Arévalo Daza, Jorge LuisFlores Alvaro, Renato Adrian2026-06-022026-06-022026-04-29https://hdl.handle.net/20.500.12920/16997La 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.application/pdfspainfo:eu-repo/semantics/openAccessMotores EléctricosRedes NeuronalesVida Útil Restante (RUL).info:eu-repo/semantics/bachelorThesishttps://purl.org/pe-repo/ocde/ford#2.02.00