Propuesta para la optimización del proceso de mantenimiento industrial mediante el análisis de datos con herramientas de inteligencia artificial

Canevaro Guevara, Joaquin Sebastian

Propuesta para la optimización del proceso de mantenimiento industrial mediante el análisis de datos con herramientas de inteligencia artificial

dc.contributor.advisor	Urday Luna, Ferly Elmer
dc.contributor.author	Canevaro Guevara, Joaquin Sebastian
dc.date.accessioned	2026-09-14T16:10:21Z
dc.date.available	2026-09-14T16:10:21Z
dc.date.issued	2026-08-28
dc.description.abstract	La presente investigación tuvo como objetivo presentar una propuesta para la optimización del proceso de mantenimiento industrial mediante el análisis de datos con herramientas de Inteligencia Artificial, orientada a fortalecer la toma de decisiones y mejorar la asignación de recursos en las actividades de mantenimiento. La investigación se desarrolló bajo un enfoque cuantitativo, de tipo aplicada y con un diseño no experimental basado en una validación retrospectiva, utilizando una base de datos histórica recopilada a partir de registros de mantenimiento predictivo obtenidos de diversas fuentes disponibles en Internet. La propuesta se estructuró en tres niveles. En el primero, se desarrolló un modelo predictivo basado en técnicas de Machine Learning para estimar la condición de los equipos. En el segundo, se implementó un modelo de optimización mediante programación dinámica, formulado como un problema de mochila 0-1, con el propósito de priorizar las intervenciones de mantenimiento bajo restricciones de tiempo. Finalmente, se realizó una evaluación comparativa entre un procedimiento tradicional de priorización y la propuesta desarrollada mediante una validación retrospectiva. Los resultados evidenciaron que el algoritmo Random Forest presentó el mejor desempeño entre los modelos evaluados, permitiendo generar probabilidades confiables para la clasificación de la condición de los equipos. Asimismo, el modelo de optimización permitió identificar las intervenciones con mayor beneficio esperado bajo las restricciones establecidas, mientras que la comparación retrospectiva mostró una mejora respecto al procedimiento tradicional de priorización. En conclusión, la investigación evidencia la factibilidad técnica de integrar herramientas de análisis de datos, Machine Learning y programación dinámica para apoyar la gestión del mantenimiento industrial. La propuesta constituye una alternativa para priorizar intervenciones y optimizar la utilización de los recursos disponibles, contribuyendo a la incorporación de tecnologías asociadas con la Industria 4.0.
dc.format	application/pdf
dc.identifier.uri	https://hdl.handle.net/20.500.12920/17485
dc.language.iso	spa
dc.publisher	Universidad Católica de Santa María	es_ES
dc.publisher.country	PE
dc.rights	https://purl.org/coar/access_right/c_abf2
dc.rights.uri	https://creativecommons.org/licenses/by-nc-nd/4.0/	es_ES
dc.source	Universidad Católica de Santa María	es_ES
dc.source	Repositorio de la Universidad Católica de Santa María - UCSM	es_ES
dc.subject	mantenimiento industrial
dc.subject	inteligencia artificial
dc.subject	machine learning
dc.subject.ocde	https://purl.org/pe-repo/ocde/ford#2.11.04
dc.title	Propuesta para la optimización del proceso de mantenimiento industrial mediante el análisis de datos con herramientas de inteligencia artificial
dc.type	http://purl.org/coar/resource_type/c_7a1f
dc.type.version	http://purl.org/coar/version/c_970fb48d4fbd8a85
renati.advisor.dni	29639923
renati.advisor.orcid	https://orcid.org/0000-0002-9340-4017
renati.author.dni	71073199
renati.discipline	72200109
renati.juror	Valencia Becerra, Rolardi Mario
renati.juror	Carrasco Bocangel, Julio Cesar
renati.juror	Murillo Quispe, Efrain Rafael
renati.level	https://purl.org/pe-repo/renati/level#tituloProfesional
renati.type	https://purl.org/pe-repo/renati/type#tesis
thesis.degree.discipline	Ingeniería Industrial
thesis.degree.grantor	Universidad Católica de Santa María.Facultad de Ciencias e Ingenierías Físicas y Formales	es_ES
thesis.degree.name	Ingeniero Industrial