Implementación de modelos de aprendizaje automático para el mantenimiento predictivo y clasificación de fallas de maquinaria industrial
DOI:
https://doi.org/10.29057/escs.v12iEspecial.15032Palabras clave:
Mantenimiento predictivo, inteligencia artificial, aprendizaje automático, Random Forest, Naive BayesResumen
El objetivo del presente trabajo fue utilizar un conjunto de datos para mostrar como implementar un modelo matemático de mantenimiento predictivo empleando técnicas de aprendizaje automático para predecir el valor de “Target” (falla o no falla) de maquinaria industrial, utilizando herramientas de aprendizaje supervisado, específicamente, Bosque Aleatorio o Random Forest y Naive Bayes, aplicados a problemas de clasificación de los datos obtenidos de la plataforma Kaggle y realizando una comparación entre ambos. El articulo incluirá el preprocesamiento de datos, entrenamiento del modelo y la medición del rendimiento del modelo. Los resultados indican que la IA puede ayudar a detección anticipada de fallas o averías y mejorar las operaciones de mantenimiento.
Descargas
Información de Publicación
Perfiles de revisores N/D
Declaraciones del autor
Indexado en
- Editor y comité editorial
- perfiles
- Sociedad académica
- N/D
Para obtener más información sobre un dato, haga clic 
PF es mantenido por el Public Knowledge Project
Citas
Achouch, M. D. (2022). On predictive maintenance in Industry 4.0: Overview, models, and challenges. Applied Sciences, 12, pág. 8081. doi:10.3390/app12168081
Ahmed, S. &. (2023). An Industry 4.0 implementation of a condition monitoring system and IoT-enabled predictive maintenance scheme for diesel generators. Alexandria Engineering Journal, 76, págs. 525-541. doi:10.1016/j.aej.2023.06.026
Chen, Y. &. (2024). Logistic-ELM: A Novel Fault Diagnosis Method for Rolling Bearings. Journal of Mechanical Engineering Science, 56(2), 145-158. Obtenido de https://doi.org/10.1177/0954406224
Darshan, K. G. (2024). Machine learning and IoT–Based predictive maintenance approach for industrial applications. Alexandria Engineering Journal, 88, págs. 298-309. doi:10.1016/j.aej.2023.11.030
Garcia, L. &. (2023). Predictive maintenance for smart industrial systems: A roadmap. Procedia Computer Science, 220, págs. 645-650. doi:DOI: 10.1016/j.procs.2023.03.082
Gupta, P. K. (2024). Improved Fault Classification for Predictive Maintenance in Industrial Applications. MDPI Sensors, 24(5), 1387. Obtenido de https://doi.org/10.3390/s24051387
Gupta, V. S. (2025). Predictive Maintenance of Armoured Vehicles using Machine Learning Approaches. Military Technology and Engineering, 12(1), 90-110. Obtenido de https://doi.org/10.1016/j.miltecheng.2024.12.001
Kumar, R. &. (2024). Paradigm shift for predictive maintenance and condition monitoring from Industry 4.0 to Industry 5.0: A systematic review, challenges and case study. Results in Engineering, 24, pág. 102935. doi:10.1016/j.rineng.2024.102935
Labañino Urbina, S. V. (2019). Algoritmo Random Forest para la detección de fallos en redes de computadoras. Serie Científica de la Universidad de las Ciencias Informáticas, 12(8), págs. 27-41.
Lazaroiu, G. A. (2023). Predictive Maintenance Algorithms, Artificial Intelligence Digital Twin Technologies, and Internet of Robotic Things in Big Data-Driven Industry 4.0 Manufacturing Systems. Mathematics, 11(6), pág. 981. doi:10.3390/math11060981
Liao, L. K. (2023). Challenges in predictive maintenance – A review. CIRP Journal of Manufacturing Science and Technology, 40, págs. 53-67. doi:10.1016/j.cirpj.2022.11.003
Lopez, M. &. (2024). Predictive maintenance in Industry 4.0: A systematic multi-sector mapping. CIRP Journal of Manufacturing Science and Technology, 50, págs. 80-103. doi:10.1016/j.cirpj.2024.02.003
Maheshwari, S. T. (2024). Comprehensive Study Of Predictive Maintenance In Industries Using Classification Models And LSTM Model. arXiv.
Molina Salgado, J. L. (2024). Preprocesamiento de datos en el pronóstico de fallos de rodamientos para el mantenimiento predictivo. Computacion, 28(4), págs. 1811-1821. doi:10.13053/CyS-28-4-4913
Shivam. (2019). Machine Predictive Maintenance Classification. Obtenido de Kaggle: https://www.kaggle.com/datasets/shivamb/machine-predictive-maintenance-classification
Smith, J. &. (2024). Improve predictive maintenance through the application of artificial intelligence: A systematic review. Results in Engineering, 21, pág. 101645. doi:10.1016/j.rineng.2023.101645
Technology, L. U. (April de 2023). Bearing Fault Detection Scheme Using Machine Learning for Condition Monitoring Applications. Proc. of the International Conference on Mechanical, Automotive and Mechatronics Engineering, 29-30.
Ucar, A. K. (2024). Artificial Intelligence for Predictive Maintenance Applications: Key Components, Trustworthiness, and Future Trends. Applied Sciences, 14, pág. 898. doi:10.3390/app14020898
Wu, X. &. (2024). Predictive Machine Failure Using Binary Classification with Deep Learning. Artificial Intelligence and Machine Learning Journal, 20(3), 287-301. Obtenido de https://doi.org/10.1016/j.aimlj.2024.04.003
Zhang, H. (2004). The Optimality of Naive Bayes. AAAI Conference on Artificial Intelligence. 3, págs. 562-567.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2025 Karla I. Romero Magdaleno , Luis C. Méndez González, Isidro J. González Hernández, Abel E. Quezada Carreón
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
