Mantenimiento predictivo usando algoritmos de Machine Learning aplicado a bombas de agua

• Autor: Rodrigo Benavente, Aldair
• Formato: tesis de grado
• Fecha de Publicación: 2024
• Institución: Universidad Nacional del Altiplano
• Repositorio: UNAP-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unap.edu.pe:20.500.14082/23859
• Enlace del recurso: https://repositorio.unap.edu.pe/handle/20.500.14082/23859
• Nivel de acceso: acceso abierto
• Materia: Análisis de datos; Machine learning; Mantenimiento predictivo; Python; https://purl.org/pe-repo/ocde/ford#2.02.01

Esta tesis aborda la aplicación de algoritmos de Machine Learning, específicamente Random Forest y Regresión lineal Múltiple para el mantenimiento predictivo de bombas de agua multietapa. El objetivo principal es anticipar es estado futuro de las máquinas a partir de datos históricos, optimizando la gestión de fallas y el mantenimiento predictivo particularmente en equipos críticos. La metodología del estudio se fundamenta en un enfoque observacional, descriptivo y explicativo, donde se analizan datos cuantitativos y cualitativos. Primero se recolecto datos en formato CSV, se cargó a la plataforma Google Colab para el respectivo desarrollo del código en Python, preprocesamiento de datos, entrenamiento de algoritmos y análisis de resultados mediante las métricas RMSE y MAE, finalmente se comparó el desempeño para identificar el algoritmo más adecuado. Como resultado, según las métricas con una estimación para los datos normales y con 4 días más de entrenamiento para regresión lineal múltiple el RMSE fue de 0.070 y el MAE de 0.044 para 4 días más de entrenamiento mientras que para Random Forest con 4 días más de entrenamiento las métricas RMSE fue de 0.037 y un MAE de 0.006 mostrando un mejor desempeño para el algoritmo de Random Forest. Cabe mencionar que se usó la validación Walk-Forward para manejo de series temporales con Random Forest. Como conclusión, se logró implementar los algoritmos para el mantenimiento predictivo, destacando a Random Forest como la opción más eficiente. Esta tesis es útil para optimizar la gestión de paradas y el mantenimiento de bombas de agua, aunque identificar modos específicos de falla requerirá estudios adicionales con sensores especializados como acelerómetros.