Sensórica en movimiento: Transformando el mantenimiento a través de la logística
María Manso Montes
Gestora de proyectos
NAITEC
Jorge Mota Adrados
Gestor de proyectos
NAITEC
1. RESUMEN
La logística 360 sitúa el mantenimiento como un pilar estratégico para asegurar la continuidad operativa y reforzar la competitividad de las industrias. En la actualidad, el mantenimiento industrial vive una transformación decisiva, impulsada por la conectividad, la sensorización y la digitalización. Esta combinación tecnológica hace posible anticipar fallos, optimizar la gestión de activos y reducir costes, apoyándose en datos cada vez más fiables y accesibles.
El objetivo de este trabajo es analizar cómo la sensórica integrada en la operativa logística puede transformar el mantenimiento, completando un círculo en el que la logística reconoce al mantenimiento como elemento estratégico y, a su vez, los propios flujos logísticos se convierten en fuente de información que impulsa su mejora continua. Se presentan casos de uso que ponen de manifiesto la convergencia entre ambas disciplinas y se propone una arquitectura para su implementación en entorno industrial.
2. INTRODUCCIÓN Y CONTEXTO
Todos los sectores industriales y de infraestructuras comparten sistemáticamente una serie de problemas clásicos de mantenimiento: paradas inesperadas, fallos no detectados, costes elevados y riesgos para el personal. A estos factores se suman otros retos más recientes vinculados a la gestión digital, como la interoperabilidad entre sistemas, la trazabilidad de la información, la integración con las plataformas empresariales y la dificultad de escalar soluciones a toda la organización.
Frente a este escenario, ha cobrado relevancia el mantenimiento apoyado en la digitalización, el análisis de datos y en modelos de aprendizaje automático. Su eficacia depende ante todo de la calidad de las fuentes de datos y de las variables de salida. Estas variables determinan si un modelo puede detectar patrones tempranos o si, por el contrario, queda limitado a reaccionar cuando el fallo ya es inminente.
La recogida manual de datos mediante recorridos del personal técnico introduce importantes limitaciones. Por un lado, depende del criterio de la persona y de las condiciones del momento, lo que puede dejar sin revisar zonas críticas. Por otro, el registro manual suele generar lagunas, errores u omisiones de información, además de dificultar la integración con sistemas centralizados de gestión del mantenimiento. Estas carencias afectan a la calidad e interoperabilidad de los datos y limitan su aprovechamiento, lo que refuerza la necesidad de recurrir a soluciones sensorizadas.
Los sensores fijos instalados en puntos críticos de activos (motores, rodamientos, juntas, intercambiadores de calor, etc.) o de la infraestructura (elementos estructurales, sistemas de refrigeración, elementos de seguridad, etc.) permiten superar parte de estas limitaciones y generar información esencial de manera fiable y sistemática. Estos dispositivos registran imágenes, valores numéricos y series temporales de parámetros físicos que sirven como base para diversas capas de análisis: modelos de predicción basados en machine learning, analítica avanzada para identificar tendencias operativas, fusión de datos de sensores y aplicaciones de visión para la detección de anomalías.
Sin embargo, en entornos industriales muy dinámicos, los sensores fijos presentan limitaciones que, en el corto y medio plazo, se traducen en problemas recurrentes:
- Cobertura incompleta en zonas críticas e inaccesibles, como áreas elevadas, subterráneas, espacios confinados o de riesgo.
- Complejidad de instalación y mantenimiento, que abarca acceso, cableado, protección mecánica, alimentación eléctrica, calibración y recambios.
- Inflexibilidad ante variaciones operativas o de proceso, por ejemplo, en la reconfiguración de células de producción, cambios en la disposición de máquinas o incorporación de nuevos equipos.
- Capacidad limitada de detección de condiciones dinámicas, como vibraciones transitorias, picos de temperatura, fugas localizadas o defectos en puntos no identificados previamente y, por tanto, fuera del alcance de un sensor fijo.
- Alta densidad de sensores requerida para lograr cobertura completa, lo que eleva considerablemente los costes.
Todo ello genera vacíos de datos, lo que pone de relieve la necesidad de explorar alternativas adicionales. En este marco, las arquitecturas de sensórica móvil surgen como un complemento natural a las redes fijas y ofrecen beneficios que permiten superar estas limitaciones.
3. ESTADO DEL ARTE DE LA SENSÓRICA MÓVIL EN MANTENIMIENTO
En la actualidad, buena parte de las organizaciones industriales evolucionan hacia estrategias de Total Productive Maintenance (TPM), cuyo objetivo es maximizar la eficiencia global de los equipos con la implicación de toda la organización. Este concepto se representa habitualmente mediante la denominada pirámide del mantenimiento (Figura1), que ilustra una progresión de niveles básicos hasta estrategias avanzadas.
Figura 1. Pirámide de madurez en mantenimiento.
Para alcanzar la cima de la pirámide, representada por el TPM, resulta necesario avanzar primero por peldaños intermedios como el mantenimiento basado en la condición, o el mantenimiento predictivo, ambos dependientes de datos en tiempo real.
En este recorrido, la sensórica móvil se perfila como un elemento imprescindible para la recogida de datos, entendiendo como tal, el uso de sensores y sistemas de medición integrados en plataformas móviles que acercan los instrumentos de análisis a las zonas que lo requieren en cada momento. A continuación, se presentan las plataformas más novedosas y algunos modelos de negocio emergentes asociados. En la Figura 2, se muestran imágenes de las plataformas citadas más adelante.
Robot cuadrúpedo equipado con sensórica
Dron con sensórica y jaula de protección
Robot autónomo con sensor LiDAR incorporado
Figura 2. Nuevas plataformas para mantenimiento industrial
3.1. Cuadrúpedos
Entre las soluciones más avanzadas de sensórica móvil aplicada al mantenimiento destacan los robots cuadrúpedos [2], que son ejemplos representativos utilizados en entornos industriales para realizar rondas de inspección autónomas, equipados con cámaras, sensores térmicos, LiDAR o micrófonos direccionales. Estos sistemas permiten recolectar datos en zonas de difícil acceso y mejorar la seguridad de los operarios. Estos desarrollos están siendo ya aplicados en sectores como la automoción o la energía, donde se han realizado pruebas piloto que confirman su utilidad para tareas de inspección prolongada y en condiciones exigentes.
En el ámbito de la I+D, destacan proyectos europeos [3], que exploran el uso de robots de suelo y escaladores para inspección autónoma en plantas solares termoeléctricas y en infraestructuras industriales complejas.
Un estudio más reciente de [1] analiza el empleo de robots móviles autónomos en tareas de inspección en minas subterráneas profundas. La investigación examina tanto su eficacia operativa como los principales retos técnicos, entre ellos la ausencia de GNSS (Sistema Global de Navegación por Satélite), la complejidad del terreno y las condiciones adversas de seguridad.
3.2. Drones
Los vehículos aéreos no tripulados (UAV o drones) se han convertido en una herramienta estratégica en el mantenimiento industrial, tanto para interior como para exterior, especialmente para inspecciones en espacios confinados, techos altos, tanques, estructuras verticales, grandes infraestructuras y entornos peligrosos donde el acceso humano resulta inviable o arriesgado.
Estos drones destacan por su capacidad de integrar cargas de pago equipadas con sensórica avanzada, lo que permite adaptar la misión a diferentes necesidades de mantenimiento. Entre los equipos más habituales se incluyen cámaras de alta resolución, sensores térmicos, LiDAR 3D, detectores de gases y sistemas acústicos, que ofrecen una gran versatilidad para la recogida de diferentes tipos de datos.
Entre los modelos más representativos destacan los que incorporan LiDAR 3D, sensores de humedad, temperatura y gas, junto con iluminación propia. Este tipo de vehículos tienen capacidad de navegar y realizar rutas de forma autónoma. Son especialmente adecuados para inspecciones en entornos sin GNSS o con geometrías interiores complejas, aportando datos muy precisos para el mantenimiento predictivo.
3.3. Modelos de negocio Robot as a Service (RaaS)
El modelo RaaS se perfila como una alternativa emergente frente a la compra directa de robots, aportando un cambio relevante en la manera de implantar sensórica móvil y robótica en mantenimiento. Su lógica es similar a la de otros modelos “as a Service”: las empresas no adquieren el activo, sino que contratan su uso como servicio, pagando cuotas o suscripciones.
Entre las ventajas más destacadas se encuentra la reducción de la inversión inicial y la transferencia de parte del riesgo operativo al proveedor. Además, el servicio suele incluir no sólo los equipos, sino también la infraestructura de software, la sensórica integrada, el soporte técnico, las actualizaciones de firmware y la integración de datos con los sistemas de gestión de activos.
El RaaS ofrece también escalabilidad, ya que permite desplegar flotas modulares de robots y añadir capacidades a medida que evolucionan las necesidades de la planta. Otro aspecto diferencial es la mejora continua: los proveedores pueden introducir nuevas funcionalidades en software o sensórica sin que el cliente deba sustituir o readaptar toda la infraestructura existente.
Diversos artículos [5] identifican el RaaS como un modelo emergente con alto potencial para empresas que buscan beneficiarse de la robotización sin asumir todos los costes técnicos, operativos y de integración. Analizan cómo este modelo de suscripción facilita el acceso a tecnologías robóticas avanzadas y refuerzan la idea de que la sensórica móvil no solo se implanta como tecnología, sino que abre la puerta a nuevas formas de negocio en torno al mantenimiento industrial.
4. LOGÍSTICA ORIENTADA AL MANTENIMIENTO
La logística en entornos industriales se ocupa de los desplazamientos de materiales, componentes y productos a lo largo de las instalaciones, asegurando el flujo entre líneas de producción, almacenes y áreas de expedición. Para ello se emplean con frecuencia carretillas industriales, transpaletas y trenes logísticos que recorren de manera constante las plantas, así como vehículos más avanzados como los AGV, que circulan por rutas guiadas, o los AMR, capaces de desplazarse de forma autónoma. Este tráfico continuo y regular ofrece una oportunidad para integrar sensórica en los vehículos y aprovecharlos como plataformas móviles para la recogida de datos de mantenimiento, sin necesidad de adquirir robots de inspección especializados ni contratar servicios RaaS.
Los diferentes vehículos pueden equiparse con cámaras de alta resolución, sensores térmicos, LiDAR o detectores de fugas de gas y vibración, y así generar información valiosa sobre el estado de equipos e infraestructuras sin necesidad de asignar recursos específicos.
Si bien los datos recogidos se pueden integrar en los sistemas de información existentes, la incorporación de algoritmos de analítica avanzada y aprendizaje automático en los propios dispositivos del vehículo permite procesar la información directamente en el borde y obtener resultados en tiempo real, sin necesidad de recurrir siempre a sistemas de gestión centralizados. Así, los sensores pasan de ser simples captadores de datos a convertirse en elementos activos del mantenimiento, capaces de emitir alertas inmediatas, relacionar diferentes lecturas y facilitar decisiones que eviten la aparición de fallos.
Este enfoque abre una alternativa intermedia para aquellas empresas que no pueden asumir la inversión en infraestructuras de conectividad, pero desean igualmente beneficiarse de estrategias de mantenimiento basadas en datos.
Si bien el uso extensivo aún es emergente y con pocos ejemplos documentados en literatura científica, algunos casos divulgados muestran el potencial de aprovechar activos móviles existentes para extender la cobertura de la sensórica en mantenimiento. Es, por tanto, una plataforma intermedia con un gran potencial de optimización y bajo coste relativo, que puede acelerar la digitalización del mantenimiento industrial.
En este sentido, las carretillas destacan por su sencillez y su disponibilidad en prácticamente todas las plantas industriales, mientras que los trenes logísticos aportan la ventaja de recorrer rutas fijas y repetitivas para abastecer líneas de producción. Ambos resultan especialmente adecuados para aprovecharlos como soportes de sensórica móvil con un esfuerzo mínimo.
En plantas de automoción, por ejemplo, se han instrumentado carretillas con sensores ambientales para monitorizar fugas y con cámaras térmicas capaces de identificar zonas con temperaturas anómalas, todo ello mientras realiza su labor habitual de distribución de componentes. En la industria alimentaria, por otro lado, se han probado sistemas de LiDAR montados en vehículos de logística convencionales que, además de detectar obstáculos, permiten mapear irregularidades en suelos y estructuras que pueden afectar tanto a la seguridad como al mantenimiento.
Un ejemplo ilustrativo (ver Figura 3) procede de una gran instalación productiva que buscaba optimizar la eficiencia del flujo logístico de sus carretillas de abastecimiento de materiales. En un primer momento, estas carretillas se equiparon con antenas de Ultra Wideband (UWB) con el fin de localizar con precisión su posición dentro de la fábrica y disponer de datos de su ubicación en tiempo real. Más adelante se identificó una aplicación adicional orientada al mantenimiento: cuando el operario detecta visualmente una anomalía durante su recorrido, puede activar una incidencia en el sistema, y el sistema de localización asocia automáticamente el punto donde se observa el problema. Así, las carretillas no solo cumplen su función logística, sino que también se convierten en aliadas del mantenimiento agilizando la respuesta correctiva.
Figura 3. Carretillas logísticas equipadas con antenas UWB.
Otro caso procede de una empresa internacional dedicada a la logística y el transporte, que decidió incorporar sensores LiDAR en sus carretillas con el fin de medir automáticamente el volumen de las cajas y asignar de forma más ágil su ubicación dentro del sistema de estanterías. Con el tiempo se detectó un beneficio adicional relacionado con el mantenimiento: los mismos sensores permiten generar un mapeo dinámico de la instalación, identificando obstáculos u objetos fuera de lugar. De este modo, las carretillas pasaron de optimizar únicamente la operativa logística a convertirse también en una herramienta de apoyo para la detección temprana de incidencias en planta.
Otros elementos de transporte son los AGV y los AMR, que están ya equipados con sensórica orientada a la navegación guiada o a la navegación autónoma, como sensores láser o sensores LiDAR, pero también se pueden complementar con cámaras, sensores de temperatura, de ultrasonidos que les permiten identificar fugas, temperaturas elevadas o verificar lecturas de instrumentos mientras se desplazan [4].
Estos vehículos suelen estar ya integrados en los ecosistemas IoT y con las plataformas de software de gestión, lo que facilitan la integración de la nueva información recogida por los sensores adicionales.
5. ARQUITECTURA DE SENSÓRICA EN MOVIMIENTO
La implementación de estas nuevas aplicaciones orientadas a la optimización de los procesos de mantenimiento en la industria requiere de dotar de nuevas capacidades a los medios productivos existentes o a los nuevos medios a integrar. Estas capacidades requieren de un diseño hardware y software. En la Figura 4, se muestra la arquitectura propuesta para la implementación del concepto de “sensórica en movimiento” capaz de dar solución a los retos actuales del mantenimiento industrial.
Figura 4. Diagrama de arquitectura propuesta
Dicha arquitectura pretende cubrir un amplio catálogo de casos de uso a los que puede enfrentarse: tipo de industria, nivel de digitalización y de automatización del proceso productivo y medio en el que se integra (operario, vehículo operado, robot autónomo).
La arquitectura propuesta sigue una estructura de Percepción-Procesamiento-Actuación-Comunicaciones típica de los vehículos autónomos. En la capa física, los dispositivos existentes se pueden dividir en sensores y actuadores. Por un lado, los sensores proporcionan, al sistema en el que se integra la arquitectura propuesta, datos de su entorno a través de la medición de variables físicas.
La selección de la sensórica puede tener dos objetivos principales: percepción del entorno para los propósitos específicos del mantenimiento y, en el caso de vehículos autónomos, percepción para la navegación del vehículo.
Para la inspección visual del entorno o de elementos específicos del proceso productivo, el abanico de sensores comerciales disponibles es muy amplio, pero las cámaras RGB es una clara opción que integrar, debido a la riqueza de información que proporcionan del entorno con un coste asequible. Además, existen en el mercado cámaras con otras capacidades que pueden ser de interés, como cámaras de muy alta velocidad de captura y cámaras de eventos. Otro punto a tener en cuenta es el uso de lentes, filtros e iluminación especiales para elevar el nivel de detección tanto a en longitudes de onda del campo visual humano como para otras longitudes de onda. Un ejemplo de esto último es el uso de filtros especiales para la detección de humedad en las instalaciones. Siguiendo con sensores de tipo electro-óptico, cabe destacar las cámaras de imagen térmica que permiten la detección de puntos calientes, como motores, paneles eléctricos, paredes, juntas, etc.
Otra gran familia de sensores para el mantenimiento son los sensores de tipo acústico, que permiten detectar patrones de fallo en maquinaria, fugas de gases y líquidos, y cavitaciones a partir del ruido acústico registrado. Mediante sensores de vibración (acelerómetros) se pueden detectar vibraciones en un amplio rango de frecuencia y amplitud, por ejemplo, en engranajes y ejes rotatorios. Por último, los sensores de monitorización de calidad del aire son clave en aquellos procesos en los que puede haber un riesgo de fuga de gases que pueden poner en peligro a los operarios y/o provocar un riesgo de incendio o explosión.
Respecto a los sensores para la navegación autónoma del vehículo la lista tampoco es corta. Para el posicionamiento del sistema en el mundo, para aplicaciones en exteriores o en las que se puede mezclar interior y exterior, se destacan los sistemas GNSS de precisión, conocidos como GPS RTK o diferencial, que permiten tener una posición GPS con una precisión del orden de los pocos centímetros. Otros sistemas de localización empleados en la industria como UWB (Ultra Wide band) son adecuados en caso de que se pueda balizar el entorno de uso del vehículo.
Para el mapeo del entorno y navegación en el mapa realizado, presentan unas muy buenas características tanto las cámaras RGB como otros sensores ópticos como LiDAR. Estos sensores junto permiten al vehículo mapear el entorno y localizarse en él. De forma adicional, estos sensores permiten la detección y clasificación de objetos del entorno que pueden ser un obstáculo para el desplazamiento del vehículo. Como complemento a la navegación se requiere de sensores tipo IMU (Unidad de Medición Inercial) y opcionalmente encoders y odometría óptica.
En cuanto a los actuadores, a parte de los propios del vehículo/ robot de los sistemas de tracción y freno, puede ser necesaria la integración de actuadores para la realización de la tarea de mantenimiento, principalmente para la medición de alguna variable del entorno o del proceso. Puede ser desde elemento muy sencillo como un cilindro neumático para realizar una medida con contacto o un sistema más complejo como un brazo robótico a bordo del vehículo para la manipulación y medida de algún elemento.
Todos estos elementos requieren de una capa software de drivers que permiten integrar la señal eléctrica de salida de los sensores y transformarlo en datos. Es una “capa invisible” para el desarrollador de la aplicación, pero es de vital importancia. En función del nivel de complejidad del sensor (transductor, módulo, sensor) el driver asociado a cada sensor puede ser más o menos complejo. Como última capa en el ámbito de la percepción es el filtrado de los datos enviados por los sensores. Esta capa presenta un nivel de procesamiento básico para eliminar el efecto negativo del ruido eléctrico en la señal, datos espurios, falta de datos, etc.
En el nivel de procesamiento, la arquitectura requiere un sistema operativo. Se propone utilizar un Linux con el framework ROS o ROS2 el cual proporciona una serie de herramientas que permite al desarrollador abstraerse del hardware y realizar diseños eficientes y modulares. El procesamiento directamente relacionado con la inspección y el mantenimiento puede requerir de módulos de inteligencia artificial embarcados (Edge AI) para la ejecutar módulos de inferencia para la detección visual (detección de anomalías usando imagen RGB y/o imagen térmica, clasificación de piezas, identificación de patrones), análisis de vibración (FFT/ML), y fusión multisensor. De forma adicional, se necesita un procesamiento en tiempo real de alarmas críticas (puntos calientes, fuga de gas, fallo de rodamiento) para respuesta inmediata. Por último, para su envío a sistemas externos, se implementa un post-procesado y/o comprensión de datos.
La localización y navegación del vehículo autónomo (en caso de que se requiera en la aplicación) requiere de un procesamiento complejo. En primer lugar, los algoritmos de navegación (algoritmos SLAM) combinan los datos de la cámara o LiDAR con el sensor inercial para realizar un mapa del entorno (map matching) en primera instancia para posteriormente localizarse en él (SLAM). En cuanto a la navegación del vehículo en el mapa generado los algoritmos llamados de path-planning definen la mejor ruta a seguir por el vehículo para llegar a su destino. Además, la detección de objetos en el entorno del vehículo deber realizarse con el objetivo de evitar colisiones (algoritmos “detect and avoid”). Por último, se hacen necesarios algoritmos para realizar el lazo de control de los actuadores físicos del propio vehículo.
Para implementar al procesamiento que en cada caso sea requerido, se necesita un hardware dedicado. En caso de que el caso de uso se implemente en un vehículo autónomo los requisitos de este hardware van a ser elevados con electrónicas con GPU ya que la cantidad de bytes de información a tratar por segundo es elevada, tanto a nivel de sensorización (LiDAR, cámara RGB) como de algoritmos de navegación. Además, en caso de necesitar la ejecución de algoritmos de IA u otros para la percepción del entorno, por ejemplo, de una red neuronal de clasificación de objetos, los requisitos hardware podrán ser de nivel medio-alto como para la inferencia de modelos en tiempo real.
Como consecuencia del procesamiento realizado, se realizará la actuación sobre los distintos dispositivos físicos del sistema. Por una parte, están los actuadores del propio vehículo para el control de la tracción y el freno. Por otra parte, puede haber otro tipo de dispositivos físicos para la realización de ciertas medidas o inspecciones, por ejemplo, AMR con brazos robóticos a bordo para la manipulación de piezas.
En último lugar está la capa de comunicaciones. Se implementan generalmente interfaces radio inalámbricas como: Wi‑Fi 6 / 6E: para alto throughput en interior (video, telemetría) ó 5G (privada o local): para baja latencia muy útil para streaming de vídeo en alta resolución o control remoto en tiempo real. Otros protocolos de interés son LoRa o Sigfox: para telemetría de baja tasa de datos. Las funciones que se le otorgan a estas comunicaciones en esta arquitectura de “sensórica en movimiento” son dos. La más importante es la comunicación al CMMS/ EAM de eventos críticos, anomalías, adjuntar evidencias para la generación automática de órdenes de trabajo con prioridad de acuerdo con unas reglas preestablecidas. Además, se podrán enviar informes para el registro de historiales y análisis de tendencias. La segunda función es la obtención de información de la infraestructura a modo de un sensor adicional. Por ejemplo, mediante comunicaciones con el software de producción puede saber si una electroválvula está abierta o cerrada, si cierta máquina está en funcionamiento, etc.
6. CONCLUSIONES Y FUTUROS PASOS
La integración de tecnologías existentes y su aplicación en labores de mantenimiento está permitiendo a la industria evolucionar hacia estrategias de Total Productive Maintenance (TPM), maximizando la eficiencia global de los equipos con la implicación de toda la organización y de todos los procesos. El uso de sensórica avanzada, ya sea sobre plataformas específicas, o en medios destinados a la logística interna del proceso productivo, permite el desarrollo del concepto de “sensórica en movimiento” y conecta directamente con el planteamiento inicial: vincular el mantenimiento y la logística 360.
Una línea de trabajo de gran impacto es el desarrollo de gemelos digitales operativos mantenidos por la propia flota de vehículos. Este concepto supone un paso más allá después de la sensorización y de la generación de modelos de predicción, ya que el gemelo digital permite incluir capacidades de predicción más precisas, priorización dinámica de órdenes de trabajo y simulación de escenarios de fallo para reducir riesgos y optimizar recursos.
Mirando más allá, cabe anticipar tendencias disruptivas, como el uso de enjambres de micro-robots que actúen como una red sensorial distribuida en movimiento, o la implantación de plataformas autónomas capaces de negociar entre sí la priorización de órdenes de mantenimiento. Aunque hoy parecen futuristas, este tipo de innovaciones podrían acelerar todavía más la convergencia entre logística y mantenimiento en los próximos años.
7. REFERENCIAS BIBLIOGRÁFICAS
- Konieczna-Fuławka M, Koval A, Nikolakopoulos G, Fumagalli M, Santas Moreu L, Vigara-Puche V, Müller J, Prenner M. Autonomous mobile inspection robots in deep underground mining—The current state of the art and future perspectives. Sensors (Basel). 2025;25(12):3598. doi:10.3390/s25123598
- Lee, J.; Kim, J.; Ames, A. D. Safety-critical autonomous inspection of distillation columns using quadrupedal robots equipped with roller arms. arXiv e-prints, abril 2024, arXiv:2404.10938. doi.org/10.48550/arXiv.2404.10938
- Maurtua, I.; Susperregi, L.; Fernández, A.; Tubío, C.; Perez, C.; Rodríguez, J.; Felsch, T.; Ghrissi, M. Mainbot – Mobile robots for inspection and maintenance in extensive industrial plants. Energy Procedia, 2014, 49, 1810-1819. ISSN 1876-6102. https://doi.org/10.1016/j.egypro.2014.03.192
- Sanchez-Cubillo, J.; Del Ser, J.; Martin, J. L. Toward fully automated inspection of critical assets supported by autonomous mobile robots, vision sensors, and artificial intelligence. Sensors, 2024, 24(12), 3721. ISSN 1424-3210.
- Singh, H. Robotics as a service (RaaS): Transforming automation through subscription-based models. World Journal of Advanced Engineering Technology and Sciences, 2024, 13(2). https://www.researchgate.net/publication/391133606_Robotics_as_a_Service_Raa S_Transforming_Automation_through_Subscription-based_Models
- SME. Uses of robotics in maintenance management. SME Media, 22 de enero de 2022. https://www.sme.org/technologies/articles/2022/january/uses-of-robotics-in-maintenance-management/
