El desarrollo de la inteligencia artificial busca lograr que las máquinas piensen y

aprendan como lo hace el cerebro humano. Estos esfuerzos no pretenden

reemplazar a las personas, sino sacar lo mejor de ambos mundos para
complementar y optimizar todo tipo de procesos.

Desde hace muchos años, el ser humano ha pensado y soñado con tener una
máquina que logre procesar y analizar datos con la capacidad del cerebro humano.
Esto es, con la facultad de adaptarse a nuevas situaciones y realizar tareas nuevas:
en una palabra, aprender.

La capacidad de almacenaje de información en dispositivos cada vez más pequeños

y multifuncionales ha avanzado de manera sorprendente, sin embargo, el cerebro
humano no ha podido ser vencido en la capacidad de dar una respuesta adecuada
a un problema. Justamente esa es la meta a la que los científicos apuntan en la
actualidad.

Los desarrolladores se han inspirado en el cerebro humano como un sistema capaz

de proporcionar una inteligencia más allá de la velocidad de procesamiento de datos
y el manejo de la información. A esto se le llama inteligencia artificial (IA) o
computación cognitiva y su foco es que los computadores piensen y razonen de la
misma forma en que lo hace el cerebro humano. Si bien la meta está aún distante,
ya existen algunas aproximaciones interesantes.

Algunas empresas especializadas en esta área, como IBM, ya han logrado construir
algoritmos y programas capaces de “aprender”, a medida que van procesando
información entregada y conforme se les da acceso a bases de datos estructuradas
y datos no estructurados (documentos en distintos formatos, imágenes, audios,
videos, etc).

Para esto se está trabajando con sensores, cámaras, micrófonos y otros dispositivos
que recogen información del medio. Todos ellos son los sentidos de la máquina, de
la misma forma en que un humano utiliza su vista, oído, tacto, gusto y olfato. Así,
los sistemas de inteligencia artificial pueden acercarse a comprender el mundo, a
acumular aprendizaje y experiencias y, por ende, adquirir mayor valor y
conocimiento con el tiempo a través de la interacción.
Inteligencia artificial aplicada al mantenimiento

Los ERPs y softwares especializados en planificación y control del mantenimiento

se ocupan de registrar transacciones de ejecución de reparaciones, reemplazos y
de actividades de mantenimiento programado, entre otros datos. También permiten
integrar la información de planificación del mantenimiento preventivo, como los
planes matrices y todos los datos y parámetros necesarios para un buen control y
registro.
La información histórica registrada cobra para esto una importancia fundamental
para llevar a cabo análisis de mejora continua de los planes, aumento de la
confiabilidad, incremento de disponibilidad y extensión del ciclo de vida de los
activos. Debido a la gran cantidad de información histórica que se almacena, se
hace complejo su ordenamiento, análisis y procesamiento para extraer datos
relevantes que aporten oportunamente al proceso de mejora continua y
confiabilidad.
El mantenimiento predictivo o monitoreo de condiciones se desarrolla actualmente
sobre la base de sensores capaces de entregar datos de manera continua. Esto
implica la acumulación de millones de datos que pueden estar indicando el presagio
de una falla y que no somos capaces de procesar oportunamente para evitar una
detención o falla catastrófica. Esto ocurre principalmente cuando la información
entregada por los distintos sensores debe ser combinada para poder determinar la
posible potencialidad de una falla.
Frente a esta problemática, la aplicación de las características y potencia de los
desarrollos de inteligencia artificial viene a resolver la incapacidad de procesar esta
cantidad de datos oportunamente y además alimentarse de la información histórica,
tanto propia como proveniente de las experiencias de otras empresas dentro de la
misma industria con información pública disponible en los distintos medios.
La posibilidad de consultar permanentemente sobre datos e información de
comportamiento de los activos, cumplimiento de los planes, estadísticas de fallas,
resolución de problemas, tendencias de parámetros medidos por monitoreo de
condiciones, entre otras facultades, hacen de las aplicaciones de IA una poderosa
herramienta de complemento, capaz de solucionar la problemática de capacidad de
análisis y procesamiento de datos relevantes de la gestión del mantenimiento.
Contar con capacidad inmediata de respuesta a diversas consultas sobre la gestión
del mantenimiento, permite tomar acciones planificadas y programadas para evitar
fallas imprevistas y detenciones de pueden afectar no sólo la producción, sino
también dañar a las personas y al medioambiente.
Un complemento para la mente

La necesidad de contar con inteligencia artificial radica en que actualmente se

generan diariamente 2,5 billones de gigabytes de datos y se espera que de aquí a
10 años más, se llegue a 40 zeta bytes diarios. La capacidad humana para procesar
esta cantidad de información y utilizarla oportunamente para la toma de decisiones
no es suficiente, por tanto, se requiere necesariamente de sistemas avanzados de
procesamiento de datos estructurados y no estructurados que permitan la
generación de conocimiento ejecutable en un período de tiempo muy corto.
Los desarrollos actuales de inteligencia artificial han probado ser capaces de
“pensar rápido”. Toda la información depositada en sus sistemas les permite
contestar preguntas complejas a sus clientes y obtener, desde distintos formatos y
fuentes, información relevante casi instantáneamente. Además, pueden establecer
patrones y relaciones de datos, todo lo anterior con datos provenientes de cualquier
tipo de formato. Estas respuestas son, a su vez, extremadamente articuladas, ya
que cada una es respaldada con evidencias y de acuerdo a la calidad de la
información a la que tiene acceso.
La computación cognitiva, es una rama específica surgida de la inteligencia artificial
(IA), capaz de entender y emular el funcionamiento de la mente humana. Siempre
a un ritmo óptimo, 24 horas al día, 7 días a la semana sin descanso. Puede
interactuar con miles de personas a la vez, aprender continuamente y procesar
datos a velocidades imposibles para el ser humano.
La complejidad y automatización de los procesos productivos han llevado a las
industrias a utilizar cantidades importantes de equipos y maquinarias para ser
eficientes en su producción. De esta manera, surge la necesidad de contar con un
uso intensivo de activos para labores productivas, cada vez más automatizadas, lo
que eleva los costos de mantenimiento del equipamiento.
En este sentido, IBM ha desarrollado inteligencia artificial aplicada a los datos. El
sistema informático de inteligencia artificial IBM Watson aplicado a la gestión de
mantenimiento, entiende, razona, aprende y dialoga en lenguaje natural,
permitiendo acceder rápidamente a la información histórica del activo para
aumentar la productividad.
Dos aplicaciones tempranas de Inteligencia Artificial en entornos industriales
Dentro del alcance de la fabricación discreta y de procesos, el mantenimiento de
activos es uno de los procesos industriales que está emergiendo como un área de
aplicación temprana de IA. Más específicamente, las organizaciones están
comenzando a combinar el concepto de mantenimiento “predictivo” dentro de sus
enfoques más tradicionales de mantenimiento “preventivo” y “romper/arreglar”. “La
definición de mantenimiento predictivo de ARC Advisory Group implica aplicar
técnicas de monitoreo basadas en condiciones para recopilar y analizar datos de
activos para comprender mejor el rendimiento de los activos y realizar el
mantenimiento adecuado antes de que problemas inminentes puedan afectar
negativamente el rendimiento, la disponibilidad o la seguridad de la planta.
La inteligencia dentro del VSD recopila datos sobre cualquier comportamiento
anormal en el funcionamiento del motor y luego señala al motor para su reparación
o reemplazo antes de que ocurra cualquier falla. Por lo tanto, en lugar de esperar a
que se realice el mantenimiento programado “preventivo”, el mantenimiento ahora
se puede gestionar en función de la condición. Esto reduce el costo y aumenta el
rendimiento ya que solo se reemplaza cuando realmente necesita ser reemplazado,
y se evita cualquier tiempo de inactividad imprevisto. De manera similar, el
aprendizaje automático ejecutado en la periferia puede ayudar a identificar
tempranamente el daño de la turbina de generación de energía, el problema de la
válvula de agua de alimentación de la bomba, el acoplamiento del motor de la planta
y el problema de presión diferencial del sello.
Una segunda área de aplicación de IA implica el uso de una combinación de
sistemas existentes y nuevas tecnologías para controlar la rentabilidad de la
operación de la planta. Cuando los principios de control de ganancias se
superponen con el control del proceso, surge una estrategia de eficiencia rentable.
La contabilidad en tiempo real), que utiliza una combinación de datos basados en
sensores del proceso y datos financieros para calcular el costo y los puntos de
ganancia en todos los procesos industriales, es el motor que permite a los
operadores obtener acceso a los datos de rentabilidad. Por lo tanto, los algoritmos
ahora pueden ayudar a los operadores a tomar la mejor decisión desde una
perspectiva de seguridad y rentabilidad.
Independientemente de la aplicación, las partes interesadas industriales deben
enfocarse primero en el principal problema comercial que eligen abordar con IA.
Una vez que se analiza el mismo, los proveedores de tecnología pueden ayudar a
determinar si las herramientas de IA pueden proporcionar una solución que sea
capaz de abordar y resolverlo.
Los tres desafíos del uso de IA
El uso de IA puede responder preguntas críticas para el negocio de forma diaria,
incluso por horas, pero las empresas deben superar tres obstáculos actuales:
 Preparación de datos y operacionalización. La IA, en la forma de modelos,
a menudo requiere datos limpios de un conjunto diverso de fuentes para crear
la inteligencia artificial más precisa. Esto es importante tanto en la etapa de
creación de IA como a través de las tuberías de datos operacionalizadas en
la implementación. En la actualidad, los científicos de datos dedican
aproximadamente el 60% de su tiempo a limpiar y organizar datos como
“personal de limpieza de datos” antes de siquiera pensar en analizar esos
datos. Esta disputa de datos impone su tiempo para experimentar, volver a
entrenar y volver a implementar modelos. Gartner estima que “el costo
financiero promedio de la baja calidad de los datos en las organizaciones es
de US$ 9,7 millones al año.
 Gestión del ciclo de vida de IA. A medida que las empresas aumentan su
inversión en IA, la necesidad de herramientas de gestión del ciclo de vida de
IA se está volviendo cada vez más crítica. La adquisición y preparación de
datos, la experimentación, el control de versiones, la administración de
dependencias, la implementación en sistemas de producción, la supervisión,
la seguridad, el cumplimiento y las actualizaciones de modelos se convierten
en elementos clave al ejecutar sistemas impulsados por inteligencia artificial
a gran escala. La industria tiene el potencial de automatizar el ciclo completo
desde el punto en que se generan y recogen los datos hasta el punto en que
los modelos de inteligencia artificial se construyen y operan. La industria
puede crear sistemas que son más eficientes que muchos otros segmentos
debido al nivel de cobertura que puede existir en todos sus sistemas. El
proyecto promedio tarda de 6 a 9 meses para pasar del concepto a la
producción. Una vez en producción, los datos pueden ser útiles, los puntos
de datos instantáneos se generan y alimentan a modelos entrenados que
usarán esos datos para hacer predicciones. La recapacitación basada en
nuevos datos puede ocurrir en cualquier momento, pero a menudo seguirá el
ciclo que mejor se adapte a la empresa dependiendo del modelo y la
situación.
 Hacer que la IA tenga sentido en todas las organizaciones. Para darse
cuenta del valor total de la adopción de IA, las compañías deben expandir la
capacidad de descubrimiento y el uso de la inteligencia artificial del científico
de datos a los otros roles en toda la organización. En otras palabras, los
modelos deben ser mucho más fáciles de encontrar, comprender y usar por
los desarrolladores, analistas de negocios y tomadores de decisiones
comerciales. Gartner predice que para 2022, el 50% de los datos se
procesarán en el borde.
El control en tiempo real
Actualmente, la industria se halla en un momento de progreso, determinado por
digitalización constante y la gestión, cada vez más diversificada, de la información
que procede de todas sus áreas de control.
Por ello hablamos de fábricas gestionadas de forma eficiente y en tiempo real, lo
que garantiza una mayor flexibilidad y satisface de manera más completa las
demandas de los consumidores, que reclaman una atención cada vez más
individualizada.
Tanto es así que la interconectividad en tiempo real entre todas las áreas de gestión
de la empresa se ha convertido en un punto fundamental para leer los desafíos que
imprime el nuevo mercado.
Hemos dejado atrás conceptos vetustos como el de sociedad de la información para
entender que los datos, administrados eficazmente, suponen la herramienta
definitiva para implementar plantas de trabajo inteligentes que agilicen y mejoren
los procesos de producción.
Esto conlleva un altísimo nivel de automatización y de modernización tecnológica,
como es evidente. Para ello se necesita el concurso cada vez más integrado de
Internet y los sistemas llamados ciberfísicos, o lo que es lo mismo, aquellas redes
virtuales que faciliten el seguimiento de objetos que estén fabricándose en directo.
A la hora de conseguir este fin, las empresas, desde las más pequeñas hasta las
más grandes, deben ir optimizando las plantas hasta convertirlas en lo que se
entiende como fábricas inteligentes.
Ventajas de las fábricas inteligentes
Una fábrica inteligente optimizada facilita que las operaciones se ejecuten con la
menor cantidad posible de intervención manual y la mayor fiabilidad. Los flujos de
trabajo automatizados, la sincronización de activos, el seguimiento y la
programación de todos los procesos, el consumo de energía optimizado y, por lo
tanto, ahorrativo, pueden incrementar el rendimiento, el tiempo de actividad y la
calidad del resultado final, así como reducir los costes.
Gracias a estos avances, los empleados y los sistemas de control podrán anticipar
y actuar antes de que surjan problemas o defectos, en lugar de simplemente
reaccionar ante ellos después de que ocurran. Esta característica puede abarcar la
identificación de anomalías, averías, reabastecimiento de inventario, identificación
y resolución predictiva de problemas de calidad, monitorización de problemas de
seguridad y, cómo no, mantenimiento.
La capacidad de la fábrica inteligente para predecir resultados futuros basados en
datos históricos y en tiempo real puede reducir el tiempo que conlleve realizar una
acción, al mismo tiempo que mejora su rendimiento.
Dentro de la fábrica inteligente se podrán asignar procesos como el “gemelo digital”,
concepto acuñado por la NASA que ofrece la posibilidad de digitalizar una operación
y avanzar más allá de la automatización y la integración en capacidades predictivas.
Asimismo, de acuerdo con este tipo de fabricación, los datos capturados serán más
transparentes. La visualización de datos en tiempo real puede transformar la
información obtenida de los procesos y los productos que se hallan todavía en
estado de producción, haciéndola útil y procesable, ya sea para humanos o para la
toma de decisiones de los robots.

Una red transparente aporta una mayor visibilidad en todas las instalaciones y
asegura que la empresa pueda tomar decisiones más precisas. ¿Por qué? Porque
proporciona instrumentos como alertas y notificaciones en tiempo real, además del
ya referido sistema de monitorización.
Humanos y robots: Al fin amigos
Las empresas también tendrán mucha más libertad para decidir qué tareas
automatizar con robots y cuáles realizar manualmente. Los sistemas de seguridad
avanzados posibilitan a los robots el ocupar nuevos puestos junto a sus colegas de
carne y hueso. Si los sensores indican el riesgo de una colisión con un operador, el
robot ralentizará automáticamente o variará su código para evitarlo.
Esta tecnología permite el uso de robots para tareas individuales en líneas de
ensamblaje que, de otro modo, serían manuales. La capacidad de hacer que los
robots cooperen con las personas y se reasignen tareas entre ellos también ayuda
a la productividad, ya que permite a las empresas equilibrar las líneas de producción
a medida que la demanda fluctúa.
Los autómatas que pueden operar de forma segura cerca de personas también
allanarán el camino para aplicaciones que se alejan del entorno estrictamente
controlado de la fábrica. En vista de esto, los minoristas de Internet y las empresas
de logística ya están adoptando formas de automatización robótica en sus
almacenes.
En resumen, podemos concluir que el sintagma “fábrica del futuro” hace alusión al
nuevo tiempo de manera sólo nominativa, ya que la realidad indica que forma parte
del presente más de lo que parece. Las posibilidades que pone, así, en manos de
los emprendedores, son infinitas, y como se ha visto no implica la desaparición de
la mano de obra tradicional, sino que la supervisa, completa y mejora.

Fabricación Adaptativa
Cuando se piensa en inteligencia artificial muchos piensan en robots. Aunque se
piense que han sido diseñados para realizar tareas muy específicas, hoy en día
existen robots capaces de realizar acciones mucho más precisas y de tomar
decisiones en tiempo real para adaptarse a cada tipo de proceso productivo. Ya
están en funcionamiento en muchas fábricas los llamados cobots, que son robots
colaborativos que trabajan codo con codo con los humanos para mejorar en
eficiencia las líneas de producción. Dichos robots pueden aprender de una forma
muy simple, tal y como lo hace un humano, lo que permite ahorrar costes al no
necesitar personal especializado en programación de robots industriales, con el
tiempo que comporta todo ello y lo poco flexibles que resultan.
No son tan “sexis y brillantes” como los robots, pero la inteligencia artificial entra de
pleno en la industria transformando datos de sensores y procesos en predicciones
inteligentes para tomar mejores decisiones más rápidamente. Actualmente existen
15 mil millones de máquinas conectadas a internet, y en 2020 Cisco predice que
sobrepasará los 50 mil millones. Conectar maquinas conjuntamente a un sistema
de inteligencia automatizado es el mayor paso de la evolución de la fabricación y la
industria en toda su historia.

Mantenimiento condicionado y predictivo

El mantenimiento del equipamiento industrial típicamente está planificado en días

fijos, no está referenciado a las condiciones de operación re planificadas por
producción diariamente y por ello los tiempos de funcionamiento de los equipos no
deberían fijarse por años de instalación, sino por tiempo y condiciones de
funcionamiento. Todo ello causa un mayor coste de mantenimiento y riesgo
inesperados en el equipo. Una vez instrumentalizado con sensores y conectado a
la red junto con otras instalaciones, los equipos pueden ser monitorizados,
analizados y modelados para mejorar el rendimiento y su ciclo de vida.
Esta conectividad de los equipos permite, con el modelo de funcionamiento y un
entrenamiento del proceso específico, crear patrones algorítmicos estadísticos con
los que poder predecir paradas inesperadas, reducir costes de mantenimiento,
alargar la vida del equipo o incrementar la seguridad del equipo.

Sistemas de control de proceso avanzado

Los llamados APC (sistemas de control de proceso avanzado) son un método de
control de proceso que usa modelos matemáticos del comportamiento de un
proceso para predecir y controlar su variación. Su mayor uso se da para conducir el
proceso a su punto óptimo de funcionamiento (máximo rendimiento con el mínimo
consumo energético). En dichos procesos complejos, puede resolver problemas de
calidad, productividad y flexibilidad que no pueden ser resueltos con herramientas
de control tradicional (PID’s de PLC’s o DCS). Un ejemplo es su uso en las torres
de secado o evaporizadores, donde la aplicación de estos sistemas mejora un 10%
la productividad del proceso, con una disminución de un 8% el consumo energético
y manteniendo un 100% de calidad.
Control de calidad automatizado

La actualidad de la fabricación hace que cada vez haya más cambios de formato y,
con ellos, posibles paradas no planificadas, bajo rendimiento (% de unidades que
pasan el control de calidad), y baja productividad (tiempo que requiere fabricar un
producto con poco volumen). Gracias a los sistemas de gestión de procesos (BPM),
se pueden llegar a automatizar las tareas de gestión de cambio de formato,
controlando paso a paso todos los procesos e incluso realizándolos de una forma
totalmente automática. Todo ello obteniendo una trazabilidad total y siguiendo todas
las regulaciones para su inspección posterior, gracias también a la monitorización
mediante software SPC (Statistical process Control), se pueden detectar las
desviaciones de calidad que va teniendo la producción para regular la maquinaria y
así asegurar los rangos de calidad más adecuados.

Cree planes de mantenimiento preventivos para activos de trabajo y ubicaciones en

la aplicación Mantenimiento preventivo.
Puede utilizar la aplicación Mantenimiento preventivo para llevar a cabo las tareas
siguientes:
Crear plantillas, denominadas registros de MP (o simplemente MP), que se utilizan
para generar órdenes de trabajo de mantenimiento preventivo programadas.
Proporcionar descripciones detalladas del trabajo de mantenimiento preventivo que
realiza asignando planes de trabajo a MP.
Especificar un programa de mantenimiento preventivo para un activo o una
ubicación. El programa determina la frecuencia con que se generan órdenes de
trabajo a partir de MP. El programa puede generar órdenes de trabajo en base al
tiempo transcurrido entre órdenes de trabajo, unidades de medidor utilizadas o
ambas cosas.
Seleccione días, meses o temporadas específicos para generar órdenes de trabajo
a partir de un MP.
Crear una jerarquía de MP para programar un grupo de órdenes de trabajo para una
jerarquía de activos o ubicaciones.
La industria manufacturera ha sido la principal industria mencionada junto con el
aprendizaje automático, y por buenas razones, ya que los beneficios son muy
reales. Estos beneficios incluyen reducción de los costos operativos, confiabilidad
mejorada y mayor productividad, tres objetivos que se relacionan con la “santísima
trinidad” de la manufactura. Para lograrlos, la industria manufacturera también
requiere una plataforma digital para capturar, almacenar y analizar los datos
generados por los sistemas de control y sensores en la maquinaria y
equipamientos conectados a través del IIoT. El mantenimiento preventivo (PM) es
clave para mejorar el tiempo de actividad y la productividad, por lo que una mayor
precisión predictiva de la falla de la máquina es esencial con el aumento de la
demanda. Además, al saber qué está por fallar con anticipación, las piezas de
repuesto y el inventario pueden usar los datos para asegurar que se alinean con la
predicción. Mejorar los procesos de producción a través de un sólido sistema de
monitoreo de condiciones puede brindar un conocimiento sin precedentes de la
efectividad general de la maquinaria al monitorear de forma regular y constante las
presiones y temperaturas del aire y del aceite.

Digitalización y transformación con el aprendizaje automático

Los primeros seguidores del aprendizaje automático ya están cosechando los

beneficios del mantenimiento predictivo al ritmo de la entrega de información, los
costos y la utilidad. Esto les da más información y conocimiento para tomar
decisiones más inteligentes. Algunos de estos primeros seguidores también están
combinando el aprendizaje automático con otras tecnologías de digitalización –
como tableros de visualización, datos basados en la nube, análisis y modelización
de la realidad– para un proceso aún más centrado en el modelo y beneficioso. El
resultado es una solución completa para operaciones, mantenimiento e ingeniería.

Tener un plan de mantenimiento predictivo impulsado por el aprendizaje

automático le dará un conocimiento sin precedentes de su operación y generará
beneficios importantes en eficiencia, seguridad, optimización y toma de
decisiones. La transformación digital para la industria ahora está en un punto de
inflexión, con todas las tecnologías que convergen al mismo tiempo. El enfoque
del PdM para la confiabilidad y el desempeño de activos significa que el análisis
de causa raíz (RCA) podría convertirse en algo del pasado. En su lugar, estará el
aprendizaje automático, que toma en consideración todo el historial de fallas e
identifica los signos de falla de antemano.
Aplicación de la IA en la industria

Hoy en día nos encontramos muchos dispositivos que ya tienen implementada IA y

que usamos de forma común, como son los Smartphone pero, ¿cómo ayuda la
inteligencia artificial en los diferentes sectores de la industria?

En la actualidad las herramientas con IA son un gran apoyo para los procesos
industriales ya que ayudan a generar un mayor rendimiento en el área donde son
usadas.

Estas IA tienen como objetivo principal manipular de manera independiente y en

coordinación con otros agentes diferentes procesos.

Un claro ejemplo es en el sector agroalimentario donde la IA es usada en la creación

de harinas, piensos o panes. El sistema es capaz de tomar decisiones y adelantarse
a posibles eventos antes de que estos pasen por lo que hacen que el sistema tenga
una gran capacidad de resolución de problemas. Además es capaz de tomar
decisiones que hasta ahora se adoptaban mediante monitorizaciones y
correcciones manuales.
También es fácil encontrar sistemas de calidad con visión artificial. Este es un
campo donde se está avanzando con gran velocidad gracias a las redes neuronales
y al reconocimiento de patrones.

Estos “ojos” artificiales detectan imperfecciones en las líneas de producción que un

humano es incapaz de detectar.

Una aplicación interesante de la IA es en materias de seguridad.

Imagina un sistema capaz de visionar el terreno geográfico, entenderlo y encontrar

anomalías en este, como podrían ser focos de incendios.

Si aplicamos esta tecnología en drones con paneles solares tendríamos un sistema

de detección de posibles incendios totalmente autónomo.

La inteligencia artificial es el medio principal por el cual se extiende la industria de

manera más rápida y constante creando una mayor productividad en los campos en
los que esta se aplica. Se estima que en 2019 el 85% de las empresas utilizará
inteligencia artificial.
Ejemplos de inteligencia artificial en la industria
 Universidad Tecnológica de Panamá
Facultad de Ingeniería Mecánica
Licenciatura Mecánica Industrial
Instalaciones mecánicas y mantenimiento

Pertenece a:

Solis, Amador 8-871-2400

Cortes, Davis 8-880-1059

Profesor:
Erik Parker

Semestre:
Segundo semestre

Año lectivo:
2018