Análisis de funcionalidad de herramientas para el mejoramiento del proceso de implementación de la industria 4.0: Planeación del proyecto de investigación

Manuel Arnoldo Rodríguez Medina; Xóchitl Graciela Aguilar Rivas; Luz Angélica Aguilar Chávez; Eduardo Rafael Poblano Ojinaga

doi:10.61273/neyart.v3i4.117

Autores/as

Manuel Arnoldo Rodríguez Medina Tecnológico Nacional de México
Xóchitl Graciela Aguilar Rivas Tecnológico Nacional de México
Luz Angélica Aguilar Chávez Tecnológico Nacional de México
Eduardo Rafael Poblano Ojinaga Tecnológico Nacional de México

DOI:

https://doi.org/10.61273/neyart.v3i4.117

Palabras clave:

Utilidad, Eficiencia, Eficacia, Administración del riesgo, Digitalización, Automatización

Resumen

El uso del análisis estadístico ha sido fundamental a nivel industrial, dado que mejora las decisiones, optimiza as operaciones y garantiza estándares altos de calidad en la producción. A lo largo del tiempo, diferentes metodológicas estadísticas han permitido a las empresas identificar patrones pronosticas tendencias y disminuir la variabilidad en la manufactura y la gestión operativa. Su implementación abarca sectores como la producción, la logística, el control de calidad y la gestión de riesgos, donde el análisis de datos ayuda a reducir desperdicios, mejorar la eficiencia y aumentar la rentabilidad. Con el auge de la industria 4.0 la implementación de herramientas estadísticas ha cobrado aún más relevancia. La digitalización y la automatización han generado grandes volúmenes de datos que requiere un análisis preciso tecnologías como Big Data o Machine Learning han causado una revolución en la utilización de las herramientas estadísticas, permitiendo una toma de decisiones eficaz. La combinación de tecnologías con modelos estadísticos avanzados permite a las empresas optimizar la gestión operativa, así como también minimizar errores en la producción. La industria 4.0 no solo exige un uso intensivo de datos, sino también su correcta interpretación a través de modelos analíticos robustos que impulsen la transformación digital y fortalezcan la competitividad de las industrias.

Descargas

Los datos de descargas todavía no están disponibles.

Métricas

Cargando métricas ...

Biografía del autor/a

Manuel Arnoldo Rodríguez Medina , Tecnológico Nacional de México

Obtuvo su doctorado en Ingeniería Industrial en el Instituto Tecnológico de Ciudad Juárez en 1998. Sus intereses de investigación incluyen el diseño experimental, los métodos de superficie de respuesta y la ingeniería de fiabilidad. Es autor de más de 100 artículos en revistas especializadas en estas áreas. El Dr. Rodríguez es miembro de la Sociedad Americana para la Calidad, así como miembro senior del Instituto de Ingenieros Industriales.

Xóchitl Graciela Aguilar Rivas , Tecnológico Nacional de México

Ingeniera Industrial graduada por el Instituto Tecnológico de Los Mochis, con una Maestría en Calidad Six Sigma por la Universidad Regional del Norte, especializada en metodología DMAIC y mejora continua. Cuenta con nueve años de experiencia como docente en el área de logística internacional. Su experiencia se centra en la aplicación de estadísticas bayesianas y técnicas multivariantes para la optimización de procesos y la resolución de problemas complejos en cadenas de suministro.

Luz Angélica Aguilar Chávez , Tecnológico Nacional de México

Graduada en Matemáticas por la Universidad Autónoma de Ciudad Juárez y con un Máster en Ingeniería Industrial por el Instituto Tecnológico de Ciudad Juárez/TECNM con honores, obteniendo las calificaciones más altas de su programa y del departamento de posgrado e investigación. Ha desarrollado su experiencia en áreas estadísticas como el modelado de redes bayesianas, el uso de software estadístico para modelar problemas que implican incertidumbre, así como la construcción de modelos de situaciones sociales.

Eduardo Rafael Poblano Ojinaga , Tecnológico Nacional de México

Jefe del Departamento Académico del Instituto Tecnológico de Ciudad Juárez. Obtuvo su doctorado en Tecnología por la Universidad Autónoma de Ciudad Juárez en 2019. Ha sido profesor durante 35 años de Ingeniería Industrial en el Instituto Tecnológico Nacional de México, Campus La Laguna. Obtuvo su doctorado en Tecnología en la Universidad Autónoma de Ciudad Juárez-México (2019) y es miembro del Sistema Nacional de Investigadores (México). Su área de investigación es la planificación estratégica, la ingeniería de calidad y el modelado de ecuaciones estructurales. Tiene experiencia profesional industrial como gerente de producción, calidad y mercadotecnia. También ha sido consultor industrial en ingeniería de calidad, seis sigma y trabajo en equipo. Actualmente se desempeña como subdirector administrativo del Instituto Tecnológico Nacional de México, campus Ciudad Juárez.

Citas

Bhandari, D. R., Shrestha, P., & Pradhan, G. M. (2024). Big Data in Industry 4.0 and 5.0 for Operational Efficiency and Decision-Making. International Journal of Advances in Scientific Research and Engineering, 10(10), 19–26. https://doi.org/10.31695/ijasre.2024.10.2 DOI: https://doi.org/10.31695/IJASRE.2024.10.2

García, M. (2022). The usefulness of Big Data in public statistics and private companies. Cadernos Metrópole, 24(55), 477–499. https://doi.org/10.1590/2236-9996.2022-5506 DOI: https://doi.org/10.1590/2236-9996.2022-5506

Gauttam, H., Bhadauria, S., & Nain, G. (2022). Bayesian Network-based Reliability Analysis in Edge Computing-enabled Machine Vision Systems. 1–6. https://doi.org/10.1109/IATMSI56455.2022.10119369 DOI: https://doi.org/10.1109/IATMSI56455.2022.10119369

Montoya, D.M., Larrea, O., & Arias, E.A. (2023). Data Envelopment Analysis (DEA) in Industry 4.0. 1–6. https://doi.org/10.1109/icecet58911.2023.10389493 DOI: https://doi.org/10.1109/ICECET58911.2023.10389493

Oner, M., & Oner, S.C. (2018). Data Analytics in Industry 4.0: In the Perspective of Big Data (pp. 375–392). IGI Global. https://doi.org/10.4018/978-1-5225-2944-6.CH018 DOI: https://doi.org/10.4018/978-1-5225-2944-6.ch018

Palací-López, D., Borràs-Ferrís, J., da Silva de Oliveria, L. T., & Ferrer, A. (2020). Multivariate Six Sigma: A Case Study in Industry 4.0. 8(9), 1119. https://doi.org/10.3390/PR8091119 DOI: https://doi.org/10.3390/pr8091119

Sari, I. U., & Ak, U. (2022). Machine efficiency measurement in industry 4.0 using fuzzy data envelopment analysis. Journal of Fuzzy Extension and Applications, *3*(4), 348-359. https://doi.org/10.22105/jfea.2022.326644.1199

Speshilova, N., Speshilov, E., & Tsykalo, K. (2024). The use of statistical methods of data analysis in identifying significant parameters to improve the efficiency of production system management. https://doi.org/10.15862/24ecvn124 DOI: https://doi.org/10.15862/24ECVN124

The Role of Statistical Methods in Modern Industry. (2023). En Statistics for Industry, Technology, and Engineering (pp. 1–9). Springer International Publishing. https://doi.org/10.1007/978-3-031-28482-3_1 DOI: https://doi.org/10.1007/978-3-031-28482-3_1

Wolniak, R., & Grebski, W. (2023). The usage of Statistical Process Control (SPC) in Industry 4.0 conditions. Zeszyty Naukowe, *190*, 193–207. https://doi.org/10.29119/1641-3466.2023.190.18 DOI: https://doi.org/10.29119/1641-3466.2023.190.18