Sistema avanzado e inteligente de adquisición de datos para el análisis del desempeño tractor–implemento agrícola mediante IoT, computación en el borde y procesamiento de señales en tiempo real
DOI:
https://doi.org/10.24054/iss.v1i6.4495Palabras clave:
agricultura de precisión, sistemas de adquisición de datos, tractores agrícolas, IoT, computación en el borde, procesamiento de señales, agricultura inteligente, ingeniería agrícolaResumen
La transformación digital de la ingeniería agrícola ha impulsado el desarrollo de sistemas inteligentes para el monitoreo y análisis del desempeño de tractores e implementos agrícolas. Este trabajo presenta el diseño y validación de un sistema avanzado de adquisición de datos basado en IoT, computación en el borde y procesamiento de señales en tiempo real para aplicaciones en agricultura de precisión. La arquitectura propuesta integra sensores inteligentes, electrónica embebida, módulos de acondicionamiento y conversión analógica–digital, comunicación inalámbrica y herramientas de análisis en tiempo real para el monitoreo de variables como torque, velocidad de rotación, fuerza de tracción, consumo de combustible y vibraciones. El sistema incorpora técnicas de preprocesamiento y filtrado digital que mejoran la precisión y confiabilidad de las mediciones bajo condiciones dinámicas de laboratorio y campo. Los resultados experimentales evidencian una solución escalable, portátil y de bajo costo, compatible con infraestructuras agrícolas basadas en Industria 4.0. Además, la plataforma facilita la generación de datos aptos para aplicaciones futuras de inteligencia artificial, mantenimiento predictivo y optimización operativa en sistemas agrícolas mecanizados sostenibles.
Referencias
Adewopo, J. B., Vázquez Arellano, M., Reiser, D., & Paraforos, D. S. (2020). Embedded systems and Internet of Things technologies for precision agriculture: A review. Computers and Electronics in Agriculture, 178, 105785. https://doi.org/10.1016/j.compag.2020.105785
Aqeel-ur-Rehman, Abbasi, A. Z., Islam, N., & Shaikh, Z. A. (2014). A review of wireless sensors and networks’ applications in agriculture. Computer Standards & Interfaces, 36(2), 263–270. https://doi.org/10.1016/j.csi.2011.03.004
Babar, A. Z., & Akan, O. B. (2024). Sustainable and precision agriculture with the Internet of Everything (IoE). arXiv. https://arxiv.org/abs/2404.06341
Bahamón, A. ., & Barrero, J. P. . (2020). ¿Regular o no regular la IA? propuesta de regulación híbrida de IA en Colombia. Revista Colombiana De Tecnologías De Avanzada (RCTA), 2(36), 27-33. https://doi.org/10.24054/rcta.v2i36.17
Bogue, R. (2020). Sensors key to advances in precision agriculture. Sensor Review, 40(1), 1–6. https://doi.org/10.1108/SR-05-2019-0117
Doria Alvarez, A. ., & Orozco Ospino, J. . (2020). Evaluación de propiedades físico-químicas y mecánicas del adobe elaborado con cal para su uso en la construcción sostenible. Revista Colombiana De Tecnologías De Avanzada (RCTA), 1(35), 89-94. https://doi.org/10.24054/rcta.v1i35.47
Gyamfi, E. K., ElSayed, Z., Kropczynski, J., Yakubu, M. A., & Elsayed, N. (2024). Agricultural 4.0 leveraging on technological solutions: Study for smart farming sector. arXiv. https://arxiv.org/abs/2401.00814
Hamouda, F., El Nahas, N., Vellidis, G., & Perry, C. (2025). Development and validation of a low-cost DAQ for the georeferencing of soil electrical conductivity data. HardwareX, 7(9), 279. https://doi.org/10.3390/hardwarex7090279
Hernández Palma, H., Novoa, D. J., & Mendoza Cásseres, D. (2023). Energía renovables y medidas de eficiencia energética aplicables a las instituciones prestadoras de salud en Colombia. Revista Colombiana De Tecnologías De Avanzada (RCTA), 1(41), 123-131. https://doi.org/10.24054/rcta.v1i41.2557
Javaid, M., Haleem, A., Singh, R. P., Suman, R., & Rab, S. (2022). Significance of machine learning in smart farming and agriculture industry 4.0. Advanced Agrochem, 1(2), 50–56. https://doi.org/10.1016/j.aac.2022.10.001
J. A. . Sánchez Duarte, M. A. . Contreras, and J. A. . Torres, “Caracterización geotécnica del subsuelo en el relleno sanitario regional ‘La Cortada’, Pamplona (Norte de Santander) a partir de datos geofísicos”, RCTA, vol. 2, no. 36, pp. 9–17, Jul. 2020, doi: 10.24054/rcta.v2i36.15.
Kamilaris, A., Kartakoullis, A., & Prenafeta-Boldú, F. X. (2017). A review on the practice of big data analysis in agriculture. Computers and Electronics in Agriculture, 143, 23–37. https://doi.org/10.1016/j.compag.2017.09.037
Kim, Y., Evans, R. G., & Iversen, W. M. (2008). Remote sensing and control of an irrigation system using a distributed wireless sensor network. IEEE Transactions on Instrumentation and Measurement, 57(7), 1379–1387. https://doi.org/10.1109/TIM.2008.917198
Liakos, K. G., Busato, P., Moshou, D., Pearson, S., & Bochtis, D. (2018). Machine learning in agriculture: A review. Sensors, 18(8), 2674. https://doi.org/10.3390/s18082674
Mejia Rodriguez, C. A., Rincon Pinzon, M. A., Palmera Quintero, L. M., & Arevalo Vergel, L. M. (2024). Aplicación de machine learning y metodología CRISP-DM para la clasificación precisa de severidad en casos de dengue. Revista Colombiana de Tecnologías de Avanzada (RCTA), 1(43), 78–85. https://doi.org/10.24054/rcta.v1i43.2822
Oncescu, T. A., Popescu, D. E., & Bungau, C. (2025). Evaluation of the dynamic behavior and vibrations of autonomous electric agricultural tractors using simulation-based methodologies. Systems, 13(8), 710. https://doi.org/10.3390/systems13080710
Paraforos, D. S., Vassiliadis, V., Kortenbruck, D., Stamkopoulos, K., Ziogas, V., Sapounas, A. A., Griepentrog, H. W., & Bochtis, D. (2017). Multi-level automation of farm management information systems. Computers and Electronics in Agriculture, 142, 504–514. https://doi.org/10.1016/j.compag.2017.11.022
Pathak, H. S., Brown, P., & Best, T. (2019). A systematic literature review of the factors affecting the precision agriculture adoption process. Precision Agriculture, 20(6), 1292–1316. https://doi.org/10.1007/s11119-019-09653-x
Pierossi, P., Martelli, R., Molari, G., & Bellentani, L. (2021). Real-time monitoring systems for agricultural machinery performance assessment. Biosystems Engineering, 203, 28–42. https://doi.org/10.1016/j.biosystemseng.2020.12.007
Rojas Puentes, M. P., Parada, C. J., & Leal Pabón, J. (2022). Estructuras desglosadas de trabajo (EDT) en la gestión de alcance de proyectos de desarrollo de software. Revista Colombiana de Tecnologias de Avanzada (RCTA), 1(39), 51–58. https://doi.org/10.24054/rcta.v1i39.1375
Sandoval Carrero, N. S., Acevedo Quintana, N. M., & Santos Jaimes, L. M. (2022). Lineamientos desde la industria 4.0 a la educación 4.0: caso tecnología IoT. Revista Colombiana De Tecnologías De Avanzada (RCTA), 1(39), 81-92. https://doi.org/10.24054/rcta.v1i39.1379
Shamshiri, R. R., Kalantari, F., Ting, K. C., Thorp, K. R., Hameed, I. A., Weltzien, C., Ahmad, D., & Shad, Z. M. (2018). Advances in greenhouse automation and controlled environment agriculture: A transition to plant factories and urban agriculture. International Journal of Agricultural and Biological Engineering, 11(1), 1–22. https://doi.org/10.25165/j.ijabe.20181101.3210
Shamshiri, R. R., Kalantari, F., Ting, K. C., Thorp, K. R., Hameed, I. A., Weltzien, C., Ahmad, D., & Shad, Z. M. (2024). Digitalization of agriculture for sustainable crop production. Frontiers in Environmental Science, 12, 1375193. https://doi.org/10.3389/fenvs.2024.1375193
Singh, A., Kumar, R., & Sharma, V. (2024). Smart vibration monitoring and alert system for agricultural tractors using IoT technologies. Journal of King Saud University – Engineering Sciences, 36(4), 230–241. https://doi.org/10.1016/j.jksues.2023.09.004
Talaviya, T., Shah, D., Patel, N., Yagnik, H., & Shah, M. (2020). Implementation of artificial intelligence in agriculture for optimisation of irrigation and application of pesticides and herbicides. Artificial Intelligence in Agriculture, 4, 58–73. https://doi.org/10.1016/j.aiia.2020.04.002
Timarán Buchely, A., & Timarán Pereira, R. (2021). Minería de datos educativa para descubrir patrones asociados al desempeño académico en competencias genéricas. Revista Colombiana De Tecnologías De Avanzada (RCTA), 2(38), 87-95. https://doi.org/10.24054/rcta.v2i38.1282
Tzounis, A., Katsoulas, N., Bartzanas, T., & Kittas, C. (2017). Internet of Things in agriculture, recent advances and future challenges. Biosystems Engineering, 164, 31–48. https://doi.org/10.1016/j.biosystemseng.2017.09.007
Vuran, M. C., Salam, A., Wong, R., & Irmak, S. (2018). Internet of underground things in precision agriculture: Architecture and technology aspects. Ad Hoc Networks, 81, 160–173. https://doi.org/10.1016/j.adhoc.2018.07.017
Wolfert, S., Ge, L., Verdouw, C., & Bogaardt, M. J. (2017). Big data in smart farming – A review. Agricultural Systems, 153, 69–80. https://doi.org/10.1016/j.agsy.2017.01.023
Zhang, C., & Kovacs, J. M. (2012). The application of small unmanned aerial systems for precision agriculture: A review. Precision Agriculture, 13(6), 693–712. https://doi.org/10.1007/s11119-012-9274-5
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2025 Luis Alejandro Madrigal Valdez, Carlos Henríquez Hernández Garnelo, Tamara Hernández Güemes, Rigoberto Estévez Valle
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
