Cambios

              
    

          
          
        
        

            
f
1
{
f
1
{
            
2
  "author": "L Blanco-Cocom, S Botello-Rionda, LC Ordo\u00f1ez, SI 
2
  "author": "L Blanco-Cocom, S Botello-Rionda, LC Ordo\u00f1ez, SI 
            
3
Valdez", 
3
Valdez", 
            
4
  "author_email": null, 
4
  "author_email": null, 
            
5
  "creator_user_id": "a3da3ec9-3fd4-47a4-8d04-0a90b09614e0", 
5
  "creator_user_id": "a3da3ec9-3fd4-47a4-8d04-0a90b09614e0", 
            
6
  "extras": [
6
  "extras": [
            
7
    {
7
    {
            
8
      "key": "Publicaci\u00f3n", 
8
      "key": "Publicaci\u00f3n", 
            
9
      "value": "Revista"
9
      "value": "Revista"
            
10
    }, 
10
    }, 
            
11
    {
11
    {
            
12
      "key": "Tipo", 
12
      "key": "Tipo", 
            
13
      "value": "Publicaci\u00f3n"
13
      "value": "Publicaci\u00f3n"
            
14
    }
14
    }
            
15
  ], 
15
  ], 
            
16
  "groups": [
16
  "groups": [
            
17
    {
17
    {
            
18
      "description": "Este grupo integra las publicaciones 
18
      "description": "Este grupo integra las publicaciones 
            
19
acad\u00e9micas derivadas de los proyectos de investigaci\u00f3n del 
19
acad\u00e9micas derivadas de los proyectos de investigaci\u00f3n del 
            
20
Observatorio Metropolitano CentroGeo. Incluye art\u00edculos 
20
Observatorio Metropolitano CentroGeo. Incluye art\u00edculos 
            
21
presentados en congresos nacionales e internacionales, manuscritos en 
21
presentados en congresos nacionales e internacionales, manuscritos en 
            
22
formato preprint, cap\u00edtulos de libro y trabajos publicados en 
22
formato preprint, cap\u00edtulos de libro y trabajos publicados en 
            
23
revistas cient\u00edficas especializadas. Estos materiales reflejan la 
23
revistas cient\u00edficas especializadas. Estos materiales reflejan la 
            
24
labor de investigaci\u00f3n, desarrollo metodol\u00f3gico y 
24
labor de investigaci\u00f3n, desarrollo metodol\u00f3gico y 
            
25
an\u00e1lisis territorial del observatorio, contribuyendo al avance 
25
an\u00e1lisis territorial del observatorio, contribuyendo al avance 
            
26
del conocimiento en temas urbanos, metropolitanos y geoespaciales.", 
26
del conocimiento en temas urbanos, metropolitanos y geoespaciales.", 
            
27
      "display_name": "Publicaciones", 
27
      "display_name": "Publicaciones", 
            
28
      "id": "a15a6b77-ddf5-4594-acab-7e772938a5b0", 
28
      "id": "a15a6b77-ddf5-4594-acab-7e772938a5b0", 
            
29
      "image_display_url": "", 
29
      "image_display_url": "", 
            
30
      "name": "publicaciones", 
30
      "name": "publicaciones", 
            
31
      "title": "Publicaciones"
31
      "title": "Publicaciones"
            
32
    }
32
    }
            
33
  ], 
33
  ], 
            
34
  "id": "7da8a8bb-180c-4366-b347-a66d370da189", 
34
  "id": "7da8a8bb-180c-4366-b347-a66d370da189", 
            
35
  "isopen": false, 
35
  "isopen": false, 
            
36
  "license_id": null, 
36
  "license_id": null, 
            
37
  "license_title": null, 
37
  "license_title": null, 
            
38
  "maintainer": null, 
38
  "maintainer": null, 
            
39
  "maintainer_email": null, 
39
  "maintainer_email": null, 
            
40
  "metadata_created": "2025-10-11T01:23:39.948841", 
40
  "metadata_created": "2025-10-11T01:23:39.948841", 
            
n
41
  "metadata_modified": "2025-10-11T01:23:39.948848", 
n
41
  "metadata_modified": "2025-10-11T01:23:40.585420", 
            
42
  "name": 
42
  "name": 
            
43
-pemfc-via-optimization-based-on-probabilistic-model-bu-4386c4b74814", 
43
-pemfc-via-optimization-based-on-probabilistic-model-bu-4386c4b74814", 
            
44
  "notes": "Recent developments in maintenance modelling fuelled by 
44
  "notes": "Recent developments in maintenance modelling fuelled by 
            
45
data-based approaches such as machine learning (ML), have enabled a 
45
data-based approaches such as machine learning (ML), have enabled a 
            
46
broad range of applications. In the automotive industry, ensuring the 
46
broad range of applications. In the automotive industry, ensuring the 
            
47
functional safety over the product life cycle while limiting 
47
functional safety over the product life cycle while limiting 
            
48
maintenance costs has become a major challenge. One crucial approach 
48
maintenance costs has become a major challenge. One crucial approach 
            
49
to achieve this, is predictive maintenance (PdM). Since modern 
49
to achieve this, is predictive maintenance (PdM). Since modern 
            
50
vehicles come with an enormous amount of operating data, ML is an 
50
vehicles come with an enormous amount of operating data, ML is an 
            
51
ideal candidate for PdM. While PdM and ML for automotive systems have 
51
ideal candidate for PdM. While PdM and ML for automotive systems have 
            
52
both been covered in numerous review papers, there is no current 
52
both been covered in numerous review papers, there is no current 
            
53
survey on ML-based PdM for automotive systems. The number of 
53
survey on ML-based PdM for automotive systems. The number of 
            
54
publications in this field is increasing \u2014 underlining the need 
54
publications in this field is increasing \u2014 underlining the need 
            
55
for such a survey. Consequently, we survey and categorize papers and 
55
for such a survey. Consequently, we survey and categorize papers and 
            
56
analyse them from an application and ML perspective. Following that, 
56
analyse them from an application and ML perspective. Following that, 
            
57
we identify open challenges and discuss possible research directions. 
57
we identify open challenges and discuss possible research directions. 
            
58
We conclude that (a) publicly available data would lead to a boost in 
58
We conclude that (a) publicly available data would lead to a boost in 
            
59
research activities, (b) the majority of papers rely on supervised 
59
research activities, (b) the majority of papers rely on supervised 
            
60
methods requiring labelled data, (c) combining multiple data sources 
60
methods requiring labelled data, (c) combining multiple data sources 
            
61
can improve accuracies, (d) the use of deep learning methods will 
61
can improve accuracies, (d) the use of deep learning methods will 
            
62
further increase but requires efficient and interpretable methods and 
62
further increase but requires efficient and interpretable methods and 
            
63
the availability of large amounts of (labelled) data.", 
63
the availability of large amounts of (labelled) data.", 
            
n
64
  "num_resources": 0, 
n
64
  "num_resources": 1, 
            
65
  "num_tags": 15, 
65
  "num_tags": 15, 
            
66
  "organization": {
66
  "organization": {
            
67
    "approval_status": "approved", 
67
    "approval_status": "approved", 
            
68
    "created": "2022-05-19T00:10:30.480393", 
68
    "created": "2022-05-19T00:10:30.480393", 
            
69
    "description": "Observatorio Metropolitano CentroGeo", 
69
    "description": "Observatorio Metropolitano CentroGeo", 
            
70
    "id": "b3b3a79d-748a-4464-9471-732b6c74ec53", 
70
    "id": "b3b3a79d-748a-4464-9471-732b6c74ec53", 
            
71
    "image_url": 
71
    "image_url": 
            
72
"2022-05-19-001030.456616FullColor1280x1024LogoOnly.png", 
72
"2022-05-19-001030.456616FullColor1280x1024LogoOnly.png", 
            
73
    "is_organization": true, 
73
    "is_organization": true, 
            
74
    "name": "observatorio-metropolitano-centrogeo", 
74
    "name": "observatorio-metropolitano-centrogeo", 
            
75
    "state": "active", 
75
    "state": "active", 
            
76
    "title": "Observatorio Metropolitano CentroGeo", 
76
    "title": "Observatorio Metropolitano CentroGeo", 
            
77
    "type": "organization"
77
    "type": "organization"
            
78
  }, 
78
  }, 
            
79
  "owner_org": "b3b3a79d-748a-4464-9471-732b6c74ec53", 
79
  "owner_org": "b3b3a79d-748a-4464-9471-732b6c74ec53", 
            
80
  "private": false, 
80
  "private": false, 
            
81
  "relationships_as_object": [], 
81
  "relationships_as_object": [], 
            
82
  "relationships_as_subject": [], 
82
  "relationships_as_subject": [], 
            
t
83
  "resources": [], 
t
83
  "resources": [
            
84
    {
            
85
      "cache_last_updated": null, 
            
86
      "cache_url": null, 
            
87
      "created": "2025-10-11T01:23:40.631847", 
            
88
      "datastore_active": false, 
            
89
      "description": "Recent developments in maintenance modelling 
            
90
fuelled by data-based approaches such as machine learning (ML), have 
            
91
enabled a broad range of applications. In the automotive industry, 
            
92
ensuring the functional safety over the product life cycle while 
            
93
limiting maintenance costs has become a major challenge. One crucial 
            
94
approach to achieve this, is predictive maintenance (PdM). Since 
            
95
modern vehicles come with an enormous amount of operating data, ML is 
            
96
an ideal candidate for PdM. While PdM and ML for automotive systems 
            
97
have both been covered in numerous review papers, there is no current 
            
98
survey on ML-based PdM for automotive systems. The number of 
            
99
publications in this field is increasing \u2014 underlining the need 
            
100
for such a survey. Consequently, we survey and categorize papers and 
            
101
analyse them from an application and ML perspective. Following that, 
            
102
we identify open challenges and discuss possible research directions. 
            
103
We conclude that (a) publicly available data would lead to a boost in 
            
104
research activities, (b) the majority of papers rely on supervised 
            
105
methods requiring labelled data, (c) combining multiple data sources 
            
106
can improve accuracies, (d) the use of deep learning methods will 
            
107
further increase but requires efficient and interpretable methods and 
            
108
the availability of large amounts of (labelled) data.", 
            
109
      "format": "HTML", 
            
110
      "hash": "", 
            
111
      "id": "d89900f1-e032-4aab-803f-39d387106ff0", 
            
112
      "last_modified": null, 
            
113
      "metadata_modified": "2025-10-11T01:23:40.590185", 
            
114
      "mimetype": null, 
            
115
      "mimetype_inner": null, 
            
116
      "name": "Robust parameter estimation of a PEMFC via optimization 
            
117
based on probabilistic model building", 
            
118
      "package_id": "7da8a8bb-180c-4366-b347-a66d370da189", 
            
119
      "position": 0, 
            
120
      "resource_type": null, 
            
121
      "size": null, 
            
122
      "state": "active", 
            
123
      "url": "https://doi.org/10.1016/j.matcom.2020.12.021", 
            
124
      "url_type": null
            
125
    }
            
126
  ], 
            
84
  "state": "active", 
127
  "state": "active", 
            
85
  "tags": [
128
  "tags": [
            
86
    {
129
    {
            
87
      "display_name": "artificial-intelligence", 
130
      "display_name": "artificial-intelligence", 
            
88
      "id": "47cb06d3-c2a4-42af-b633-03eea6181083", 
131
      "id": "47cb06d3-c2a4-42af-b633-03eea6181083", 
            
89
      "name": "artificial-intelligence", 
132
      "name": "artificial-intelligence", 
            
90
      "state": "active", 
133
      "state": "active", 
            
91
      "vocabulary_id": null
134
      "vocabulary_id": null
            
92
    }, 
135
    }, 
            
93
    {
136
    {
            
94
      "display_name": "automotive-industry", 
137
      "display_name": "automotive-industry", 
            
95
      "id": "4c868394-39ed-42e8-a440-d3035db82194", 
138
      "id": "4c868394-39ed-42e8-a440-d3035db82194", 
            
96
      "name": "automotive-industry", 
139
      "name": "automotive-industry", 
            
97
      "state": "active", 
140
      "state": "active", 
            
98
      "vocabulary_id": null
141
      "vocabulary_id": null
            
99
    }, 
142
    }, 
            
100
    {
143
    {
            
101
      "display_name": "categorization", 
144
      "display_name": "categorization", 
            
102
      "id": "797c5a0f-7f63-467d-bcdb-44259992b77d", 
145
      "id": "797c5a0f-7f63-467d-bcdb-44259992b77d", 
            
103
      "name": "categorization", 
146
      "name": "categorization", 
            
104
      "state": "active", 
147
      "state": "active", 
            
105
      "vocabulary_id": null
148
      "vocabulary_id": null
            
106
    }, 
149
    }, 
            
107
    {
150
    {
            
108
      "display_name": "computer-science", 
151
      "display_name": "computer-science", 
            
109
      "id": "29cae056-cd7e-43f7-be5b-b25869a3fbf2", 
152
      "id": "29cae056-cd7e-43f7-be5b-b25869a3fbf2", 
            
110
      "name": "computer-science", 
153
      "name": "computer-science", 
            
111
      "state": "active", 
154
      "state": "active", 
            
112
      "vocabulary_id": null
155
      "vocabulary_id": null
            
113
    }, 
156
    }, 
            
114
    {
157
    {
            
115
      "display_name": "engineering", 
158
      "display_name": "engineering", 
            
116
      "id": "59570448-4524-44a9-b14d-5e8fa3f096a7", 
159
      "id": "59570448-4524-44a9-b14d-5e8fa3f096a7", 
            
117
      "name": "engineering", 
160
      "name": "engineering", 
            
118
      "state": "active", 
161
      "state": "active", 
            
119
      "vocabulary_id": null
162
      "vocabulary_id": null
            
120
    }, 
163
    }, 
            
121
    {
164
    {
            
122
      "display_name": "field-mathematics", 
165
      "display_name": "field-mathematics", 
            
123
      "id": "c97c4d13-fda3-4000-8e39-c0c3f672972c", 
166
      "id": "c97c4d13-fda3-4000-8e39-c0c3f672972c", 
            
124
      "name": "field-mathematics", 
167
      "name": "field-mathematics", 
            
125
      "state": "active", 
168
      "state": "active", 
            
126
      "vocabulary_id": null
169
      "vocabulary_id": null
            
127
    }, 
170
    }, 
            
128
    {
171
    {
            
129
      "display_name": "limiting", 
172
      "display_name": "limiting", 
            
130
      "id": "1d2fc01c-3116-4d2b-9492-2e35009254a8", 
173
      "id": "1d2fc01c-3116-4d2b-9492-2e35009254a8", 
            
131
      "name": "limiting", 
174
      "name": "limiting", 
            
132
      "state": "active", 
175
      "state": "active", 
            
133
      "vocabulary_id": null
176
      "vocabulary_id": null
            
134
    }, 
177
    }, 
            
135
    {
178
    {
            
136
      "display_name": "machine-learning", 
179
      "display_name": "machine-learning", 
            
137
      "id": "99557dd8-2914-4e28-8278-7a042cfb23d0", 
180
      "id": "99557dd8-2914-4e28-8278-7a042cfb23d0", 
            
138
      "name": "machine-learning", 
181
      "name": "machine-learning", 
            
139
      "state": "active", 
182
      "state": "active", 
            
140
      "vocabulary_id": null
183
      "vocabulary_id": null
            
141
    }, 
184
    }, 
            
142
    {
185
    {
            
143
      "display_name": "manufacturing-engineering", 
186
      "display_name": "manufacturing-engineering", 
            
144
      "id": "a386dc3e-43ed-48bc-92d2-aadf29ebc845", 
187
      "id": "a386dc3e-43ed-48bc-92d2-aadf29ebc845", 
            
145
      "name": "manufacturing-engineering", 
188
      "name": "manufacturing-engineering", 
            
146
      "state": "active", 
189
      "state": "active", 
            
147
      "vocabulary_id": null
190
      "vocabulary_id": null
            
148
    }, 
191
    }, 
            
149
    {
192
    {
            
150
      "display_name": "new-product-development", 
193
      "display_name": "new-product-development", 
            
151
      "id": "1509533a-226a-4d2b-b6ff-bd508108d038", 
194
      "id": "1509533a-226a-4d2b-b6ff-bd508108d038", 
            
152
      "name": "new-product-development", 
195
      "name": "new-product-development", 
            
153
      "state": "active", 
196
      "state": "active", 
            
154
      "vocabulary_id": null
197
      "vocabulary_id": null
            
155
    }, 
198
    }, 
            
156
    {
199
    {
            
157
      "display_name": "overall-equipment-effectiveness", 
200
      "display_name": "overall-equipment-effectiveness", 
            
158
      "id": "3dffdceb-3e8f-4ade-a53b-cbf51663e25e", 
201
      "id": "3dffdceb-3e8f-4ade-a53b-cbf51663e25e", 
            
159
      "name": "overall-equipment-effectiveness", 
202
      "name": "overall-equipment-effectiveness", 
            
160
      "state": "active", 
203
      "state": "active", 
            
161
      "vocabulary_id": null
204
      "vocabulary_id": null
            
162
    }, 
205
    }, 
            
163
    {
206
    {
            
164
      "display_name": "predictive-maintenance", 
207
      "display_name": "predictive-maintenance", 
            
165
      "id": "c6382a89-505e-4de4-9159-6d0adfb50b45", 
208
      "id": "c6382a89-505e-4de4-9159-6d0adfb50b45", 
            
166
      "name": "predictive-maintenance", 
209
      "name": "predictive-maintenance", 
            
167
      "state": "active", 
210
      "state": "active", 
            
168
      "vocabulary_id": null
211
      "vocabulary_id": null
            
169
    }, 
212
    }, 
            
170
    {
213
    {
            
171
      "display_name": "product-mathematics", 
214
      "display_name": "product-mathematics", 
            
172
      "id": "e2b11b48-04c0-49ae-92db-a5624a393165", 
215
      "id": "e2b11b48-04c0-49ae-92db-a5624a393165", 
            
173
      "name": "product-mathematics", 
216
      "name": "product-mathematics", 
            
174
      "state": "active", 
217
      "state": "active", 
            
175
      "vocabulary_id": null
218
      "vocabulary_id": null
            
176
    }, 
219
    }, 
            
177
    {
220
    {
            
178
      "display_name": "risk-analysis-engineering", 
221
      "display_name": "risk-analysis-engineering", 
            
179
      "id": "e5047280-db68-44b8-a5c6-96c3d7a3e6c2", 
222
      "id": "e5047280-db68-44b8-a5c6-96c3d7a3e6c2", 
            
180
      "name": "risk-analysis-engineering", 
223
      "name": "risk-analysis-engineering", 
            
181
      "state": "active", 
224
      "state": "active", 
            
182
      "vocabulary_id": null
225
      "vocabulary_id": null
            
183
    }, 
226
    }, 
            
184
    {
227
    {
            
185
      "display_name": "systems-engineering", 
228
      "display_name": "systems-engineering", 
            
186
      "id": "cbc4f68a-714a-40db-8d81-6ad5a9548a2e", 
229
      "id": "cbc4f68a-714a-40db-8d81-6ad5a9548a2e", 
            
187
      "name": "systems-engineering", 
230
      "name": "systems-engineering", 
            
188
      "state": "active", 
231
      "state": "active", 
            
189
      "vocabulary_id": null
232
      "vocabulary_id": null
            
190
    }
233
    }
            
191
  ], 
234
  ], 
            
192
  "title": "Robust parameter estimation of a PEMFC via optimization 
235
  "title": "Robust parameter estimation of a PEMFC via optimization 
            
193
based on probabilistic model building", 
236
based on probabilistic model building", 
            
194
  "type": "dataset", 
237
  "type": "dataset", 
            
195
  "url": "https://doi.org/10.1016/j.matcom.2020.12.021", 
238
  "url": "https://doi.org/10.1016/j.matcom.2020.12.021", 
            
196
  "version": null
239
  "version": null
            
197
}
240
}