teóricop. 67
- Sistemas IIoTp. 67
- 3.1.1 Arquitecturas de software y protocolosp. 70
- 3.1.2 Modelo de gestión de datosp. 35
- Mantenimiento predictivop. 35
- 3.2.1 Técnicas de mantenimiento predictivop. 76
- 3.2.2 Estándares para el monitoreo de condición de máquinap. 78
- 3.2.3 Procesos del mantenimiento predictivop. 78
- 3.2.4 Indicadores de condiciónp. 79
- Detección de fugas en sistemas neumáticosp. 79
- 3.3.1 Medición del caudal y la presiónp. 79
- 3.3.2 Otros métodos de detecciónp. 83
- Diseño e implementación del modelo de gestión de datosp. 84
- Banco neumático de pruebasp. 84
- Sensores y tarjeta de adquisición de datosp. 85
- Diseño de la arquitectura y el modelo de gestiónp. 91
- Desarrollo del sistema de captura de datosp. 95
- 4.4.1 Programación Arduinop. 97
- 4.4.2 Programación del PLCp. 98
- 4.4.3 Programación de Node-REDp. 99
- Pruebas experimentalesp. 101
- Construcción del indicador de condición CuSump. 105
- 4.6.1 Perfiles de presión para el banco encendidop. 106
- 4.6.2 Perfiles de presión para el banco en movimientop. 112
- 4.6.3 Perfiles de caudalp. 118
- Validación del modelo de gestión de datosp. 121
- Verificaciónp. 27
- Pruebas de validaciónp. 125
- Resultadosp. 33
- Objetivo generalp. 26
- Primer objetivo específicop. 129
- Segundo objetivo específicop. 132
- Tercer objetivo específicop. 135
- Conclusiones y recomendacionesp. 139
- Conclusionesp. 139
- A. Anexo: Código fuente del sistema de adquisición de datosp. 143
- B. Anexo: Código programa de diagnóstico de fugas en MATLABp. 147
- C. Anexo: Parámetro de afinación de Cusum (sensores de presión)p. 149
- D. Anexo: Parámetro de afinación de Cusum (sensor de caudal)p. 157
- Bibliografíap. 163
- Figura 2-2: Red bibliométrica de palabras claves por tópicos (1 co-ocurrencia)p. 43
- Figura 2-3: Red bibliométrica de palabras claves por años (2 co-ocurrencias)p. 44
- Figura 2-4: Detalle sobre nodos temáticos en la red bibliométrica (2 co-ocurrencias)p. 45
- Figura 2-5: Red bibliométrica de coautoría y publicaciones por autorp. 46
- Figura 2-6: Estadísticas de publicación para las referencias pertinentesp. 47
- b) Nube-Niebla-Bordep. 71
- Figura 3-2: Modelo de gestión de datos y su ciclo de vida en un sistema IoTp. 74
- Figura 3-3: Funcionamiento en MATLAB® del indicador de condición CUSUMp. 82
- Figura 4-1: Elementos del banco didáctico FESTO TP201 de la ETITCp. 84
- Figura 4-2: Vista de diseño de la tarjeta de circuito impresop. 90
- experimental (Vista de implementación, IIRA-IIC)p. 92
- Figura 4-4: Diagrama de secuencia UML del sistema de adquisición de datosp. 94
- Figura 4-5: Diagrama de clase UML del modelo de datosp. 95
- Figura 4-6: Diagrama de despliegue UML del sistema de adquisición de datosp. 96
- Figura 4-7: Captura del código fuente de la función principal (en Arduino)p. 97
- Figura 4-8: Diagrama de Funciones Secuenciales del PLC FESTO (en CODESYS)p. 98
- Figura 4-9: Configuración de símbolos y de servidor OPC-UA (en CODESYS)p. 99
- Figura 4-10: Flujos de los datos enviados al Nodo coordinador (en Node-RED)p. 100
- Figura 4-12: Diagrama electroneumático del circuito construidop. 102
- Figura 4-13: Diagrama eléctrico del circuito construidop. 103
- Figura 4-14: Perfiles de presión para el banco encendido, sin fuga (Prueba No. 1)p. 106
- Figura 4-15: Indicador CuSum para los valores de presión (Prueba No. 1)p. 107
- Figura 4-16: Diagrama de Vanes para las Pruebas No. 1 a 5 (señal filtrada)p. 109
- Figura 4-19: Diagrama de Vanes para las Pruebas No. 6 a 10p. 114
- Figura 4-21: Perfiles de caudal del sensor BF1 (datos filtrados)p. 118
- Figura 4-22: Indicador CuSum para los valores de caudal filtradosp. 119
- Figura 5-1: Diagrama de secuencia UML del sistema de diagnósticop. 121
- Figura 5-2: Programa en Node-RED del programa de visualización de alertasp. 122
- Figura 5-3: Ventana de alerta e indicador luminoso del sistema de alarmap. 123
- Figura 5-4: Visualización de temas y mensajes del broker MQTT Mosquittop. 123
- programa con el broker MQTTp. 124
- Figura 6-1: Proceso de revisión de literatura (sistemática y no estructurada)p. 130
- Tabla 1-1: Metodología combinada adaptada a la investigaciónp. 27
- Tabla 2-1: Palabras clave obtenidas mediante la metodología PICOCp. 33
- Tabla 2-2: Términos usados en la ecuación de búsqueda primariap. 34
- Tabla 2-3: Modificaciones realizadas a la ecuación de búsqueda primariap. 35
- Tabla 2-4: Términos usados en la ecuación de búsqueda avanzadap. 36
- Tabla 2-5: Resultados obtenidos con la ecuación de búsqueda avanzadap. 36
- Tabla 2-6: Análisis de pertinencia (referencias de la revisión sistemática)p. 37
- Tabla 2-7: Análisis de pertinencia (referencias de la revisión no estructurada)p. 41
- Tabla 2-8: Aportes relevantes realizados en los últimos 5 añosp. 49
- Tabla 2-9: Máquinas y/o montajes reportados en los últimos 5 añosp. 54
- Tabla 2-10: Arquitecturas de software reportadas en los últimos 5 añosp. 55
- Tabla 2-11: Modelos de gestión de datos reportados en los últimos 5 añosp. 56
- Tabla 2-12: Sistemas de adquisición y gateways reportados en los últimos 5 añosp. 57
- Tabla 2-13: Tipos de almacenamiento reportados en los últimos 5 añosp. 58
- Tabla 2-14: Sensores reportados en los últimos 5 añosp. 59
- Tabla 2-15: Protocolos reportados en los últimos 5 añosp. 60
- Tabla 2-16: Lenguajes de programación reportados en los últimos 5 añosp. 61
- Tabla 2-17: Herramientas de desarrollo reportados en los últimos 5 añosp. 62
- Tabla 2-18: Métodos de detección de fallas e indicadores de condiciónp. 63
- Tabla 3-1: Niveles de un sistema IoT según sus bloques funcionalesp. 68
- Tabla 3-2: Estándares de referencia para arquitecturas IIoTp. 72
- Tabla 3-3: Tabla de protocolos usados en Sistemas IoTp. 73
- Tabla 4-1: Listado de componentes del kit FESTO TP201 disponible en la ETITCp. 85
- Tabla 4-2: Características de los sensores de presión preseleccionadosp. 87
- Tabla 4-3: Características de los sensores de caudal preseleccionadosp. 88
- Tabla 4-4: Características de las tarjetas de adquisición de datos preseleccionadasp. 89
- Tabla 4-5: Elementos del modelo de gestión (dominio de la información, IIRA-IIC)p. 93
- Tabla 4-6: Descripción de los elementos usados en el diagrama electroneumáticop. 102
- Tabla 4-7: Pruebas experimentales realizadas en el banco neumático (Serie A)p. 103
- Tabla 5-1: Pruebas experimentales de validación (Series A a E)p. 125
- Tabla 5-2: Respuesta esperada de cada sensor en la detección de una fugap. 126
- aire en los últimos 5 años (2020-2025)p. 131
- Tabla 6-3: Resumen del desempeño del indicador CuSum en la construcciónp. 134
- Tabla 6-4: Porcentajes de detección obtenidos por el modelo validadop. 136