La presente investigación contribuye al ODS 7 (Energía asequible y no contaminante) y tuvo como objetivo principal evaluar el impacto de un plan de mantenimiento predictivo basado en aprendizaje por refuerzo en la disponibilidad y confiabilidad de un parque vehicular crítico de la industria minera. Para ello, se realizó un estudio cuantitativo de tipo aplicado, con diseño preexperimental y alcance explicativo. La población estuvo conformada por 23 unidades críticas, clasificadas en cinco tipos principales, de las cuales se recopilaron datos históricos de fallas y condiciones operativas durante un período de seis meses. Como resultado, se implementó un modelo de aprendizaje por refuerzo que permitió anticipar fallas y programar mantenimientos proactivos, logrando una mejora promedio en la disponibilidad de las unidades críticas de más del 10% en comparación con los valores i...

La investigación resalta la importancia de los modelos predictivos en la mejora de los indicadores de rendimiento en maquinaria pesada en industrias como la minería, la construcción y la agricultura. Estos modelos, apoyados por técnicas avanzadas de aprendizaje automático y análisis de big data, optimizan el mantenimiento y mejoran la eficiencia operativa, resultando en una mayor productividad y reducción de costos. La implementación de sensores IoT y la predicción precisa de fallos son claves para el éxito de estas tecnologías. Sin embargo, desafíos como la falta de datos históricos de calidad, la resistencia al cambio y los altos costos iniciales de implementación deben ser abordados. Este estudio contribuye al Objetivo de Desarrollo Sostenible 7, promoviendo una industria más sostenible y eficiente.