Análisis comparativo entre un modelo de redes neuronales artificiales (RNA) y la metodología de superficie de respuesta (MSR) para la predicción de fallas en equipos industriales: turbinas, compresores y bombas.

Allison Vélez Velázquez; Joselito Medina Marín; Juan Carlos Seck Tuoh Mora

doi:10.29057/aactm.v12i12.15329

Autores/as

Allison Vélez Velázquez Universidad Autónoma del Estado de Hidalgo https://orcid.org/0009-0002-4741-1782
Joselito Medina Marín Universidad Autónoma del Estado de Hidalgo https://orcid.org/0000-0003-0937-8707
Juan Carlos Seck Tuoh Mora Universidad Autónoma del Estado de Hidalgo https://orcid.org/0000-0003-3678-1120

DOI:

https://doi.org/10.29057/aactm.v12i12.15329

Palabras clave:

Industria 4.0, Inteligencia artificial, Mantenimiento predictivo, Predicción de fallas, Aprendizaje automático, Red neuronal artificial, Metodología de superficie de respuesta

Resumen

Actualmente, el uso de tecnologías de la industria 4.0, como la inteligencia artificial, se ha convertido en una herramienta clave para la toma de decisiones en entornos industriales complejos, ya que permite predecir fallas con mayor exactitud, optimizar el mantenimiento predictivo y reducir paros inesperados. En este este trabajo se compara el rendimiento de dos modelos entrenados en el software MATLAB 2020®, utilizando algoritmos de aprendizaje automático para predecir fallas en equipos industriales: redes neuronales artificiales (RNA) y la metodología de superficie de respuesta (MSR). Se analizaron 7672 datos históricos obtenidos de sensores en turbinas, compresores y bombas, analizando variables como temperatura, presión, vibración, humedad, equipo y ubicación. La RNA con mayor rendimiento presenta un r²=88.81% y un RMSE de 0.0958, teniendo una precisión superior a la MSR del 41.5 %, lo que significa que se ajusta mejor a los datos en comparación al modelo de MSR con r² de 57.59% y RMSE de 0.1637.

Descargas

Los datos de descargas todavía no están disponibles.

Información de Publicación

Este artículo

Otros artículos

Revisores por pares

Revisores: 2

2.4 promedio

Perfiles de revisores N/D

Declaraciones del autor

Disponibilidad de datos

N/A

16%

Financiamiento externo

No

32% con financiadores

Intereses conflictivos

N/D

11%

Para esta revista

Otras revistas

Artículos aceptados

38%

33%

Días hasta la publicación

110

145

Indexado en

GS

Editor y comité editorial: perfiles
Sociedad académica: N/D
Editora:: Universidad Autónoma del Estado de Hidalgo

Biografía del autor/a

Allison Vélez Velázquez, Universidad Autónoma del Estado de Hidalgo

Pasante de la Licenciatura en Ingeniería Industrial por la Universidad Autónoma del Estado de Hidalgo.

Joselito Medina Marín, Universidad Autónoma del Estado de Hidalgo

Profesor investigador del Área Académica de Ingeniería y Arquitectura del Instituto de Ciencias Básicas e Ingeniería de la Universidad Autónoma del Estado de Hidalgo y miembro activo del Cuerpo Académico de Tecnologías Avanzadas en Ingeniería (CATAI).

Juan Carlos Seck Tuoh Mora, Universidad Autónoma del Estado de Hidalgo

Profesor investigador de tiempo completo en Licenciatura y Posgrado de Ingeniería Industrial, del Área Académica de Ingeniería y Arquitectura del Instituto de Ciencias Básicas e Ingeniería de la Universidad Autónoma del Estado de Hidalgo y miembro activo del Cuerpo Académico de Tecnologías Avanzadas en Ingeniería (CATAI).

Citas

Acosta, S., Ruiz, E., Prieto, J. A., Orozco, J. L., & Valdés, J. O. (2023). DIAGNÓSTICO DE FALLAS INTERMITENTES EN SISTEMAS AUTOMÁTICOS DE MANUFACTURA USANDO MACHINE LEARNING. Pistas Educativas, 1,4,11,15.

Alkharisi, M. K., & Dahish, H. A. (2025). The Application of Response Surface Methodology and Machine Learning for Predicting the Compressive Strength of Recycled Aggregate Concrete Containing Polypropylene Fibers and Supplementary Cementitious Materials. MDPI, 8.

Arcos, J. A., Lizarzaburu, A. S., Marín, B. E., & Arcos, Á. P. (2023). ¿CÓMO ES LA GESTIÓN DE MANTENIMIENTO DE UNA EMPRESA METALMECÁNICA? INGENIAR, 2,7.

Arencibia, N. T., Anías, C., & Hernández, F. (2024). Procedimiento para implementar el mantenimiento predictivo basado en la industria 4.0. Telemática, 4.

Carrera, E. A. (2024). Análisis de vibraciones como método de mantenimiento predictivo en máquinas rotativas. Uleam, 1.

Echeverría, S. V., & Nivela, M. A. (2024). Análisis exhaustivo de las tecnologías clave en la Industria 4.0. Código Científico Revista de Investigación, 18.

Falla, B. F., & Ortega, D. A. (2022). Evaluación de algoritmos de inteligencia artificial aplicados al mantenimiento predictivo. AUNAR, 1-2.

Garrido, S. G. (2003). Organización y gestión integral de mantenimiento. Madrid, España: Díaz de Santos, S. A. Recuperado el 16 de Abril de 2025

Guartazaca, J. S. (Julio de 2024). Repositorio Institucional de la Universidad Politécnica Salesiana. Recuperado el 8 de Mayo de 2025, de Predicción de fallas mediante un modelo de aprendizaje automático en motores de combustión interna: https://dspace.ups.edu.ec/handle/123456789/28661

Hernández, T. F. (2005). Planificación y gestión del mantenimiento industrial. Caracas, Venezuela: Panapo. Recuperado el 12 de Abril de 2025

Luna Pérez, M. A., Badillo Piña, I., & Vázquez Álvarez, G. (2020). Diseño de una metodología de mantenimiento predictivo para asegurar procesos de producción de la industria 4.0. South Florida Journal of Development, 1,2.

Martínez, A. M. (13 de Septiembre de 2021). Medium. Recuperado el 15 de Abril de 2025, de Predicción de fallas futuras en motores de turboventiladores por medio de LSTM: https://medium.com/saturdays-ai/predicci%C3%B3n-de-fallas-futuras-en-motores-de-turboventiladores-por-medio-de-lstm-48d44f331128

Onokwai, A. O., Olusanya, O. O., Onifade, M. K., Anyaegbuna, B. E., Onoriode, A., & Agholor, D. (2024). Comparative analysis of response surface methodology and adaptive neuro-fuzzy inference system for predictive fault detection and optimization in beverage industry. Frontiers in Mechanical Engineering, 1,7,13,19.

Palafox, D., Medina, J., Seck Tuoh Mora, J. C., Serna, M. G., & Hernández, N. (2023). Modelo de pronostico de cadena de suministro mediante redes neuronales . Padi, 5.

Pinzón, C. (2022). Modelos matemáticos aplicados al mantenimiento predictivo. CMMShere, 6-7.

Rangel, L. D. (19 de Diciembre de 2024). UNIVERSIDAD DE PIURA. Recuperado el 1 de Mayo de 2025, de Diseño de modelo basado en redes neuronales para la detección de anomalías en motorreductor de molino de secado en empresas agroindustriales: https://pirhua.udep.edu.pe/backend/api/core/bitstreams/971deda3-c630-4e40-ba6d-4825b429312e/content

Samudrala, D. N. (7 de Diciembre de 2024). Kaagle. Obtenido de Industrial Equipmen Monitoring Dataset: https://www.kaggle.com/datasets/dnkumars/industrial-equipment-monitoring-dataset/data

Serna, M. G., Tellez, A., Seck-Tuoh-Mora, J. C., Hernández, N., & Medina, J. (2024). Modeling Conidiospore Production of Trichoderma harzianum Using Artificial Neural Networks and Response Surface Methodology. MDPI, 3-9.

Toapanta, O. G., Paredes, J., Meneses, M., & Salinas, M. (2024). Validation of DOE Factorial/Taguchi/Surface Response Models of Mechanical Properties of Synthetic and Natural Fiber Reinforced Epoxy Matrix Hybrid Material. MDPI, 6. DOI: https://doi.org/10.3390/polym16142051

Vázquez, R. D. (2023). De las tic y la digitalización a la industria 4.0 y la transformación digital. CONICET, 13,14.

Villanueva, J., González, J., Blanco, A., Buenabad, H., & Carrera, E. d. (2024). Mantenimiento predictivo de motores de corriente directa empleando redes neuronales artificiales. Research in Computing Science 153(9), 2.

Villegas, L., & Pérez, R. (2023). Inteligencia Artificial para Toma de Decisiones en el Mantenimiento Predictivo a equipos Turbocompresores en la Industria Petrolera. 1eras JIP Jornadas de Investigación de Postgrado, 2, 8, 10, 11, 12, 13 y 14.

Wahid, A., Breslin, J. G., & Intizar, M. A. (2022). Prediction of Machine Failure in Industry 4.0: A Hybrid CNN-LSTM Framework. MDPI, 3,6,14, 15.

Yan, J. (4 de Octubre de 2021). Predictiva21. Obtenido de Gestión de mantenimiento orientada al pronóstico y pronóstico de maquinaria: https://predictiva21.com/gestion-mantenimiento-orientada-pronostico-maquinaria

Yandar, M. A., & Moreno, J. M. (2019). La industria 4.0 desde la perspectiva organizacional. Quito, Ecuador: Artes y Letras S.A.S.

Younes, E. H., Álvarez, J. A., & Vázquez, J. L. (2021). Estimación de la Vida Útil de la Turbina de Vapor de 110MW Utilizando Redes Neuronales Artificiales. ECORFAN®, 82, 85, 105.