Sistema de mantenimiento predictivo utilizando algoritmos de Machine Learning en un compresor de aire industrial en el sector industrial, 2024

• Autor: Alvarez Campos, Daniel Augusto
• Formato: tesis de grado
• Fecha de Publicación: 2024
• Institución: Universidad Cesar Vallejo
• Repositorio: UCV-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.ucv.edu.pe:20.500.12692/155227
• Enlace del recurso: https://hdl.handle.net/20.500.12692/155227
• Nivel de acceso: acceso abierto
• Materia: Mantenimiento predictivo; Machine learning; https://purl.org/pe-repo/ocde/ford#2.03.01

El objetivo principal de la investigación fue plantear un Sistema de Mantenimiento Predictivo utilizando Algoritmos de Machine Learning para solucionar la inactividad productiva causada por reparaciones de maquinaria en el sector industrial en el 2024. La investigación fue de tipo básica, de enfoque cuantitativo, no experimental y correlacional. Se recolectaron los datos a partir de una ficha de recolección mediante los sensores avanzados, la muestra objeto de estudio en esta investigación estuvo compuesta por 1 compresor de aire industrial. El desarrollo de modelos predictivos se realizó utilizando algoritmos avanzados de Machine Learning en Python. Los resultados indicaron que el modelo de regresión logística mejoró el recall en la detección de fallos hasta un 92,5% y el árbol de decisión alcanzó una precisión del 85,1%. El random forest optimizó el equilibrio entre precisión y recall, alcanzando un 90,3% en el F1-score. Concluye que, a pesar de tener una precisión general del 0,88, el modelo de Random Forest enfrenta desafíos en la identificación de fallos, con una precisión inicial baja, aunque el ajuste del punto de corte mejora significativamente el recall para la detección de fallos críticos, aumentando la sensibilidad del modelo a los fallos a costa de incrementar los falsos positivos.