Acceso Abierto
Estimación de vida útil restante en motores eléctricos mediante aprendizaje automático aplicado a mantenimiento predictivo en una empresa minera del sur del país
Cargando...
Fecha
2026-04-29
Autores
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad Católica de Santa María
Nivel de acceso
Acceso Abierto
Resumen
La investigación aborda la estimación de la vida útil restante (RUL) en motores eléctricos de una empresa minera del sur del país, utilizando técnicas de aprendizaje automático supervisado para mejorar la planificación del mantenimiento predictivo y reducir las paradas no programadas. El estudio inicia con la recopilación y preprocesamiento de datos históricos de operación, incluyendo variables como vibración, temperatura y corriente. Posteriormente, se implementan y comparan tres modelos en MATLAB: Bagging (TreeBagger), LSBoost y Red Neuronal (fitrnet). Las métricas empleadas para la validación fueron RMSE, MAE, MAPE y R², permitiendo evaluar la precisión y capacidad de generalización de cada modelo. Los resultados indican que, aunque LSBoost obtuvo mejor desempeño en entrenamiento (RMSE = 17.383, MAE = 13.491, R² = 0.71698), el modelo Bagging (TreeBagger) presentó la mejor capacidad de generalización en datos de prueba (RMSE = 24.352, MAE = 19.208, MAPE = 128.41, R² = 0.4363), superando a LSBoost y a la Red Neuronal. Esto confirma su mayor estabilidad y confiabilidad para estimar el RUL y planificar mantenimientos según escenarios P20, P50 y P98, anticipando fallas entre 12 y 14 meses posteriores al último registro. La investigación demuestra que la integración de machine learning en mantenimiento predictivo es técnica y económicamente viable, ofreciendo una solución escalable para la industria minera mediante el uso de plataformas accesibles como MATLAB y datos operativos disponibles, sin requerir infraestructura costosa.
Descripción
Palabras clave
Motores Eléctricos, Redes Neuronales, Vida Útil Restante (RUL).