VIII CONGRESO INTERNATIONAL DE INGENIERIA INDUSTRIAL.

ARGOS 2015
Tijuana, Baja California, 19 al 21 de Octubre 2015.

Tecnologías de Inteligencia Artificial en Colaboración con el

Desarrollo de la Infraestructura Industrial

Flores-Fuentes, W. (1), Sergiyenko, O.(2), Lindner, L.(p1), Rivas-López, M.(2), Rodríguez-

Quiñonez, J.C.(1)

(1)
UABC, Facultad de Ingeniería. (2) UABC, Instituto de Ingeniería. (p)
Ponente.

Universidad Autónoma de Baja California, Blv. Benito Juárez s/n, C.P. 21900, Tel. (686) 5664150, Mexicali B.C., México

Abstract
In the development of infrastructure, it means, all the elements and services necessary for a
society to function effectively and progress, it requires scientific and technological
development. Through the discipline of artificial intelligence convergence of information
technologies using statistical methods in the development of techniques for machine learning
in order to train these, is achieved to perform tasks that are designed typical field of human
intelligence. In the process of technological convergence in the implementation of the
development of a prototype for optical scanning machine vision functions response, was
evaluated six methods to find the energetic center of an optoelectronic signal when combined
with artificial intelligence technique to perform measurements angles to calculate coordinates
by dynamically triangulation in order to eliminate measurement errors due to nonlinear
behavior in the optical system and its environment.

Keywords: Artificial Intelligence, Optical Scanning System, Industrial Infrastructure.

Resumen
En el desarrollo de las infraestructuras, es decir, del conjunto de elementos y servicios
necesarios para que una sociedad funcione y progrese efectivamente, se requiere del
desarrollo científico y tecnológico. A través de la disciplina de inteligencia artificial se logra la
convergencia de las tecnologías de la información al utilizar métodos estadísticos en el
desarrollo de técnicas de aprendizaje de máquina con el propósito de capacitar a estas para
que realicen tareas que son pensadas típicas del ámbito de la inteligencia humana. En el
proceso de convergencia tecnológica en la aplicación del desarrollo de un prototipo de barrido
óptico para funciones de visión maquina se evaluó la respuesta de seis métodos para
encontrar el centro energético de una señal optoelectrónica al combinarse con una técnica de
inteligencia artificial al realizar mediciones de ángulos para el cálculo de coordenadas por
medio de triangulación dinámica con el objetivo de eliminar errores de medición debido a
variaciones no lineales en el sistema óptico y en su entorno.

Palabras clave: Inteligencia Artificial, Sistema de Barrido Óptico, Infraestructura Industrial.

 VIII CONGRESO INTERNATIONAL DE INGENIERIA INDUSTRIAL. ARGOS 2015
Tijuana, Baja California, 19 al 21 de Octubre 2015.

1. Introducción
La infraestructura es la base material de una sociedad. Por medio de la evaluación de la
infraestructura se determina la estructura social de una región, su desarrollo económico y
tecnológico, así como el cambio social de la misma y su calidad de vida. El quehacer científico
y tecnológico propicia el crecimiento y mejora de la infraestructura, afectando está
directamente las fuerzas productivas (recursos naturales, medios técnicos y las fuerzas de
trabajo) y las relaciones de producción que se dan en la sociedad.
El creciente desarrollo de la tecnología de la información en los últimos 20 años ha traído
como consecuencia un auge en la innovación de nuevas aplicaciones a la utilización de
tecnología, el uso de computador electrónico para el manejo y procesamiento de información
ha alcanzado niveles de uso y aplicaciones tan variadas y ubicuas, que se ha convertido en
una área de gran amplitud e impacto, atrayendo el interés de muchos investigadores en
diversas áreas del conocimiento como lo son la ingeniería biomédica para la detección de
enfermedades [1], la ingeniería civil para el monitoreo de salud estructural [2], la ingeniería
mecatrónica para el desarrollo de robots móviles [3], por mencionar solo unas pocas de ellas.
El desarrollo de las tecnologías de la información trajo como consecuencia que los sistemas
de información de bases de datos fueran cada vez más sofisticados, la estructura de datos, el
desarrollo de algoritmos de inserción, localización y borrado de datos, así como el intento de
crear máquinas capaces de realizar tareas que son pensadas como típicas del ámbito de la
inteligencia humana dio origen a la disciplina llamada “Inteligencia Artificial”.
Definiendo entonces a esta disciplina como el esfuerzo de desarrollar sistemas basados en
computadores electrónicos que se pueden comportar como los humanos con la capacidad de
aprender y de tomar decisiones.
El comportamiento de los algoritmos de inteligencia artificial no es descrito explícitamente, si
no que la secuencia de pasos seguidos por el algoritmo es influenciado por el problema en
particular presente, es decir, el algoritmo especifica la secuencia de comandos a seguir para
resolver un problema dado.
Las líneas de investigación más destacadas incluye varios campos de desarrollo tales como la
robótica, usada principalmente en el campo industrial, reconocimiento de palabras,
comprensión del lenguaje natural y traducción automática, visión de máquinas (visión artificial)
que distinguen formas y ubicación de objetos que se usan especialmente en líneas de
ensamblaje, así como técnicas de razonamiento lógico, técnicas de aprendizaje y de
ingeniería del conocimiento.
Unas de las líneas de mayor aplicación es la de visión máquina, mejor conocida como visión
artificial, la cual enfoca sus esfuerzos en reproducir las habilidades de la visión humana por
medio de la percepción y el entendimiento de imágenes a través de dispositivos electrónicos,
principalmente por medio de cámaras con una gran dimensión de datos que resultan en el
requerimiento de espacios muy grandes para almacenamiento de datos, y excesivo tiempo de
procesamiento debido a la complejidad de los algoritmos para extraer patrones y tendencias
importantes de los datos a fin de entender y aprender que nos dice la información.
Para muchas de las aplicaciones no es necesario adquirir la visión completa de una escena
como lo realiza el ser humano para extraer las características de interés, es posible solo
extraer las características significativas de la escena por medio de un sistema de barrido
óptico, mejor conocido como escáner de espejos rotatorios (rotating mirror scanner), para
detalles sobre el sistema ver [4,5].
 VIII CONGRESO INTERNATIONAL DE INGENIERIA INDUSTRIAL. ARGOS 2015
Tijuana, Baja California, 19 al 21 de Octubre 2015.

Los sistemas de barrido óptico son utilizados para reflejar un haz de luz (coherente o
incoherente) hacia un fotodiodo, por medio de un espejo rotatorio controlado por medio un
sistema electromecánico, con el propósito de identificar la posición del haz de luz. El espejo
rotatorio está sobre un eje que está montado en una superficie que es rotada por un motor.
El rotor produce un par en virtud del campo magnético rotatorio de un estator del motor y el
espejo rotatorio gira en un número predeterminado de revoluciones por segundo. Mediante
este arreglo, el sistema de barrido con espejo rotatorio puede girar de manera silenciosa a
muy alta velocidad [6]. Sin embargo, aunque el motor rota de manera suave, cuando esta
estacionario el sistema de barrido experimenta dificultad para iniciar la rotación y el motor
presenta problemas de excentricidad a bajas velocidades [7], al realizar la adquisición de la
señal óptica para convertirla en una señal eléctrica a través de un fotodiodo se presentan
algunos efectos ópticos tales como reflexión, difracción, absorción y refracción que afectan la
señal optoelectrónica generada por el sistema de barrido óptico, cuyos efectos pueden ser
minimizados al tomar la medición en el centro energético de la señal optoelectrónica, como
previamente se ha comprobado en las publicaciones de experimentación previa [4,5,8].
Durante la etapa experimental se observó que a pesar de tomar mediciones de posición de un
haz de luz en el centro energético de la señal optoelectrónica generada, se producía un error
en las mediciones que no seguían un patrón lineal, sin embargo podía ser compensado de
manera eficiente por medio del uso de un algoritmo de inteligencia artificial. Ya que se han
desarrollado en la disciplina de inteligencia artificial algoritmos de regresión, los cuales son
utilizados para predicción de valores de variables en muchas aplicaciones como se describe
en [9] y una de esas aplicaciones es la corrección de errores en instrumentos de medición
como se muestra en [10,11].
De este modo, el propósito de este trabajo es la selección de un algoritmo de inteligencia
artificial para ser aplicado a los distintos métodos para calcular el centro energético de una
señal optoelectrónica a fin de utilizar el más adecuado en la medición de posición de un haz
de luz, a fin de explorar los grandes beneficios de la detección de luz coherente o incoherente
en búsquedas de características de interés en un determinado escenario.

2. Metodología
El sistema de barrido óptico utilizado en esta experimentación cuenta con un espejo rotatorio
con una superficie a 45° que provee de mediciones de posición de un haz de luz, por un
método novedoso basado en mediciones geodésicas automáticas. Mediciones precisas de
ángulos espaciales planos son realizadas en el centro energético de la señal optoelectrónica,
para calcular la coordenada de posición de una fuente de luz.

2.1. Mediciones en el centro energético.

El haz de luz desviado por el espejo del sistema de barrido hacia el fotodiodo construye una
señal optoelectrónica con forma tipo Gaussiana; el centro energético de esta señal fue
calculada por medio de seis métodos basados en el centro de gravedad geométrico
(Geometric Centroid), el centro de gravedad del espectro de potencia de la señal,
procesamiento analógico y digital de los niveles de voltaje de referencia de la señal, y por la
detección de flancos de subida y de picos de la señal, los cuales corresponde a la máxima
concentración de energía que porta la señal optoelectrónica [4]. Se realizaron mediciones
 VIII CONGRESO INTERNATIONAL DE INGENIERIA INDUSTRIAL. ARGOS 2015
Tijuana, Baja California, 19 al 21 de Octubre 2015.

posicionando el haz de luz en 600 coordenadas distintas a través de una mesa óptica con
sistema de coordenadas radiales.

2.2. Cálculo del error de medición

El error de medición fue calculado por medio de ( 1 ), dónde: 𝐸 es el error de medición, 𝛼𝑀 es
el ángulo medido por el sistema de barrido óptico y 𝛼 𝑇 es el ángulo objetivo (conocido).

𝐸 = |𝛼 𝑇 − 𝛼𝑀 | (1)

2.3. Selección del algoritmo de inteligencia artificial

Se seleccionaron siete algoritmos, los cuales se listan en la primera columna de Tabla 1 y se
describen detalladamente en [12], los cuales fueron entrenados bajo un diseño de
experimento búsqueda de rejilla (grid search) para seleccionar los mejores parámetros de
entrenamiento para cada uno de ellos de acuerdo a su concepto y diseño y las necesidades
de los datos de entrenamiento, obteniendo los resultados mostrados en Tabla 1.
Se hizo uso de la técnica validación cruzada de k-dobleces (k-fold cross validation) para
seleccionar la mejor partición de datos para realizar el entrenamiento de los algoritmos la cual
consiste en repartir de manera aleatoria el conjunto de datos (dataset) en datos para
entrenamiento (training data) y datos para prueba (test data).
El conjunto de datos se divide en k sub-muestras de igual tamaño. Después k-1 sub-muestras
se usan para entrenar el algoritmo y la última sub-muestra es utilizada para probar el
algoritmo previamente entrenado. Y este proceso es repetido k-veces rotando las muestras,
para seleccionar la mejor partición de datos, como se muestra en la Figura 1:

Figura 1: Validación cruzada de k-dobleces.

 VIII CONGRESO INTERNATIONAL DE INGENIERIA INDUSTRIAL. ARGOS 2015
Tijuana, Baja California, 19 al 21 de Octubre 2015.

Se evaluaron las predicciones realizadas por los siete algoritmos por medio del error
cuadrático medio (MSE) obteniéndose como resultado que el mejor algoritmo para esta
aplicación es Regresión de Máquinas de Vectores de Soporte (RMVS) como se muestra en
Tabla 1:

Tabla 1: Parámetros de algoritmos obtenidos por medio del diseño de experimento.

Algoritmo Parámetro Valor del Parámetro

Hidden Layer Size [15 15 25]
Net.divideParam.trainRatio 70/100
Net.divideParam.valRatio 15/100
Neuronal Network (NN)
Net.divideParam.testRatio 15/100
Functions type Levenberg-Marquardt
Performance functions type MSE
NU (Fraction of objects
2 E-6
outside the 'data tube')
Support Vector Machine Kernel Type Radial
Regression (SVMR) Kernel Parameter 2
Epsilon, with of the 'data
0.1
tube'
Principal Component
Fraction of variance (< 1) Infinite
Regression (PCR)
Partial Least Square
Number of components 2
Regression (PLSR)
Alpha 0.3
Ridge Regression (RR)
Lamb 0.4
Least Absolutely Shrinkage Alpha 1
and Selection Operator
(LASSO) Lamb 2.7 E-5

Generalized Linear Model

Distribution Normal
Fitting (GMLFIT)
 VIII CONGRESO INTERNATIONAL DE INGENIERIA INDUSTRIAL. ARGOS 2015
Tijuana, Baja California, 19 al 21 de Octubre 2015.

Tabla 2: Resultados de evaluación de algoritmos

Resultados Resultados
*Orden de
Algoritmo de Inteligencia Artificial MSE MSE
resultados
Entrenamiento Prueba
Neuronal Network (NN) 0.0907 0.0997 2
Support Vector Machine Regression (SVMR) 0.0166 0.0205 1
Principal Component Regression (PCR) 0.0987 0.0999 3
Partial Least Square Regression (PLSR) 0.1010 0.1047 4
Ridge Regression (RR) 0.1510 0.1568 6
Least Absolutely Shrinkage and Selection 0.1033 0.1097 5
Operator (LASSO)
Generalized Linear Model Fitting (GMLFIT) 0.0987 0.0999 3
*Los mejores resultados tienen el menor valor de MSE
 VIII CONGRESO INTERNATIONAL DE INGENIERIA INDUSTRIAL. ARGOS 2015
Tijuana, Baja California, 19 al 21 de Octubre 2015.

2.4. Evaluación de los métodos de medición en el centro energético

Seis métodos que fueron desarrollados para localizar el centro energético de la señal
optoelectrónica, encontrándose entre ellos un método de procesamiento analógico de la señal
optoelectrónica (Analog Saturation and Integration) [5] y cinco métodos de procesamiento
digital de la señal optoelectrónica (Geometric Centroid, Power Spectrum Centroid, Rising
Edge, Peak Detection, Digital Saturation and Integration) [13], fueron evaluados, ver Figura 2.
Se creó una matriz de datos de 540x6 donde cada renglón representa una medición de
posición (ángulo y distancia) y cada columna representa el error de medición obtenido con
cada uno de los seis métodos para encontrar el centro energético.
De esta matriz de datos se construyeron un conjunto de datos para cada método de medición
en el centro energético como se muestra en Figura 3. Cada conjunto de datos fue separado
en dos grupos (datos para entrenamiento y datos para prueba). Cada grupo de datos cuenta
con una columna objetivo (error de medición), y tres columnas de atributos (ángulo, distancia
y frecuencia de rotación).
Cada grupo de datos fue utilizado para entrenar y para probar el algoritmo RMVS para la
predicción del error con cada uno de los métodos de medición en el centro energético.

Geometric Centroid Power Spectrum Centroid

Electronic Circuit Saturation and Integration

Señal Optoelectrónica Mancha del haz de luz Señal Optoelectrónica Mancha del haz de luz

Rising Edge Peak Detection

Señal Optoelectrónica Mancha del haz de luz Señal Optoelectrónica Mancha del haz de luz

Señal Optoelectrónica Mancha del haz de luz Señal Optoelectrónica Mancha del haz de luz

Figura 2: Representación gráfica de los métodos de medición en el centro energético

 VIII CONGRESO INTERNATIONAL DE INGENIERIA INDUSTRIAL. ARGOS 2015
Tijuana, Baja California, 19 al 21 de Octubre 2015.

Atributos Objetivo

Peak Detection
Entrenamiento
Rising Edge
Saturation and Integration
Analogic Processing by Electronic Circuit Prueba
Power Spectrum Centroid
Geometric Centroid

Angulo Distancia Frecuencia Error

Figura 3: Esquema de los grupos de datos.

Se evaluaron las predicciones del error contra el error real por medio del MSE a todos los
grupos de datos, obteniendo como resultado que el método Geometric Centroid obtuvo
menores valores de MSE después de haber sido corregido por medio de SVMR, como se
muestra en Tabla 3.

Tabla 3: Resultados de evaluación de métodos para medir el centro energético

MSE sin MSE con *Orden de

Método para medir el centro
compensación de compensación resultado
energético
error de error s
Geometric Centroid 8.5 1.47 1
Power Spectrum Centroid 18.07 2.22 5
Analogic Processing by Electronic 9.21 2.05 4
Circuit
Saturation and Integration 9.23 1.58 2
Rising Edge 24.17 1.63 3
Peak Detection 27.40 2.66 6
*Los mejores resultados tienen el menor valor de MSE
 VIII CONGRESO INTERNATIONAL DE INGENIERIA INDUSTRIAL. ARGOS 2015
Tijuana, Baja California, 19 al 21 de Octubre 2015.

2.5. Compensación de error

Finalmente las mediciones de los seis métodos de medición en el centro energético de la
señal optoelectrónica fueron compensadas por ( 2 ), dónde: 𝛼𝑀𝐶 es el ángulo de medición
compensado, 𝛼𝑀 es el ángulo medido por el sistema de barrido óptico y 𝐸𝑝 es el error
predicho por el algoritmo inteligente.

Obteniendo resultados exitosos al agregarles el error predicho por el algoritmo de inteligencia

artificial SVMR a las mediciones realizadas y evaluado por manera cuantitativa como se
muestra en la Tabla 4.

∝𝑀𝐶 = ∝𝑀 + 𝐸𝑝 (2)

Tabla 4: Análisis cuantitativo de categorías de error, expresado en % de cantidad de errores.

Métodos de Sin compensación de Con compensación de error *Orden de

medición de error resultados
centro
3.0°<Error<5.9°

3.0°<Error<5.9°
energético
Error <2.9°

Error>6.0°

Error<2.9°

Geometric Error>6.0°
68.79 28.29 2.82 98.45 1.55 0.00 1
Centroid
Power
Spectrum 59.39 28.81 17.80 95.90 3.81 0.28 5
Centroid
Analogic
Processing by
66.95 28.95 4.10 96.75 3.25 0.00 4
Electronic
Circuit
Saturation and
68.22 26.84 4.94 97.60 2.40 0.00 2
Integration
Rising Edge 0.00 0.00 100.0 97.60 2.40 0.00 3
Peak
37.71 34.75 27.54 94.49 5.08 0.42 6
Detection
*Los mejores resultados son los que presentan el mayor porcentaje de mediciones con error <2.9°
 VIII CONGRESO INTERNATIONAL DE INGENIERIA INDUSTRIAL. ARGOS 2015
Tijuana, Baja California, 19 al 21 de Octubre 2015.

2.6. Calculo de posición del haz de luz

Una vez seleccionado el método centro de gravedad geométrico para la medición del centro
energético compensado a través del algoritmo de inteligencia artificial SVMR, se utilizan dos
sistemas de barrido óptico para barrer el haz de luz y por medio de la ley de los senos se
pueden obtener las ecuaciones ( 3 ), ( 4 ) y ( 5 ) para la obtención de coordenadas de posición
del haz de luz por el método llamado Triangulación Dinámica [14].

(3)
𝛽 = 180° −∝

𝛿 sin 𝛼2 cos(90 − 𝛽 ) (4)

𝑥 =
sin(𝛽 + 𝛼2 )
𝛿 sin 𝛼2 sin(90 − 𝛽 ) (5)
𝑦 =
sin(𝛽 + 𝛼2 )

Dónde 𝛿 es la distancia conocida entre sistemas de barrido. 𝛼 es la medición obtenida por el

sistema de barrido óptico no. 1 con el error corregido por medio de SVMR, y 𝛼2 es la medición
obtenida por el sistema de barrido óptico no.2 con el error corregido por medio de SVMR, y
(𝑥 , 𝑦 ) es la coordenada cartesiana donde se encuentra el haz de luz de cada posición i.

3. Conclusiones

A través de la disciplina de inteligencia artificial se logra la convergencia de las tecnologías de

la información para colaborar en el desarrollo de la infraestructura. Las técnicas de
aprendizaje de máquina las capacitan para que realicen tareas que son pensadas típicas del
ámbito de la inteligencia humana. Encontrando lugar para colaborar de este modo la disciplina
de inteligencia artificial con cualquier sector, y en cualquier aplicación que requiera de
automatización y control retroalimentado por medio de sistemas basados en computadores
electrónicos que se pueden comportar como los humanos con la capacidad de aprender y de
tomar decisiones. En aplicaciones de visión artificial que solo requieren capturar ciertas
características de interés, para extraer patrones y tendencias importantes de los datos, al
alimentar un sistema de inteligencia artificial a fin de que aprenda y pueda tomar decisiones
es conveniente utilizar sistemas de barrido óptico para disminuir altos costos de almacenaje
de información y de procesamiento de datos. En la presente aplicación se comprobó que
corrección de errores en instrumentos de medición puede ser abordada a través de la
aplicación de algoritmos de inteligencia artificial aun cuando el error de medición no presente
un comportamiento lineal, ya sea por errores debido al sistema o debido al entorno en el que
se encuentre o cualquier factor (interno y/o externo) que pudiera afectar las mediciones.
 VIII CONGRESO INTERNATIONAL DE INGENIERIA INDUSTRIAL. ARGOS 2015
Tijuana, Baja California, 19 al 21 de Octubre 2015.

Referencias

[1] Rodriguez-Quinonez, Julio C., et al. "Surface recognition improvement in 3D medical laser
scanner using Levenberg–Marquardt method." Signal Processing93.2 (2013): 378-386.
[2] Lynch, Jerome P., and Kenneth J. Loh. "A summary review of wireless sensors and sensor
networks for structural health monitoring." Shock and Vibration Digest 38.2 (2006): 91-130.
[3] Sergiyenko, O. Yu. "Optoelectronic system for mobile robot navigation."Optoelectronics,
Instrumentation and Data Processing 46.5 (2010): 414-428.
[4] Flores-Fuentes, Wendy, et al. "Combined application of power spectrum centroid and
support vector machines for measurement improvement in optical scanning systems." Signal
Processing 98 (2014): 37-51.
[5] Flores-Fuentes, Wendy, et al. "Energy Center Detection in Light Scanning Sensors for
Structural Health Monitoring Accuracy Enhancement." Sensors Journal, IEEE 14.7 (2014):
2355-2361.
[6] Y. Kameyama, S. Kato, and H. Masuko, “Rotary mirror scanner,” Apr. 11975, uS Patent
3,874,778. [Online].Available:http://www.google.com.mx/patents/US3874778
[7] Allan B. Colquhoun, Donald W. Cowan, and Joseph Shepherd, “Trade-offs in rotary mirror
scanner design”, Proc. SPIE 1454, Beam Deflection and Scanning Technologies, 12 (February
1, 1991); doi:10.1117/12.28053; http://dx.doi.org/10.1117/12.28053
[8] Fuentes, W. Flores, et al. "Comparison of signal peak detection algorithms in the search of
the signal energy center for measuring with optical scanning."Proceedings of the IEEE
Seccion Mexico, IEEE ROC and (2011).
[9] J. Gascón-Moreno, E. Ortiz-Garc´ıa, S. Salcedo-Sanz, A. Paniagua-Tineo, B. Saavedra-
Moreno, and J. Portilla-Figueras, “Multi-parametric gaussian kernel function optimization for "-
svmr using a genetic algorithm,” Advances in Computational Intelligence, pp. 113–120, 2011.
[10] Choi, Jin Kyu, Sang Hyun Park, Deuk Jae Cho, and Ki Yeol Seo. "Correction error
generation algorithm for differential positioning performance analysis of navigation equipment."
In Control, Automation and Systems, 2008. ICCAS 2008. International Conference on, pp.
1099-1103. IEEE, 2008.
[11 Rodríguez-Quiñonez, J., et al. "Improve 3D laser scanner measurements accuracy using a
FFBP neural network with Widrow-Hoff weight/bias learning function." Opto-Electronics
Review 22.4 (2014): 224-235.
[12] Flores-Fuentes, Wendy, et al. "Machine vision supported by artificial
intelligence." Industrial Electronics (ISIE), 2014 IEEE 23rd International Symposium on. IEEE,
2014.
[13] Rivas-Lopez, Moises, et al. "Scanning for light detection and Energy Centre Localization
Methods assesment in vision systems for SHM."Industrial Electronics (ISIE), 2014 IEEE 23rd
International Symposium on. IEEE, 2014.
[14] Básaca-Preciado, Luis C., et al. "Optical 3D laser measurement system for navigation of
autonomous mobile robot."Optics and Lasers in Engineering 54 (2014): 159-169
 VIII CONGRESO INTERNATIONAL DE INGENIERIA INDUSTRIAL. ARGOS 2015
Tijuana, Baja California, 19 al 21 de Octubre 2015.

Agradecimientos
Queremos agradecer el apoyo del Consejo Nacional de Ciencia y Tecnología, como la
facultad y el instituto de ingeniería UABC Mexicali.

Correspondencia
Wendy Flores-Fuentes
Universidad Autónoma de Baja California, Facultad de Ingeniería Campus Mexicali, Boulevard
Benito Juárez s/n Col. Ex – ejido Coahuila C.P. 21900, Mexicali, Baja California, México. Tel.
(686) 566-4270, Fax (686) 566-4270. E-Mail: flores.wendy@uabc.edu.mx

Lars Lindner
Universidad Autónoma de Baja California, Facultad de Ingeniería Campus Mexicali, Boulevard
Benito Juárez s/n Col. Ex – ejido Coahuila C.P. 21900, Mexicali, Baja California, México. Tel.
(686) 566-4270, Fax (686) 566-4270. E-Mail: lindner.lars@uabc.edu.mx