Copa Pineda, Juan CarlosRivera Linares, Reymer Alonso2026-07-162026-07-162026-06-19https://hdl.handle.net/20.500.12920/17248La investigación desarrolla un sistema predictivo con arquitectura embebida distribuida, orientado al monitoreo del estado operativo y análisis de degradación en motores eléctricos, empleando sincronización de datos mediante el protocolo MQTT. El objetivo principal fue diseñar una solución capaz de anticipar fallas incipientes y optimizar la gestión del mantenimiento industrial. El sistema se estructuró en tres nodos edge que permiten la adquisición y procesamiento local de datos de vibración, temperatura y corriente, garantizando una comunicación eficiente con latencias inferiores a 50 ms, throughput promedio de 1 msg/s y disponibilidad del 100 % en los nodos principales. El uso del protocolo MQTT con niveles de servicio QoS 0-2 aseguró la sincronización y transmisión confiable de datos, con pérdida nula de mensajes y una deriva temporal menor a 2.2 ms entrenodos, validando su estabilidad en entornos de conectividad variable. Para el análisis predictivo se integraron los modelos XGBoost y Weibull-AFT. El primero permitió clasificar la tendencia de falla bajo tres escenarios (base, conservador y estresado), alcanzando una AUC-ROC de 0.988 y alta precisión en las curvas de calibración y precisión-recuperación. El segundo modelo estimó una vida útil remanente (RUL) de 10,932 horas, equivalente a 455 días de operación continua, con un Brier Score de 0.1922 y C-index de 0.1343, demostrando una calibración adecuada y coherencia entre las predicciones y los eventos reales de falla. Las curvas de supervivencia mostraron una disminución progresiva del RUL en un 22.7 % a lo largo de 24 meses. Los resultados confirman que la integración de procesamiento distribuido, comunicación IoT y modelos de predicción híbridos mejora la capacidad de diagnóstico en tiempo real, reduce el riesgo de fallas y permite planificar intervenciones preventivas con mayor exactitud. El sistema propuesto demostró su viabilidad técnica, precisión superior al 98 % y reducción de más del 20 % en las paradas no planificadas, consolidándose como una herramienta eficaz para el mantenimiento predictivo en entornos industriales eléctricos.application/pdfspainfo:eu-repo/semantics/openAccessArquitectura embebidaMantenimiento predictivoMotores eléctricos.info:eu-repo/semantics/bachelorThesishttps://purl.org/pe-repo/ocde/ford#2.02.01