Estimación de vida útil restante en motores eléctricos mediante aprendizaje automático aplicado a mantenimiento predictivo en una empresa minera del sur del país

Flores Alvaro, Renato Adrian

Estimación de vida útil restante en motores eléctricos mediante aprendizaje automático aplicado a mantenimiento predictivo en una empresa minera del sur del país

dc.contributor.advisor	Arévalo Daza, Jorge Luis
dc.contributor.author	Flores Alvaro, Renato Adrian
dc.date.accessioned	2026-06-02T20:24:00Z
dc.date.available	2026-06-02T20:24:00Z
dc.date.issued	2026-04-29
dc.description.abstract	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.
dc.format	application/pdf
dc.identifier.uri	https://hdl.handle.net/20.500.12920/16997
dc.language.iso	spa
dc.publisher	Universidad Católica de Santa María	es_ES
dc.publisher.country	PE
dc.rights	info:eu-repo/semantics/openAccess
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	Motores Eléctricos
dc.subject	Redes Neuronales
dc.subject	Vida Útil Restante (RUL).
dc.subject.ocde	https://purl.org/pe-repo/ocde/ford#2.02.00
dc.title	Estimación de vida útil restante en motores eléctricos mediante aprendizaje automático aplicado a mantenimiento predictivo en una empresa minera del sur del país
dc.type	info:eu-repo/semantics/bachelorThesis
dc.type.version	info:eu-repo/semantics/publishedVersion
renati.advisor.dni	29460348
renati.advisor.orcid	0000-0001-5516-8642
renati.author.dni	72132707
renati.discipline	713076
renati.juror	Valencia Salas, Mario Jose
renati.juror	Castillo Caceres, Cesar Pio
renati.juror	Mestas Ramos, Sergio Orlando
renati.level	https://purl.org/pe-repo/renati/level#tituloProfesional
renati.type	https://purl.org/pe-repo/renati/type#tesis
thesis.degree.discipline	Ingenieria Mecanica-Electrica
thesis.degree.grantor	Universidad Católica de Santa María.Facultad de Ciencias e Ingenierías Físicas y Formales	es_ES
thesis.degree.name	Ingenierio Mecanica-Electrica