Diseño de un sistema SCADA para mantenimiento predictivo utilizando machine learning en una máquina inyectora TR

• Autores: Guzman Rojas, Brayan Joel, Arias Salcedo, Jeanpierre Jesús
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Tecnológica del Perú
• Repositorio: UTP-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.utp.edu.pe:20.500.12867/12703
• Enlace del recurso: https://hdl.handle.net/20.500.12867/12703
• Nivel de acceso: acceso abierto
• Materia: Machine Learning; Industria 4.0; Resistencia eléctrica; Mantenimiento predictivo; https://purl.org/pe-repo/ocde/ford#2.11.03

Esta tesis presenta el diseño e implementación de un sistema SCADA integrado con un modelo de Machine Learning, específicamente Random Forest, para el mantenimiento predictivo de una máquina inyectora TR utilizada en la producción de suelas de calzado. El objetivo principal es anticipar fallos en las resistencias eléctricas, un componente crítico en el proceso de inyección, mediante el análisis de variables como voltaje, corriente y temperatura. Se aplicó la metodología CRISP-DM para estructurar el desarrollo del modelo, desde la recopilación de datos hasta la validación. Se recolectaron más de 3500 registros durante 9 meses, y se calculó la resistencia eléctrica (ohmiaje) como variable objetivo. El modelo Random Forest fue seleccionado por su capacidad para manejar relaciones no lineales, su resistencia a valores atípicos y su alta precisión. Los resultados demostraron que Random Forest superó a otros modelos como la regresión lineal y SVR, obteniendo un coeficiente de determinación (R²) de 0.99 y un RMSE promedio de 0.34 ohmios. Además, el modelo predijo con exactitud el momento en que la resistencia alcanzaría el umbral de falla (61 ohmios), permitiendo programar el mantenimiento antes de que ocurra una interrupción. El sistema SCADA desarrollado permite visualizar en tiempo real las variables eléctricas, registrar datos históricos y emitir alertas visuales según la proximidad de la falla. Esta integración tecnológica mejora la eficiencia operativa, reduce costos y fortalece la toma de decisiones en entornos industriales.