Failure prediction towards predictive maintenance using machine learning

Juan Carlos González Islas; Santiago Olguin-Sanchez; Ernesto Bolaños-Rodriguez; Aldo Márquez-Grajales; Asdrúbal López-Chau

Autores/as

Juan Carlos González Islas Universidad Autónoma del Estado de Hidalgo https://orcid.org/0000-0002-2190-0660
Santiago Olguin-Sanchez Universidad Autónoma del Estado de Hidalgo https://orcid.org/0009-0005-4121-9580
Ernesto Bolaños-Rodriguez Universidad Autónoma del Estado de Hidalgo https://orcid.org/0000-0002-1432-7720
Aldo Márquez-Grajales Universidad Autónoma del Estado de Hidalgo https://orcid.org/0000-0001-9567-2069
Asdrúbal López-Chau Universidad Autónoma del Estado de Hidalgo https://orcid.org/0000-0001-5254-0939

Palabras clave:

Aprendizaje automatico, predicción de fallas, mantenimiento predictivo

Resumen

Los sistemas de mantenimiento predictivo basados en aprendizaje autom´atico han demostrado su fiabilidad, eficiencia operativa
y utilidad para la toma de decisiones informadas. En este trabajo, se evalua el rendimiento de varios algoritmos de aprendizaje
autom´atico supervisado para predecir fallos en maquinaria industrial, utilizando datos de sensores. Se aplican dos enfoques de
an´alisis: uno sin selecci´on de caracter´ısticas y otro utilizando el m´etodo de An´alisis de Componentes de Vecindario (NCA) para
reducir la dimensionalidad y resaltar las variables m´as relevantes para la clasificaci´on. Los resultados principales muestran que elmodelo de An´alisis Discriminante (DA) logr´o el mejor rendimiento general, con m´etricas de precisi´on (P), exactitud (ASS) y sensibilidad (R) superiores en ambos enfoques. La selecci´on de caracter´ısticas utilizando NCA mejora la eficiencia de varios modelos, especialmente KNN y el Clasificador Lineal, reduciendo la complejidad sin comprometer la precisi´on. Este trabajo demuestra el potencial de los modelos de aprendizaje autom´atico para la implementaci´on en entornos industriales de mantenimiento predictivo.

Descargas

Los datos de descargas todavía no están disponibles.

Información de Publicación

Este artículo

Otros artículos

Revisores por pares

Revisores: 3

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

88%

33%

Días hasta la publicación

250

145

Indexado en

GS

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

Citas

Abidi, M. H., Mohammed, M. K., & Alkhalefah, H. (2022). Predictive maintenance planning for industry 4.0 using machine learning for sustainable manufacturing. Sustainability, 14(6), 3387.

Belim, M., Meireles, T., Gonçalves, G., & Pinto, R. (2024). Forecasting models analysis for predictive maintenance. Frontiers in Manufacturing Technology, 4, 1475078.

Breiman, L., Friedman, J., Olshen, R. A., & Stone, C. J. (2017). Classification and regression trees. Routledge.

Çınar, Z. M., Abdussalam Nuhu, A., Zeeshan, Q., Korhan, O., Asmael, M., & Safaei, B. (2020). Machine learning in predictive maintenance towards sustainable smart manufacturing in industry 4.0. Sustainability, 12(19), 8211.

Dhawas, P., Ramteke, M. A., Thakur, A., Polshetwar, P. V., Salunkhe, R. V., & Bhagat, D. (2024). Big data analysis techniques: Data preprocessing techniques, data mining techniques, machine learning algorithm, visualization. En Big Data Analytics Techniques for Market Intelligence (pp. 183–208). IGI Global Scientific Publishing.

Florian, E., Sgarbossa, F., & Zennaro, I. (2021). Machine learning-based predictive maintenance: A cost-oriented model for implementation. International Journal of Production Economics, 236, 108114.

Glorot, X., & Bengio, Y. (2010). Understanding the difficulty of training deep feedforward neural networks. En Proceedings of the Thirteenth International Conference on Artificial Intelligence and Statistics (pp. 249–256). JMLR Workshop and Conference Proceedings.

Gonzalez-Islas, J. C., Dominguez-Ramirez, O. A., Castillejos-Fernandez, H., & Castro-Espinoza, F. A. (2022). Human gait analysis based on automatic recognition: A review. Pädi Boletín Científico de Ciencias Básicas e Ingenierías del ICBI, 10, 13–21.

Gonzalez-Islas, J.-C., Dominguez-Ramirez, O.-A., Lopez-Ortega, O., Paredes-Bautista, R.-D., & Diazgiron-Aguilar, D. (2021). Machine learning framework for antalgic gait recognition based on human activity. En Advances in Soft Computing: 20th Mexican International Conference on Artificial Intelligence, MICAI 2021, Proceedings, Part II (Vol. 20, pp. 228–239). Springer.

Hamaide, V., Joassin, D., Castin, L., & Glineur, F. (2022). A two-level machine learning framework for predictive maintenance: Comparison of learning formulations. arXiv preprint arXiv:2204.10083.

Hector, I., & Panjanathan, R. (2024). Predictive maintenance in industry 4.0: A survey of planning models and machine learning techniques. PeerJ Computer Science, 10, e2016.

James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An introduction to statistical learning (Vol. 112). Springer.

Kaufmann, M. (2022). Data Mining: Concepts and Technique. Morgan Kaufmann.

MathWorks, I. (2018). Mastering machine learning: A step-by-step guide with MATLAB. MathWorks Inc.

Nacchia, M., Fruggiero, F., Lambiase, A., & Bruton, K. (2021). A systematic mapping of the advancing use of machine learning techniques for predictive maintenance in the manufacturing sector. Applied Sciences, 11(6), 2546.

Ong, K. S. H., Niyato, D., & Yuen, C. (2020). Predictive maintenance for edge-based sensor networks: A deep reinforcement learning approach. En 2020 IEEE 6th World Forum on Internet of Things (WF-IoT) (pp. 1–6). IEEE.

Serradilla, O., Zugasti, E., Rodriguez, J., & Zurutuza, U. (2022). Deep learning models for predictive maintenance: A survey, comparison, challenges and prospects. Applied Intelligence, 52(10), 10934–10964.

Tadjer, A., Bratvold, R. B., Hong, A., & Hanea, R. (2021). Application of machine learning to assess the value of information in polymer flooding. Petroleum Research, 6(4), 309–320.

The MathWorks, Inc. (2024). Statistics and Machine Learning Toolbox (Version R2024a). MathWorks.

Tsallis, C., Papageorgas, P., Piromalis, D., & Munteanu, R. A. (2025). Application-wise review of machine learning-based predictive maintenance: Trends, challenges, and future directions. Applied Sciences, 15(9), 4898.

Umer, N. (2024). Machine failure prediction using sensor data. Kaggle. https://www.kaggle.com/datasets/umerrtx/machine-failure-prediction-using-sensor-data/data

(Accessed: 2025-05-22).

Zheng, H., Paiva, A. R., & Gurciullo, C. S. (2020). Advancing from predictive maintenance to intelligent maintenance with AI and IIoT. arXiv preprint arXiv:2009.00351.

Zhou, Z.-H. (2025). Ensemble methods: foundations and algorithms. CRC Press.

Zhou, Z.-H., & Zhou, Z.-H. (2021). Support vector machine. En Machine Learning (pp. 129–153).