Diseño de prototipo con red neuronal convolucional para el accionamiento ON/OFF de una fuente ornamental de la municipalidad del distrito Llalli

• Autor: Arqui Mamani, Victor Raul
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Nacional del Altiplano
• Repositorio: UNAP-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unap.edu.pe:20.500.14082/24968
• Enlace del recurso: https://repositorio.unap.edu.pe/handle/20.500.14082/24968
• Nivel de acceso: acceso abierto
• Materia: Industria 4.0; Machine Learning; Ethernet IP; Python; Fuente ornamental; https://purl.org/pe-repo/ocde/ford#2.02.03

Actualmente las fuentes ornamentales en la provincia de Melgar carecen de una automatización adecuada siendo operadas manualmente, por lo tanto, esto ocasiona un consumo excesivo de la energía eléctrica limitando su continuo funcionamiento en periodos de tiempo inadecuados. La automatización usando un sistema de control inteligente como las CNN mediante la detección de personas con Python para el accionamiento ON/OFF de los actuadores de la pileta ornamental evitará el consumo excesivo de la energía eléctrica. Esta tesis propone el diseño de un prototipo de visión artificial con redes neuronales convolucionales para el accionamiento ON/OFF de la fuente ornamental a través del conteo de personas en el parque de la municipalidad del distrito Llalli, reduciendo el consumo energético. La investigación tiene el enfoque cuantitativo del tipo aplicada, donde se diseñó e implementó un rack eléctrico con un PLC S7 1200 DC/DC/RLY para la gestión de los actuadores de la fuente también, se estableció la comunicación de Python entre el PLC utilizando el protocolo Modbus TCP para el accionamiento ON/OFF a través del conteo de personas mediante visión artificial con el uso del modelo YOLOv5 en conjunto con OpenCV, además de realizar el monitoreo sobre el estado de los actuadores. Finalmente, los resultados obtenidos sobre el monitoreo mostraron que el consumo antes de la intervención era de 7.37 kWh, y después con el uso de la visión artificial con YOLOv5 se obtuvo un consumo de 3.25 kWh, lo cual demuestra una reducción del 4.12 kWh logrando un ahorro enérgico del 55.90% mejorando eficientemente los costos operativos y optimizando el consumo energético.