http://www.dspace.espol.edu.ec/handle/123456789/50578 Maestría en Ciencias en Ingeniería de Sistemas Industriales Sat, 27 Jun 2026 12:08:19 GMT 2026-06-27T12:08:19Z http://www.dspace.espol.edu.ec/handle/123456789/69095 Title: El impacto de la Industria 4.0 como mediador entre la manufactura esbelta y la sostenibilidad en el sector manufacturero de Ecuador Authors: Quezada Bajaña, Natasha Nicole; Abad Morán, Jorge Fernando, Director Abstract: CONDITION FOR PUBLICATION OF PROJECT. Manufacturing industries' competitiveness depends mainly on their ability to optimize production processes under the criteria of efficiency and sustainability. In this framework, the thesis aims to analyze the mediating effect of Industry 4.0 in the relationship between Lean Manufacturing and Sustainability, under the hypothesis that digital tools enhance the benefits of Lean practices in the economic, social, and environmental pillars. The study is justified by the need to generate evidence in Ecuador, where gaps in digitalization and organizational maturity limit the transition to sustainable industrial models. For the development, a structured survey was applied to 131 manufacturing companies, and the data were processed using the partial least squares structural equation model (PLS-SEM). The results showed that Lean Manufacturing positively impacted sustainability, albeit moderately, while Industry 4.0 played a partial and statistically significant mediating role. Likewise, it was identified that companies concentrated on basic Lean practices related to workers, order, and quality. It is concluded that the planned integration of Lean and Industry 4.0 constitutes a key strategy to strengthen industrial competitiveness and move towards hybrid management models that connect organizational culture and digitalization. Keywords: Continuous improvement, Digital transformation, Structural analysis, PLS-SEM modelling, and Sustainable development. Description: CONDICIONAMIENTO DE PUBLICACION DE PROYECTO. La competitividad de las industrias manufactureras depende en gran medida de su capacidad de optimizar procesos productivos bajo criterios de eficiencia y sostenibilidad. En este marco, el objetivo de la tesis es analizar el efecto mediador de la Industria 4.0 en la relación entre la Manufactura Esbelta (Lean Manufacturing) y la Sostenibilidad, bajo la hipótesis de que las herramientas digitales potencian los beneficios de las prácticas Lean en los pilares económico, social y ambiental. El estudio se justifica en la necesidad de generar evidencia en Ecuador, donde existen vacíos en digitalización y madurez organizacional que limitan la transición hacia modelos industriales sostenibles. Para el desarrollo, se aplicó una encuesta estructurada a 131 empresas manufactureras y los datos fueron procesados mediante el modelo de ecuaciones estructurales de mínimos cuadrados parciales (PLS-SEM). Los resultados mostraron que la Manufactura Esbelta impactó positivamente, aunque de forma moderada, en la sostenibilidad; mientras que la Industria 4.0 desempeñó un rol mediador parcial y estadísticamente significativo. Asimismo, se identificó que las empresas se concentraron en prácticas Lean básicas relacionadas con trabajadores, orden y calidad. Se concluye que la integración planificada de Lean e Industria 4.0 constituye una estrategia clave para fortalecer la competitividad industrial y avanzar hacia modelos de gestión híbridos que conecten cultura organizacional y digitalización. Wed, 01 Jan 2025 00:00:00 GMT http://www.dspace.espol.edu.ec/handle/123456789/69095 2025-01-01T00:00:00Z http://www.dspace.espol.edu.ec/handle/123456789/69094 Title: Diseño de un sistema de detección de fallos en el generador de una turbina eólica basado en inteligencia artificial Authors: Espinoza Morán, Víctor Jeremy; Tutivén Gálvez, Christian Javier, Director Abstract: CONDITION FOR PUBLICATION OF PROJECT. The present project aims to develop a model of the Doubly-Fed Induction Generator (DFIG) used in wind energy systems, to represent its behavior during electrical faults and propose an early fault detection system. To this end, a coupled simulation model was established through the integration of OpenFAST and Simulink, enabling a detailed representation of both the wind turbine subsystems and the electrical grid, and reproducing the wind system dynamics with high fidelity. A mathematical model was implemented to simulate inter-turn short-circuit (ITSC) faults in the stator winding was implemented, generating fault scenarios with different levels of severity. Based on this model, representative operational data were generated for both healthy and faulty conditions of the generator. Using these data, an unsupervised artificial intelligence–based fault detection system was developed, capable of identifying anomalies almost immediately after their occurrence, achieving average detection times of less than one second. The results demonstrate that the proposed model accurately captures the transient response of the DFIG under electrical faults and serves as an effective tool for the early detection of electrical faults in wind energy systems. Keywords: Doubly Fed Induction Generator, Interturn short-circuit fault, Unsupervised learning, Early fault detection. Description: CONDICIONAMIENTO DE PUBLICACION DE PROYECTO. El presente proyecto tiene como objetivo desarrollar un modelo del generador de inducción doblemente alimentado (DFIG) empleado en sistemas eólicos, con el fin de representar su comportamiento durante fallos eléctricos y proponer un sistema de detección temprana para los mismos. Para ello, se estableció un modelo de simulación acoplada mediante la integración de OpenFAST y Simulink, lo que permitió la representación detallada de los subsistemas de la turbina eólica y la red eléctrica, reproduciendo con alta fidelidad la dinámica del sistema eólico. Se implementó un modelo matemático que simula fallos por cortocircuito entre espiras en los devanados de una fase del estator, considerando distintos niveles de severidad. A partir de este modelo, se generaron datos representativos de las condiciones operativas del generador, tanto en condición saludable como bajo fallos. Con base en dichos datos, se diseñó un sistema de detección temprana de fallos basado en técnicas de inteligencia artificial no supervisadas, capaz de identificar anomalías casi inmediatamente después de su ocurrencia, alcanzando tiempos promedio de detección inferiores a un segundo. Los resultados demuestran que el modelo propuesto permite analizar con precisión la respuesta transitoria del DFIG ante fallos eléctricos y constituye una herramienta eficaz para la detección temprana de fallos eléctricos en sistemas eólicos Wed, 01 Jan 2025 00:00:00 GMT http://www.dspace.espol.edu.ec/handle/123456789/69094 2025-01-01T00:00:00Z http://www.dspace.espol.edu.ec/handle/123456789/69093 Title: Propuesta y aplicación de métodos de aprendizaje automático para el análisis de datos de educación superior y predicción del éxito académico Authors: Aizprúa Borbor, Joshiro Ronin; Pérez Siguenza, Cinthia Cristina, Director Abstract: CONDITION FOR PUBLICATION OF PROJECT. Predicting academic success in higher education is essential for supporting student retention and informing institutional decision-making. This study compares four supervised machine learning models—Logistic Regression, Support Vector Machines, Random Forest, and Multilayer Perceptrons—to predict the performance of first-semester students using academic variables, emotional intelligence indicators, family functionality measures, and behavioral factors. Two criteria of academic success were examined: a strict definition (Y1) and a more flexible one (Y2). The methodology involved data preprocessing, an iterative hyperparameter tuning strategy, and the design of two weighted polynomial kernels that incorporate Logistic Regression coefficients to enhance interpretability. Under the strict criterion, the customized kernel KN1 achieved the highest recall, whereas under the flexible criterion, KN2, Random Forest, and MLP achieved the best performance. Across models, prior academic achievement was the most influential predictor, followed by the course load in the admission program, emotional clarity, and other emotional and family-related variables with moderate but stable effects. The findings indicate that interpretable configurations can achieve competitive performance compared with more complex architectures, offering practical value for institutions seeking to implement early warning systems and develop policies that support students during their transition to university life. Keywords: machine learning, academic success prediction, interpretability, educational data mining, SVM. Description: CONDICIONAMIENTO DE PUBLICACION DE PROYECTO. Predecir el éxito académico en la educación superior es fundamental para apoyar la retención estudiantil y orientar la toma de decisiones a nivel institucional. Este estudio compara cuatro modelos supervisados de aprendizaje automático —Regresión Logística, Máquinas de Vectores de Soporte, Random Forest y Perceptrones Multicapa— para predecir el rendimiento de estudiantes de primer semestre a partir de variables académicas, de inteligencia emocional, funcionalidad familiar y comportamientos individuales. Se analizaron dos criterios de éxito académico: uno estricto (Y1) y otro más flexible (Y2). La metodología incluyó el preprocesamiento de datos, una estrategia iterativa de ajuste de hiperparámetros y el diseño de dos kernels polinomiales ponderados que incorporan coeficientes de Regresión Logística para mejorar la interpretabilidad. Bajo el criterio estricto, el kernel personalizado KN1 obtuvo el mayor recall, mientras que bajo el criterio flexible los mejores resultados correspondieron a KN2, Random Forest y MLP. En todos los modelos, el rendimiento académico previo fue el predictor más influyente, seguido por la carga cursada en el curso de admisión, la claridad emocional y otras variables emocionales y familiares con efectos moderados pero estables. Los resultados muestran que configuraciones interpretables pueden alcanzar desempeños competitivos frente a arquitecturas más complejas, aportando valor práctico para instituciones interesadas en sistemas de alerta temprana y en el diseño de políticas de apoyo durante la transición a la vida universitaria. Wed, 01 Jan 2025 00:00:00 GMT http://www.dspace.espol.edu.ec/handle/123456789/69093 2025-01-01T00:00:00Z