Utilización de la plataforma virtual eKasi en la docencia de la tecnología farmacéutica

[ES] Una de las aplicaciones más interesantes de las nuevas tecnologías en la docencia, es la utilización de plataformas virtuales accesibles por el alumno a través de Internet. eKASI es una plataforma informática para el apoyo a la docencia presencial desarrollada en la Universidad del Pais Vasco, que permite la gestión de los documentos y la gestión de los estudiantes de un curso, a la vez que facilita el aprendizaje del alumno. Es una herramienta de distribución gratuita y de fácil manejo. Durante el curso 2005/2006, se ha utilizado esta plataforma como apoyo a la docencia de la asignatura Tecnología Farmacéutica I de 4º curso de la Licenciatura en Farmacia de la Universidad del País Vasco. La plataforma está accesible en la dirección de Internet http://ekasi.ehu.es mediante la introducción de una clave facilitada por el administrador del sistema. En la sección correspondiente al aula virtual de la plataforma, el alumno tiene a su disposición la información y documentos relacionados con la asignatura (plan docente, presentaciones utilizadas en las clases, cuestionarios de autoevaluación, enlaces de interés a paginas web, materiales multimedia, etc.). Por otra parte, esta plataforma permite la colaboración y discusión on line de los materiales estudiados, a través del foro y del correo electrónico y posibilita al profesor tutorizar y realizar un seguimiento del progreso de los estudiantes, mediante la realización de tests y de las diferentes tareas propuestas al grupo de alumnos. La plataforma eKASI ha supuesto un instrumento de gran utilidad como apoyo a la docencia presencial tal como se deduce de los resultados de la encuesta realizada a los alumnos al finalizar el curso académico.

Virtual Sensors for On-line Wheel Wear and Part Roughness Measurement in the Grinding Process

Grinding is an advanced machining process for the manufacturing of valuable complex and accurate parts for high added value sectors such as aerospace, wind generation, etc. Due to the extremely severe conditions inside grinding machines, critical process variables such as part surface finish or grinding wheel wear cannot be easily and cheaply measured on-line. In this paper a virtual sensor for on-line monitoring of those variables is presented. The sensor is based on the modelling ability of Artificial Neural Networks (ANNs) for stochastic and non-linear processes such as grinding; the selected architecture is the Layer-Recurrent neural network. The sensor makes use of the relation between the variables to be measured and power consumption in the wheel spindle, which can be easily measured. A sensor calibration methodology is presented, and the levels of error that can be expected are discussed. Validation of the new sensor is carried out by comparing the sensor's results with actual measurements carried out in an industrial grinding machine. Results show excellent estimation performance for both wheel wear and surface roughness. In the case of wheel wear, the absolute error is within the range of microns (average value 32 mu m). In the case of surface finish, the absolute error is well below R-a 1 mu m (average value 0.32 mu m). The present approach can be easily generalized to other grinding operations.