Reseña

Este trabajo tuvo como objetivo diseñar y entrenar un sistema de inteligencia artificial en el borde (Edge AI) capaz de detectar fallas y predecir la Vida Útil Restante (RUL) en el control neumático de válvulas reguladoras de presión industrial, ante la escasez de datos históricos de degradación. La metodología se desarrolló en dos etapas: primero, se entrenó un modelo de clasificación tipo Perceptrón Multicapa (MLP) para la detección del estado de falla; posteriormente, ante la necesidad de anticipar el momento de intervención (no solo detectar la falla ya presente), se implementó una estrategia de generación de datos sintéticos anclada en datos reales del banco de pruebas, utilizada para entrenar y comparar dos modelos de regresión de ensamble (Random Forest y XGBoost), desplegados y evaluados en tres plataformas de cómputo embebido (CPU Raspberry Pi 5, Google Coral TPU y Hailo-8L NPU).
Como resultados, el modelo MLP alcanzó una exactitud del 93% en prueba y del 90% en operación real para la detección de falla. Se concluye que el sistema propuesto constituye una solución viable e integral para el monitoreo autónomo y en tiempo real de válvulas industriales con recursos computacionales limitados, por lo que se recomienda extender esta línea de trabajo hacia la identificación automática de la causa raíz de la falla y hacia una validación con múltiples activos, como paso previo a su implementación en líneas de producción reales.