Ingeniería de Sistemas y Telecomunicaciones · 2025
Evaluación de algoritmos de Machine Learning no supervisados para un sistema de mantenimiento predictivo a través del diseño de experimentos
Solo ficha. El repositorio marca este trabajo como «Acceso metadatos»: el PDF no es público, así que aquí no hay texto para leer. Ver la ficha en el repositorio.
Resumen
En el marco de la industria 4.0, el mantenimiento predictivo “PdM” se perfila como una estrategia clave para disminuir los costos derivados de fallas inesperadas en los equipos, aprovechando tecnologías de vanguardia que ya han mostrado resultados prometedores. Diversos estudios respaldan esta perspectiva, señalando que los altos gastos asociados al mantenimiento pueden reducirse notablemente si se adoptan métodos basados en la predicción. Al mismo tiempo, se hace evidente la necesidad de desarrollar nuevas estrategias de mantenimiento predictivo que se adapten a entornos con condiciones operativas cambiantes. En este sentido, se lleva a cabo este proyecto de experimentación con algoritmos de Machine Learning no supervisado, el cual tiene como objetivo identificar cuál de ellos ofrece el mejor desempeño para aplicarse al mantenimiento predictivo. La intención es brindar a la industria herramientas más precisas de predicción, que puedan traducirse en una reducción de los tiempos de inactividad de la maquinaria y una mayor vida útil de sus componentes. En las condiciones evaluadas, K-Means se consolidó como el mejor algoritmo de clustering e Isolation Forest como el mejor para detección de anomalías; su combinación ofreció el mejor equilibrio entre calidad de partición, separabilidad de scores y eficiencia computacional, razón por la que se propone como alternativa destacada para PdM en este entorno experimental.