Sensores inteligentes empleados en el mantenimiento predictivo de equipos y máquinas: una revisión sistemática de la literatura
DOI:
https://doi.org/10.57063/ricay.v2i1.31Palavras-chave:
Industria 4.0, era digital, mantenimiento predictivo, sensores inteligentes, automatizaciónResumo
La implementación de sensores inteligentes en la industria es crucial para monitorear a la máquina, detectar posibles fallas y poder prevenirlas. En este sentido, el objetivo de este estudio es realizar una revisión sistemática enfocada en el uso de sensores inteligentes en el mantenimiento predictivo de máquinas y equipos. Mediante la metodología PRISMA, se ejecutó una búsqueda de investigaciones desde el año 2000 al 2021 en la base de datos de Scopus y Science Direct. Después de analizar los estudios seleccionados, los principales resultados mostraron una tendencia positiva sobre la publicación de estudios sobre el tópico, las cuales se realizan de forma gradual en Asia y Europa. Por lo tanto, es fundamental informar sobre la importancia del empleo de sensores inteligentes, principalmente en países con déficit tecnológico para incrementar la competitividad de las industrias.
Referências
Bal, H. Ç., & Erkan, Ç. (2019). Industry 4.0 and Competitiveness. Procedia Computer Science, 158, 625-631. DOI: https://doi.org/10.1016/j.procs.2019.09.096
Bravo M, D. A., Alvarez Q, L. I., & Lozano M, C. A. (2021). Dataset of distribution transformers for predictive maintenance. Data in Brief, 38, 107454. DOI: https://doi.org/10.1016/j.dib.2021.107454
Carvalho, A. P. A., & Junior, C. A. C. (2020). Green strategies for active food packagings: A systematic review on active properties of graphene-based nanomaterials and biodegradable polymers. Trends in Food Science & Technology, 103, 130-43. DOI: https://doi.org/10.1016/j.tifs.2020.07.012
Cimoli, M., Pereima, J. B., & Porcile, G. (2019). A technology gap interpretation of growth paths in Asia and Latin America. Research Policy, 48(1), 125-136. DOI: https://doi.org/10.1016/j.respol.2018.08.002
De Jonge, B., & Scarf, P. A. (2020). A review on maintenance optimization. European Journal of Operational Research, 285(3), 805–824. DOI: https://doi.org/10.1016/j.ejor.2019.09.047
Drakaki, M., Karnavas, Y. L., Tzionas, P., & Chasiotis, I. D. (2021). Recent Developments Towards Industry 4.0 Oriented Predictive Maintenance in Induction Motors. Procedia computer Science, 180, 943-949. DOI: https://doi.org/10.1016/j.procs.2021.01.345
Herrera-Sánchez, G., Morán-Bravo, L., Gallardo-Navarro, J.L. & Silva-Juárez, A. (2020). Gestión del mantenimiento y la industria 4.0. Revista de Ingeniería Innovativa, 4(15), 18-28. DOI: https://doi.org/10.35429/JOIE.2020.15.4.18.28
Hommel, M., Knab, H., & Yousef, S. G. (2021). Reliability of automotive and consumer MEMS sensors - An overview. Microelectronics Reliability, 114252. DOI: https://doi.org/10.1016/j.microrel.2021.114252
Javaid, M., Haleem, A., Singh, R. P., Rab, S., & Suman, R. (2021). Significance of sensors for Industry 4.0: Roles, capabilities, and applications. Sensors International, 2, 100110. DOI: https://doi.org/10.1016/j.sintl.2021.100110
Kalsoom, T., Ramzan, N., Ahmed, S., & Ur-Rehman, M. (2020). Advances in Sensor Technologies in the Era of Smart Factory and Industry 4.0. Sensors, 20(23), 6783. DOI: https://doi.org/10.3390/s20236783
Lillstrang, M., Harju, M., del Campo, G., Calderon, G., Röning, J., & Tamminen, S. (2021). Implications of properties and quality of indoor sensor data for building machine learning applications: Two case studies in smart campuses. Building and Environment. (Prevision screen – November/2021). DOI: https://doi.org/10.1016/j.buildenv.2021.108529
Nagano, A. (2018). Economic Growth and Automation Risks in Developing Countries Due to the Transition Toward Digital Modernity. ICEGOV’18: In Proceedings of the 11th International Conference on Theory and Practice of Electronic Governance, Ireland (pp. 42-49). Association for Computing Machinery. DOI: https://doi.org/10.1145/3209415.3209442
Ponce-Corona, E., Sánchez, M. G., Fajardo-Delgado, D., Acevedo-Juárez, B., De-la-Torre, M., Avila-George, H., & Castro, W. (2020). Una revisión sistemática de la literatura enfocada al uso de vehículos aéreos no tripulados durante el proceso de detección de vegetación. Revista lbérica de Sistemas e Tecnologias de Informação, 36, 8-101. DOI: https://doi.org/10.17013/risti.36.82-101
Sibrian, K. A., & Amaya, K. V. (2019). Desafíos de la Industria 4.0 y Oportunidades de Desarrollo sostenible para América Latina y el Caribe. XII Congreso de Economistas de América Latina y el Caribe. http://dx.doi.org/10.13140/RG.2.2.26772.86404
Steurtewagen, B., & Poel, D. V. D. (2021). Adding interpretability to predictive maintenance by machine learning on sensor data. Computers & Chemical Engineering, 152, 107381. DOI: https://doi.org/10.1016/j.compchemeng.2021.107381
Trigona, C., Graziani, S., & Baglio, S. (2020). Changes in sensors technologies during the last ten years: Evolution or revolution? IEEE Instrumentation & Measurement Magazine, 23(6), 18-22. DOI: https://doi.org/10.1109/MIM.2020.9200876
Trotin, N., Sánchez de Prado, J., Ladret, P., & Vilchez Motino, P. (2017). Mantenimiento y rehabilitación de sistemas de atirantamiento: tecnologías, patologías tipo, inspección, monitorización y reparaciones. Hormigón y Acero. DOI: https://doi.org/10.1016/j.hya.2017.05.014
UTEC – Universidad de Ingeniería y Tecnología. (2018). ¿Qué significa se parte de la IEEE en UTEC? https://www.utec.edu.pe/blog-de-carreras/ingenieria-de-la-energia/que-significa-ser-parte-de-la-ieee-en-utec
Xu, M., Wang, S., Zhang, S. L., Ding, W., Kien, P. T., Wang, C., Li, Z., Pan, X., & Wang, Z. L. (2019). A highly sensitive wave sensor based on liquid-solid interfacing triboelectric nanogenerator for smart marine equipment. Nano Energy, 57, 574-580. DOI: https://doi.org/10.1016/j.nanoen.2018.12.041
Zhao, W., Ma, J., Wang, K. I-K. & Wang, J. (2017). Report of the 2017 IEEE Cyber Science and Technology Congress. MPDI. https://www.mdpi.com/2076-3417/7/12/1299/pdf DOI: https://doi.org/10.3390/app7121299
Zonta, T., da Costa, C. A., da Rosa Righi, R., de Lima, M. J., da Trindade, E. S., & Li, G. P. (2020). Predictive maintenance in the Industry 4.0: A systematic literature review. Computers & Industrial Engineering, 150, 106889. DOI: https://doi.org/10.1016/j.cie.2020.106889
