FACULTAD DE INGENIERÍA

Estado del arte de la inteligencia artificial y su aplicación

en el mantenimiento

Tesis para optar el Título de

Ingeniera Mecánico - Eléctrica

María Gratzia Tume Fuentes

Asesor:
Mgtr. Ing. Jorge Arturo Yaksetig Castillo

Piura, abril de 2022

 A Dios y la Virgen, que siempre cuidan a mi familia.
A mis padres, Pedro y Lila, por su guía y apoyo incondicional.
A mis hermanos, Lila y Ricardo.
A mi asesor de tesis, Ingeniero Jorge Yaksetig.
Al acompañante de todas mis amanecidas, Rocky.
A mis demás familiares y amigos.
 Resumen

En la industria en general, existen activos simples y complejos. Los activos simples pueden ser
gestionados por operarios quienes monitorean sus parámetros de funcionamiento y están
pendientes de alguna falla para intervenir y reparar o reemplazar. Sin embargo; los activos
complejos, que suelen venir equipados con una serie de dispositivos mecánico-eléctricos-
electrónicos y de comunicación, cuando presentan una falla puede resultar en un evento
catastrófico por ello deben alertar al operador cuando detectan señales premonitorias de falla
para que éste intervenga. Estos atributos predictivos son de gran ayuda para la gestión del
mantenimiento. A pesar de ellos, hay objeciones a la función mantenimiento. Es así que para
mejorar este orden de cosas aparece la Inteligencia Artificial (IA), cuyos inicios datan del año
1950 y que ha dejado de ser parte de nuestra imaginación, hoy en día se encuentra alrededor de
nosotros, en nuestro día a día y mucha gente aún se da cuenta de ello.
La metodología aplicada fue de carácter teórico, se tuvo en cuenta que aún no se aprecia mucho
el desarrollo de la inteligencia artificial aplicada al mantenimiento en nuestro país. Se culmina
con un caso de estudio que tiene establecido los métodos y procedimientos para el estudio
experimental que han aplicado en su industria, el cual ha podido ser desarrollado gracias al
avance de los softwares, sistemas de información y la algorítmica. Lo que se busca es relevar
la importancia de la IA en el mantenimiento industrial, para garantizar el funcionamiento de las
máquinas y, cuando fallan, reducir los tiempos para ejecución de alguna intervención
En las industrias y empresas peruanas se recomienda empezar con la implementación de
softwares relacionadas con la Inteligencia Artificial, ya que esto permitirá reducir costos y
aumentar la producción usando menos mano de obra. Los constantes desarrollos en Big Data,
la comunicación de máquina a máquina y la tecnología en la nube han abierto nuevas
posibilidades para investigar la información derivada de los activos industriales. Es viable el
monitoreo en tiempo real, gracias a los sensores, actuadores y otros parámetros de control.
 Tabla de contenido

Introducción ...................................................................................................................... 13
Capítulo 1 La inteligencia artificial ............................................................................... 15
1.1 Desarrollo histórico de la inteligencia artificial...................................................... 15
1.2 Disciplinas que comprende la inteligencia artificial ................................................19
1.2.1 Ciencias de la computación ..........................................................................19
1.2.2 Lógica .............................................................................................................20
1.2.3 Neurociencia .................................................................................................. 20
1.2.4 Matemáticas ................................................................................................... 21
1.3 La algorítmica y la IA ............................................................................................... 22
1.3.1 El aprendizaje automático (Machine Learning) ............................................ 23
1.3.2 El aprendizaje profundo (Deep Learning) ..................................................... 23
1.4 Los datos y la IA ....................................................................................................... 27
1.4.1 El Big Data ......................................................................................................27
1.4.2 Computación en la nube (Cloud Computing) .................................................28
1.5 La IA y la Industria 4.0............................................................................................. 28
1.5.1 La Industria 4.0 y la hiperconectividad ......................................................... 29
1.5.2 Tecnologías habilitadoras de la industria 4.0 ................................................................ 29

Capítulo 2 Mantenimiento Industrial ............................................................................ 37

2.1 Evolución histórica del mantenimiento industrial ................................................. 37
2.2 Estrategias del mantenimiento ............................................................................... 38
2.2.1 El mantenimiento correctivo .........................................................................38
2.2.2 El mantenimiento preventivo........................................................................40
2.2.3 El mantenimiento proactivo .......................................................................... 41
2.3 Metodologías de optimización del mantenimiento ................................................ 42
2.3.1 Mantenimiento centrado en la confiabilidad (RCM)..................................... 42
 8

2.3.2 Mantenimiento productivo total (TPM) ........................................................ 43

2.3.3 Optimización del mantenimiento preventivo (Preventive Maintenance
Optimized) ………………………………………………………………………………….44
2.3.4 Mantenimiento basado en riesgo (RBM) ...................................................... 45
Capítulo 3 El mantenimiento y la inteligencia artificial .............................................. 47
3.1 El Mantenimiento en la industria 4.0 ...................................................................... 47
3.2 Apoyo de las tecnologías habilitadoras al mantenimiento .....................................48
3.2.1 Internet industrial de las cosas ................................................................................................. 48
3.2.2 Robótica colaborativa .............................................................................................................. 49
3.2.3 Drones ……………………………………………………………………………...…….49
3.2.4 Sistemas ciber físicos............................................................................................................... 50
3.2.5 Realidad virtual ....................................................................................................................... 51
3.2.6 Realidad aumentada ................................................................................................................. 52
3.2.7 Fabricación aditiva .................................................................................................................. 53
3.2.8 Cloud Computing .................................................................................................................... 54
3.2.9 Big Data …………………………………………………………………………….…..….54
3.2.10 Block Chain ............................................................................................................................. 55
Capítulo 4 Caso de implemtación de la inteligencia artificial en función del
mantenimiento ................................................................................................................. 57
4.1 Planteamiento y explicación del caso ..................................................................... 57
4.2 Solución y posibles respuestas................................................................................ 58
Conclusiones...................................................................................................................... 89
Glosario de términos ........................................................................................................ 91
Referencias bibliográficas... ............................................................................................ 93
Anexos ................................................................................................................................................. 99
Anexo A. Mapa de todos los tipos de algoritmo de machine learning y su respectiva
clasificación…………………… ........................................................................................................ 101
Anexo B. Introducción al mantenimiento predictivo con MATLAB ………………. ........................ 102
Anexo C. Mantenimiento Predictivo: Condición de extracción. Indicadores con MATLAB
……………………………………………………………………………………………………..…111
Anexo D. Mantenimiento predictivo: estimación de vida útil restante con MATLAB
……………………………….. .......................................................................................................... 121
Anexo E. Big Data y Machine Learning para mantenimiento predictivo. MATLAB EXPO
2017…………………. ....................................................................................................................... 129
Anexo F. Esquema de creación de orden de trabajo ………. ............................................................. 139
Anexo G. Código del caso desarrollado con la data del turboventilador de la NASA ………… ....... 140
Anexo H. Encuesta realizada sobre el conocimiento de la IA ……………….. .................................. 150
 Tabla de figuras
Figura 1. Cronología de los avances de la inteligencia artificial de los siglos 20 y 21........18
Figura 2. Diferentes disciplinas y su relación con el machine learning .................................... 23
Figura 3. Primer nivel: red aprende algo simple, siguiente nivel: se toma la
información sencilla y se combina, tercer nivel: continúa pasando la
información .................................................................................................... ……………………….24
Figura 4. Escalabilidad del deep learning................................................................................................. 24
Figura 5.Esquema básico de un feedforward ........................................................................................ 25
Figura 6. Esquema básico de una red convolucional ......................................................................... 25
Figura 7.Esquema básico RNN y LSTM ..................................................................................................... 26
Figura 8. Esquema básico de un autoencoder ....................................................................................... 26
Figura 9. Big Data: Algoritmos, tecnología y aplicaciones ............................................................... 27
Figura 10. CPS modo conceptual.................................................................................................................. 31
Figura 11. Aeronave cuya reparación se monitoreará ...................................................................... 32
Figura 12. Ciclo reactivo del mantenimiento ......................................................................................... 44
Figura 13. Sensores del 1 al 3, Unite Number, Cycle y OP Settings del 1 al 3. Luego de
entrenar la data y tener la matriz de (20631,28). ............................................................................... 60
Figura 14. Sensores del 1 al 3, Unite Number, Cycle y OP Settings del 4 al 12. Luego de
entrenar la data y tener la matriz de (20631,28). ............................................................................... 60
Figura 15. Sensores del 1 al 3, Unit Number Cycle y OP settings del 13 al 21 Luego de
entrenar la data y tener la matriz de (20631,28).. .............................................................................. 61
Figura 16. Data entrenada con los sensores del 1 al 3, unit number, ciclo y operaciones de
configuración......................................................................................................................................................... 61
Figura 17. Data entrenada con los sensores del 4 al 12, unit number, ciclo y operaciones
de configuración .................................................................................................................................................. 62
Figura 18. Data entrenada con los sensores del 13 al 21, unit number, ciclo y operaciones
de configuración .................................................................................................................................................. 62
Figura 19. Tiempo de vida útil restante. .................................................................................................. 62
Figura 20. Gráfica obtenida del sensor 1 + operaciones configuradas (eje y) vs. Vida útil
restante (eje x) ...................................................................................................................................................... 63
Figura 21. Gráfica obtenida del sensor 2 + operaciones configuradas (eje y) vs. Vida útil
restante (eje x) ...................................................................................................................................................... 63
 10

Figura 22. Gráfica obtenida del sensor 3 + operaciones configuradas (eje y) vs. Vida útil
restante (eje x) ...................................................................................................................................................... 63
Figura 23. Gráfica obtenida del sensor 4 + operaciones configuradas (eje y) vs. Vida útil
restante (eje x) ...................................................................................................................................................... 64
Figura 24. Gráfica obtenida del sensor 5 + operaciones configuradas (eje y) vs. Vida útil
restante (eje x) ...................................................................................................................................................... 64
Figura 25. Gráfica obtenida del sensor 6 + operaciones configuradas (eje y) vs. Vida útil
restante (eje x) ...................................................................................................................................................... 64
Figura 26. Gráfica obtenida del sensor 7 + operaciones configuradas (eje y) vs. Vida útil
restante (eje x) ...................................................................................................................................................... 65
Figura 27. Gráfica obtenida del sensor 8 + operaciones configuradas (eje y) vs. Vida útil
restante (eje x) ...................................................................................................................................................... 65
Figura 28. Gráfica obtenida del sensor 9 + operaciones configuradas (eje y) vs. Vida útil
restante (eje x) ...................................................................................................................................................... 65
Figura 29. Gráfica obtenida del sensor 10 + operaciones configuradas (eje y) vs. Vida útil
restante (eje x) ...................................................................................................................................................... 66
Figura 30. Gráfica obtenida del sensor 11 + operaciones configuradas (eje y) vs. Vida útil
restante (eje x) ...................................................................................................................................................... 66
Figura 31. Gráfica obtenida del sensor 12 + operaciones configuradas (eje y) vs. Vida útil
restante (eje x). ..................................................................................................................................................... 66
Figura 32. Gráfica obtenida del sensor 13 + operaciones configuradas (eje y) vs. Vida útil
restante (eje x) ...................................................................................................................................................... 67
Figura 33. Gráfica obtenida del sensor 14 + operaciones configuradas (eje y) vs. Vida útil
restante (eje x) ...................................................................................................................................................... 67
Figura 34.Gráfica obtenida del sensor 15 + operaciones configuradas (eje y) vs. Vida útil
restante (eje x) ...................................................................................................................................................... 67
Figura 35.Gráfica obtenida del sensor 16 + operaciones configuradas (eje y) vs. Vida útil
restante (eje x) ...................................................................................................................................................... 68
Figura 36. Gráfica obtenida del sensor 17 + operaciones configuradas (eje y) vs. Vida útil
restante (eje x). ..................................................................................................................................................... 68
Figura 37. Gráfica obtenida del sensor 18 + operaciones configuradas (eje y) vs. Vida útil
restante (eje x). ..................................................................................................................................................... 68
Figura 38. Gráfica obtenida del sensor 19 + operaciones configuradas (eje y) vs. Vida útil
restante (eje x) ...................................................................................................................................................... 69
Figura 39. Gráfica obtenida del sensor 20 + operaciones configuradas (eje y) vs. Vida útil
restante (eje x) ...................................................................................................................................................... 69
Figura 40. Gráfica obtenida del sensor 21 + operaciones configuradas (eje y) vs. Vida útil
restante (eje x) ...................................................................................................................................................... 69
Figura 41. Gráfica de operaciones configuradas 1 (eje y) vs. Vida útil restante (eje x). . . 70
Figura 42. Gráfica obtenida de operaciones configuradas 2 (eje y) vs. Vida útil restante
(eje x)......................................................................................................................................................................... 70
 11

Figura 43. Gráfica obtenida de operaciones configuradas 3 (eje y) vs. Vida útil restante
(eje x)......................................................................................................................................................................... 70
Figura 44. Gráfica de sensores vs. operaciones. Eje x operaciones 1 y 2, Eje y sensor 1 . 71
Figura 45. Gráfica de sensores vs. operaciones. Eje x operaciones 1 y 2, Eje y sensor 3. . 71
Figura 46. Gráfica de sensores vs. operaciones. Eje x operaciones 1 y 2, Eje y sensor 4...71
Figura 47. Gráfica de sensores vs. operaciones. Eje x operaciones 1 y 2, Eje y sensor 7. . 72
Figura 48. Gráfica de sensores vs. operaciones. Eje x operaciones 1 y 2, Eje y sensor 8 . 72
Figura 49. Gráfica de sensores vs. operaciones. Eje x operaciones 1 y 2, Eje y sensor 9. . 72
Figura 50. Gráfica de sensores vs. operaciones. Eje x operaciones 1 y 2, Eje y sensor 11.
...................................................................................................................................................................................... 72
Figura 51. Gráfica de sensores vs. operaciones. Eje x operaciones 1 y 2, Eje y sensor 12 .
...................................................................................................................................................................................... 73
Figura 52. Gráfica de sensores vs. operaciones. Eje x operaciones 1 y 2, Eje y sensor 13 .
...................................................................................................................................................................................... 73
Figura 53. Gráfica de sensores vs. operaciones. Eje x operaciones 1 y 2, Eje y sensor 14 .
...................................................................................................................................................................................... 73
Figura 54. Gráfica de sensores vs. operaciones. Eje x operaciones 1 y 2, Eje y sensor 15 .
...................................................................................................................................................................................... 73
Figura 55. Gráfica de sensores vs. operaciones. Eje x operaciones 1 y 2, Eje y sensor 17 .
...................................................................................................................................................................................... 74
Figura 56. Gráfica de sensores vs. operaciones. Eje x operaciones 1 y 2, Eje y sensor 20 .
...................................................................................................................................................................................... 74
Figura 57. Gráfica de sensores vs. operaciones. Eje x operaciones 1 y 2, Eje y sensor 21 .
...................................................................................................................................................................................... 74
Figura 58. Gráfica en relación a la importancia. ................................................................................... 76
Figura 59. Sensores más relevantes. . ........................................................................................................ 76
Figura 60. Sensor del 1 al 11 de la nueva data entrenada para excluir a los de poca
información relevante ....................................................................................................................................... 77
Figura 61. Sensor del 12 al 21 de la nueva data entrenada para excluir a los de poca
información relevante ....................................................................................................................................... 77
Figura 62. Gráfica de regresión del random foresr y la importancia de cada sensor.
Predicted RUL vs. Actual RUL ........................................................................................................................ 84
Figura 63. Sensores del 1 al 7 con nueva etiqueta para nueva data de entrenamiento. ... 85
Figura 64. Sensores del 8 al 14 con nueva etiqueta para nueva data de entrenamient. ... 85
Figura 65. Sensores del 15 al 21 con nueva etiqueta para nueva data de entrenamiento
...................................................................................................................................................................................... 85
Figura 66. Vida útil restante y la etiqueta de 15 ciclos ya que, con más, fallaría el modelo
...................................................................................................................................................................................... 86
Figura 67. Gráfica final con la vida menor o igual a 15 ciclos, ya no se usa el RUL. ............ 88
 Introducción
El mantenimiento en una planta industrial comprende una serie de actividades
técnicas y administrativas para mantener los activos en su operación normal y, cuando
fallan, devolverles su funcionalidad de diseño.
El desarrollo tecnológico actual, ha llevado a una nueva revolución industrial que
se conoce como industria 4.0 que plantea la manufactura con todos los procesos y activos
interconectados. La industria 4.0 se basa en una serie de disciplinas avanzadas como el
Big Data, Internet Industrial de las cosas (IoT, por sus siglas en Inglés), Sistemas expertos,
Robótica, Visión Artificial, Procesamiento de Lenguaje Natural, Planning, entre otras que
se concatenan con apropiados algoritmos de Machine Learning, que junto con la sensórica
conforman una nueva área de conocimiento que se conoce como Inteligencia Artificial
que, aplicados al mantenimiento, permitirá a las empresas contar con grandes cantidades
de datos funcionamiento de los activos y procesos, los cuales convenientemente
analizados y procesados ayudarán a realizar pronósticos y detectar fallas y anomalías de
forma oportuna lo cual naturalmente conduce hacia una optimización de la gestión del
mantenimiento.
En este trabajo se hablará de las disciplinas involucradas en esta nueva área de
conocimiento que es la inteligencia artificial.
 Capítulo 1
La inteligencia artificial
1.1 Desarrollo histórico de la inteligencia artificial

La conferencia de Darmouth desarrollada en el verano de 1956 fue el germen de la

Inteligencia Artificial (de ahora en adelante IA), aquí motivó a generaciones de científicos
a explorar el potencial de tecnologías de información y su compatibilidad con los
humanos. Se reunieron diversos investigadores como John McCarthy, quien los lideraba,
Marvin Minsky, Claude Shannon y Nathalie Rochester, despertando el interés de otros
investigadores entre ellos: Trenchard More de Princeton, Arthur Samuel de la IBM, Ray
Solomonoff y Oliver Selfridge ambos del MIT y Allen Newel junto a Herbert Simon del
Carniege Tech.
McCarthy propuso el nombre de IA por dos razones, la primera es la idea de
duplicar la inteligencia humana (creatividad, automejora y el uso del lenguaje) y la
segunda, por ser una rama de la informática cuyo objeto es perseguir la fabricación de
máquinas que funcionen automáticamente en medios complejos y cambiantes. El nombre
quedó adecuado a esos tiempos.
En 1962 Frank Rosemblatt publicó el libro Principios de Neuro dinámica:
Perceptrones y la teoría de los mecanismos cerebrales, en el cual muestra un algoritmo
de redes neuronales con una sola capa y pesos variables confería a un dispositivo
electrónico, construido de acuerdo con principios biológicos, la habilidad de aprender
(Aprendizaje automático).
En ese mismo año David Hubel y Torsten Wiesel publicaron “Campos receptivos,
binoculares interacción y arquitectura funcional en la corteza visual del gato” (visión
artificial), el cual informaba por primera vez las propiedades de respuesta de las neuronas
individuales grabadas con un microelectrodo.
En 1969 Marvin Minsky y Seymour Papert publicaron el libro “Perceptrones”
donde se indicaba las limitaciones computacionales de una neurona artificial, esto tuvo
un efecto negativo en la financiación de proyectos de investigación en estos temas.
 16

Sin embargo, en 1979, Geoffrey Hinton y James Anderson organizaron los modelos
paralelos del taller de memoria asociativa en La Jolla, California, esto trajo una nueva
generación de pioneros en redes neuronales que comenzaron a estudiar nuevamente la
obra de Rosenblatt.
En 1987, tiene lugar la primera conferencia de Sistemas de Procesamiento de
Información Neuronal (NIPS) y el taller se desarrolló en Denver Tech Center, reuniendo
investigadores de diversos campos que exploran redes neuronales biológicas y
artificiales. Hubo una amplia gama de temas y desde entonces se abrieron diversas
corrientes de investigación sobre aprendizaje automático, IA y estadísticas.
David McAllester en 1998 indicó: “La IA se fundó en parte en el marco de una
rebelión en contra de las limitaciones de los campos existentes como la teoría de control
o la estadística, y ahora abarca estos campos” pero ahora es parte del ámbito de los
métodos científicos.
En el 2005, Raymond Kurzweil predijo que las máquinas alcanzarán un nivel de
inteligencia humano en el 2029.
Para el 2007 la IA ingresa a la comunidad a través de los teléfonos inteligentes.
En el 2012, Google crea un superordenador capaz de aprender a identificar gatos,
así como caras y cuerpos humanos, mediante algoritmos de aprendizaje profundo (Deep
Learning) lo cual demuestra el verdadero poder de las nuevas herramientas tecnológicas.
Entre los años 2014 y 2015 la IA logra un mejor acercamiento al comportamiento
humano. En el 2014 un bot computacional (Eugene Goostman) fue capaz de engañar a un
tercio de los jueces a los que se les sometió durante el test de Turing (prueba de la
capacidad de una máquina para exhibir un comportamiento inteligente similar al de un
ser humano), haciéndose pasar por un niño ucraniano de 13 años.
Yann LeCun, científico informático, director de investigación de IA en Facebook,
que trabaja en los campos de aprendizaje automático, visión por computadora, robótica
móvil y neurociencia computacional realizó uno de los primeros ejercicios de deep
learning. en efecto, pensó en un sistema computacional que pudiera diferenciar entre
perros y gatos, y que pudiera corregirse cuando no acierte hasta encontrar la distinción
entre unos y otros en poco tiempo.
Rajan Goyal, uno de los actuales pioneros de la IA con especialidad en big data y
deep learning, piensa en un sistema que haga que una máquina aprenda por sí misma en
lugar de enseñarle, de ese modo el tiempo de desarrollo del sistema se reduciría
drásticamente. Remarca que en la medida en que una máquina inteligente sepa más,
recopilará información de manera más sencilla y rápida.
 17

En los últimos años, la IA ha tenido amplios avances, como el caso de los

investigadores del grupo Soft Computing y Sistemas de Información Inteligentes, de la
Universidad de Granada, de la mano de investigadores del grupo Sistemas Inteligentes y
Minería de Datos de la Universidad de Jaén han logrado desarrollar un software que
permitirá disponer de sistemas de IA como soporte a la toma de decisiones para entornos
de amenaza y conflicto. (Universidad de Granada, 2020)
Otro de los desarrollos de la IA es Alpha Go, programa informático desarrollado por
Deep Mind Technologies, que derrotó a Lee Sedol, campeón profesional del juego de mesa
de estrategia intuitiva y de muchas combinaciones, denominado Go.
Por otro lado, en el campo de la medicina, el año 2017 Alpha Go, desarrolló un
motor de inteligencia artificial que superó a los radiólogos diagnosticando el cáncer de
pulmón en su primera etapa. Mediante el uso de redes neuronales se ha podido replicar
las capacidades humanas como: el reconocimiento de patrones y la identificación de
imágenes haciendo uso de miles de imágenes de pruebas médicas.
Como desarrollo más reciente de la IA, en enero del 2020 un startup británico
Exscientia Limited trabajando en conjunto con una farmacéutica japonesa presentaron
una medicina obtenida en un tiempo equivalente al 20% del tiempo promedio necesario,
la DSP-1181 para tratar pacientes con desorden obsesivo compulsivo. Fue creada usando
algoritmos que evaluaron las diversas composiciones potenciales, comparándolos con
una variada base de datos de diversos parámetros. Esta misma empresa viene trabajando
en posibles medicamentos para el tratamiento del cáncer y las enfermedades
cardiovasculares; se espera tener una molécula lista para ensayos clínicos para fines del
2020. La ilustración 1 grafica la cronología que hemos narrado anteriormente.
 1942 1950 1955 1961 1964 1965 1997 1998

• La máquina • Arthur Samuel, • John McCarthy • Introducción • El primer • Aparece las • Robot • Kismet es el
enigma fue pionero en el el padre de la de UNIMATE chatbot ue primeras DeepBlue primer robot
decodificada campo de los IA la denominó como primer inventado por referencias del vence al con emociones.
en la II guerra juegos como IA robot industrial Joseph Deep Learning campeón de
mundial informáticos da Wiezenbaum por un ajedrez Garry
usando IA inicios al investigador. Kasparov
Machine
Learning

18
2002 2011 2011 2012 2014 2017 2020

• La máquina • Aparece Siri, • Se presenta IBM • Experimentos con • Apogeo de la • AlphaGo derrotó • Start up británica
enigma fue asistente de voz Watson, un Redes Neuronales Inteligencia a Lee Sedol, da a conocer la
decodificada en la de Apple. sistema de para identificar Artifical en su campeón primera medicina
II guerra mundial Permite respuesta a diversos gatos. relación con los profesional del (DSP-1181) para
usando IA desarrollar el preguntas Gracias al Deep humanos. juego de mesa de tratar pacientes
reconocimiento automático. Learning hechos estrategia con desorden
de voz por Google. intuitiva y de obsesivo
muchas compulsivo,
combinaciones, mediante IA
denominado Go.

Figura 1. Cronología de los avances de la inteligencia artificial de los siglos 20 y 21

 19

1.2 Disciplinas que comprende la inteligencia artificial

La IA es un amplio campo de estudio que incluye una serie de teorías, métodos y

tecnologías que convergen en dispositivos a los cuales se les provee de softwares
adecuados para que puedan percibir un entorno, procesar lo percibido y producir un
resultado óptimo y consistente.
Para proveer IA a un sistema de modo que pueda aprender, entender, razonar y
tomar decisiones es necesario apoyarse en diversas disciplinas como:
a) las ciencias de la computación,
b) la lógica,
c) las neurociencias y
d) la matemática.
que se describirán a continuación:
1.2.1 Ciencias de la computación

Las ciencias de la computación han tenido una evolución en el tiempo; sus inicios
datan del siglo XVII, en efecto, en 1805 aparece la primera máquina programable, un telar,
desarrollado por Joseph Marie Jacquard, el cual utilizaba tarjetas perforadas para
almacenar información sobre los parámetros bordados.
A mitad del siglo XIX, Charles Babbage diseñó dos máquinas: la calculadora
mecánica y la calculadora analítica. La primera fue construida y era capaz de calcular
tablas de funciones numéricas por el método de las diferencias. La segunda, que podía
ejecutar programas de computación no fue construida. Por eso se le considera como “El
padre de la computación”.
En 1940, Alan Turing construyó el primer computador operacional de carácter
electromecánico con la finalidad de descifrar mensajes alemanes en la segunda guerra
mundial. Por estos años, entre 1940 y 1942, aparece el primer computador electrónico
ABC, fue creado por John Atanasoff junto a su discípulo Clifford Berry en la Universidad
Estatal de Iowa.
En 1991 se construyó la “Calculadora Analítica” que diseñó Babbage a mitad del
siglo XIX y se presentó en el museo de la ciencia de Londres. Esta máquina era mucho más
ambiciosa ya que contenía memoria direccionable, programas almacenados, saltos
incondicionales. Este fue el primer dispositivo dotado de los elementos necesarios para
realizar una computación universal. A partir de ahí han aparecido varias generaciones de
dispositivo hardware cada vez con mayor velocidad de procesamiento y capacidad de
almacenamiento.
Todo este conocimiento que abarcan las bases teóricas de la información y la
computación se conoce como las ciencias de la computación que aplicada en dispositivos
 20

los hace capaces de correlacionar una gran cantidad de datos recibidos y procesarlos con
el objetivo de producir información válida para la toma de decisiones.
La IA se apoya en las ciencias de la computación para el desarrollo de procesos que
permiten a ciertos dispositivos percibir su entorno (recibiendo entradas normalmente a
través de sensores), procesar tales percepciones en una arquitectura física y/o
computacional (a la cual se le ha almacenado previamente un conocimiento) y actuar
(promocionar salidas) conforme a ciertos principios de optimización o maximización de
rendimiento. En resumen, dotar a tales dispositivos de cierta racionalidad (inteligencia)
para alcanzar algún objetivo o finalidad. (Ciencias de la computación, s.f.)
1.2.2 Lógica

El ser humano a lo largo de su historia siempre se ha planteado retos, comenzó

creando dispositivos, equipos que multipliquen su fuerza física (limitada por su
naturaleza) y su velocidad y capacidad de desplazamiento. Posteriormente buscó
dispositivos que amplíen su capacidad intelectual y velocidad de procesamiento de
información, inventando para ello el computador.
Seguidamente, se planteó el reto de crear máquinas pensantes, es decir, que
razonen, resuelvan problemas, demuestren teoremas, perciban visualmente, reconozcan
la voz, etc. Para esto se acudió al formalismo de la lógica y su forma de tratar los procesos
mentales para modelarlos a través de procesos artificiales que, utilizando un dispositivo
computacional y algoritmos especializados (redes neuronales, por ejemplo), “sigan la
trayectoria aproximada” del proceso mental para ofrecer salidas adecuadas que permitan
alcanzar un objetivo.
En ese sentido, John McCarthy, sostenía que el camino para obtener la inteligencia
de las máquinas pasaba por un enfoque formal riguroso, en el cual los actos que componen
la inteligencia son reducidos a una serie de relaciones o axiomas lógicos que pueden
expresarse de forma precisa en términos matemáticos. Esto naturalmente no es tarea
fácil, pero es el camino que sigue la IA para dotar, cada vez más, de mejores características
de inteligencia a las máquinas. (Familia, 2014)
1.2.3 Neurociencia

La neurociencia estudia el cerebro. Este viene siendo estudiado desde varios siglos
atrás, desde el siglo XVIII en que Paul Broca localizó áreas del cerebro responsable de las
funciones cognitivas y Camilo Golgi que desarrolló una técnica de observación de
neuronas individuales del cerebro. Luego con el desarrollo del encefalograma y las
imágenes de resonancia magnética se tiene más detalle de la actividad cerebral. Estos
avances tienen el objetivo científico de entender el funcionamiento del cerebro, el cual se
calcula que se compone 86000 millones de neuronas y entre 100 y 500 billones de
conexiones entre ellas. Investigaciones recientes se acercan más a:
 21

• Entender los mecanismos de conducta humana.

• Estudiar la actividad cerebral casi en tiempo real mediante la magneto-encelografía.
El mayor desarrollo de la neurociencia y la evolución de la IA generará un beneficio
mutuo entre ambas; en efecto, esto permitirá reducir la brecha entre la inteligencia
humana y la inteligencia artificial.
En la actualidad la IA viene desplegando todo su potencial para construir
conocimiento inspirado en las facultades mentales de aprender, entender, razonar y
tomar decisiones. (InNeurociencia, 2018)
1.2.4 Matemáticas
Las técnicas de IA en general se basan en diversos aspectos de la matemática en
particular en:
• Elementos de álgebra lineal (vectores, matrices y operaciones entre ellos)
• Análisis de funciones de variables reales (derivadas, máximos, mínimos e integrales)
• Geometría
• Fundamentos de la teoría de la probabilidad y estadística básica, descriptiva e
inferencial.
El conocimiento de estos aspectos, son el inicio del camino del aprendizaje
automático de las máquinas. Los algoritmos utilizados en modelos de IA utilizan la
notación vectorial/matricial y las diversas operaciones entre matrices. Ahondaremos
específicamente en dos de tales campos: álgebra lineal y la estadística
El álgebra lineal es la matemática de los datos. La notación matemática permite
describir con precisión operaciones sobre los datos con operadores específicos. El álgebra
lineal fue desarrollada originalmente para resolver sistemas de ecuaciones lineales. Se
trata de casos en los que hay más ecuaciones que variables desconocidas. Como resultado,
son difíciles de resolver aritméticamente porque no hay una solución única porque no hay
una línea o un plano que pueda ajustar los datos sin ningún error.
El método de los mínimos cuadrados, conocidos por su papel en la solución de
modelos de regresión lineal, son bastante utilizados y puede sistematizarse mediante
algoritmos que tienen como base el conocimiento de algebra lineal, y buen desempeño en
el campo de la IA. (Gonzalez, 2020)
Un profesional de la IA es capaz de leer y escribir notación vectorial y matricial; los
algoritmos se desarrollan valiéndose de esa notación. El lenguaje de programación que
actualmente brilla con luz propia es Python ofreciendo formas eficientes de implementar
soluciones de manera corta y eficiente de algoritmos que hacen uso del álgebra lineal.
Las estadísticas y el análisis de datos es otro aspecto de las matemáticas que se
ocupan de ordenar y comprender los datos. Las estadísticas modernas utilizan la notación
 22

del algebra lineal en sus métodos, desde vectores para las medias y varianzas de los datos,
hasta matrices de covarianzas que describen las relaciones entre múltiples variables
Gaussianas.
Los resultados de algunas colaboraciones entre el álgebra lineal y la estadística son
aplicados en la IA como, por ejemplo: el análisis de componentes principales utilizado
para las reducciones de los conjuntos de datos, la factorización de matrices y sus
diferentes métodos algunos de los cuales dependiendo de sus fortalezas y capacidades se
pueden utilizar como herramientas para la IA, como la descomposición del valor singular,
utilizado también para la reducción de datos.
La relación entre la estadística y la IA es biunívoca; en efecto, las aplicaciones de la
IA en la estadística tienen como objetivo integrar diversos contrastes, estimaciones,
transformaciones y modelos para conseguir una aproximación coherente y total en
análisis de datos, estableciendo estrategias que dirijan el proceso de modelización, de
elección de técnicas y transformaciones a aplicar, y de ayuda a la interpretación de los
resultados. (Ocerín, s.f.)
1.3 La algorítmica y la inteligencia artificial

Cuando se pretende establecer la relación ente la matemática y la IA aparecen los

algoritmos como un puente entre ellos. Un algoritmo es una secuencia de instrucciones
que representan un modelo de solución para cierto tipo de problemas. O bien como un
conjunto de instrucciones que realizadas en orden conducen a obtener la solución de un
problema. (UNNE, s.f.)
Una vez diseñado el algoritmo se realiza un programa cuyo desarrollo requiere un
conocimiento de las técnicas de programación. El programador experto, Luis Joyanes, dice
que los algoritmos son más importantes que los lenguajes de programación o las
computadoras, ya que, un lenguaje de programación es sólo un medio para expresar un
algoritmo y una computadora es solo un procesador para ejecutarlo.
La IA es una combinación de algoritmos planteados de manera que confieren a las
máquinas capacidades como: aprender a partir de un conocimiento previo y/o
conocimiento adquirido de la experiencia, ajustarse a nuevas aportaciones de datos y
realizar tareas de una manera semejante a la forma en que las realizaría el ser humano.
En resumen, la IA se construye mediante algoritmos (con capacidades matemáticas
de aprendizaje) y los datos para entrenarlos. Existe diversos algoritmos para la IA, se
describirá en los siguientes apartados los algoritmos de aprendizaje automático,
aprendizaje profundo. (Redacción España, 2020)
 23

1.3.1 El aprendizaje automático (machine learning)

El machine learning o aprendizaje automático es una disciplina que pertenece al

ámbito de la IA, cuyo objetivo es crear máquinas o sistemas que “aprenden
automáticamente”. Aprender en este contexto significa identificar patrones complejos
entre millones de datos. El sistema que realmente aprende es un algoritmo que recibe los
datos, los revisa, los procesa y es capaz de predecir comportamientos futuros, reconocer
imágenes, etc. Aprender automáticamente significa que estos sistemas mejoran de forma
autónoma con el tiempo, sin intervención humana.
Según el profesor Tom Mitchell, machine learning es una consecuencia natural de
la intersección de la informática y la estadística. En realidad, se asocia con una serie de
disciplinas tal como se señala en la figura 2.

Figura 2. Diferentes Disciplinas y su relación con el Machine

Learning
Fuente: http://blogs.sas.com/
1.3.2 El aprendizaje profundo (deep learning)
El aprendizaje profundo (deep learning) es un subconjunto del aprendizaje
automático (machine learning), se define como un algoritmo automático estructurado o
jerárquico que emula el aprendizaje humano para obtener ciertos conocimientos. No
requiere de reglas programadas previamente, sino que el propio sistema es capaz de
aprender por sí mismo para efectuar una tarea a través de una fase previa de
entrenamiento. Generalmente está compuesto por redes neuronales artificiales
entrelazadas en un cierto número de niveles o capas jerárquicas, para el procesamiento
de la información. (Smart Panel, s.f.)
El primer nivel de esta jerarquía expone que la red aprende algo simple y luego
envía esta información al siguiente nivel. En el siguiente nivel se toma esta información
sencilla, la combina, compone una información algo un poco más compleja, y se lo pasa al
tercer nivel, y así sucesivamente. para que realice tareas como las que realizan los seres
humanos, como el reconocimiento del habla, la identificación de imágenes o hacer
predicciones. (Moreno, s.f.)
 24

Figura 3. Primer nivel: red aprende algo simple, siguiente nivel: se

toma la información sencilla y se combina, tercer nivel: continúa
pasando la información
Fuente: https://core.ac.uk/download/pdf/44310843.pdf
Los algoritmos de deep learning tienen una naturaleza iterativa, esta complejidad
aumenta el número de capas y los grandes volúmenes de datos que se necesitan para
entrenar a las redes. Los métodos de deep learning, tienen una capacidad de mejorar y
adaptarse continuamente a cambios en el patrón de información implícito, esto presenta
una gran oportunidad para introducir un comportamiento más dinámico a la analítica.
(Software y Soluciones de Analítica, s.f.)

Figura 4. Escalabilidad del deep learning

Fuente: www.slideshare.net/ExtractConf/andrew-ng-chief-
scientist-at-baidu
Las técnicas de deep learning se emplean en aplicaciones como: el lenguaje natural
hablado y escrito, reconocimiento de voz, visión por computador, reconocimiento de cara,
interpretaciones semánticas o los traductores inteligentes. A nivel industrial, donde se
maneja gran cantidad de datos, la información resultante y oportuna resulta en una gran
ventaja comparativa.
Entre los tipos de redes que utiliza deep learning se encuentran: redes
prealimentadas, redes convolucionales, redes recurrentes, deep autoencoders y se
describirá brevemente cada una de ellas:
 25

• Redes prealimentadas o feedforward: se refiere a arquitecturas profundas y extensas,

es decir, que poseen un gran número de capas y neuronas por capas; más de las que se
emplean normalmente. Esto permite representar no linealidades complejas con un
número mucho menor de unidades y buenas propiedades de generalización. Se usan
en aplicaciones de reconocimiento facial, que, llevadas al ámbito industrial, se pueden
usar en el diagnóstico de procesos mediante técnicas de visión por computador.
(Goodfellow)

Figura 5.Esquema básico de un feedforward.

Fuente:https://es.scribd.com/document/421929039/Aprendiz
aje-Profundo-andrea-pdf
Los mínimos cuadrados son más conocidos por su papel en la solución de modelos
de regresión lineal, pero también desempeña un papel más amplio en una gama de
algoritmos de machine learning. Por estas razones es necesario el conocimiento de algebra
lineal para un mejor desempeño en el campo de la IA. (Gonzalez, 2020)
• Redes convolucionales: Este tipo de redes es similar a las feedforward, con la diferencia
que incorpora una serie de capas de convolución en su arquitectura, las cuales están
compuestas por bancos de filtros cuyos coeficientes son ajustados para optimizar la
función de coste. Estas arquitecturas, han mostrado una extraordinaria capacidad de
detección de patrones en señales, por lo que se usan con mucho éxito en aplicaciones
como el reconocimiento de voz y el análisis de vibraciones. (Sainath, 2013)

Figura 6. Esquema básico de una red convolucional.

Fuente: https://es.scribd.com/document/421929039/Aprendizaje-
Profundo-andrea-pdf
 26

• Redes recurrentes: Este tipo de arquitectura trabaja con bucles de realimentación que
permite que la información persista y su máximo exponente son las redes LSTM (Long
Short Term Memory). Estas son capaces de aprender dependencias a corto y largo plazo.
Su naturaleza está íntimamente relacionada con secuencias y listas, por lo que es muy
efectivo en ese tipo de datos. Llegan a predecir el próximo carácter en una secuencia
de texto, lo cual se asimila a la predicción de comportamiento en un sistema de
ingeniería. (Sutskever, 2011)

Figura 7.Esquema básico RNN y LSTM.

Fuente:https://es.scribd.com/document/421929039/Aprendizaje-
Profundo-andrea-pdf
• Deep autoencoders: redes profundas que permiten reproducir la salida de la misma
información que se recibe a la entrada y se usa como herramienta de reducción de
dimensión, ya que permite incluir un cuello de botella en la red de la dimensión
deseada. En las industrias permitirían generar versiones comprimidas de los procesos.
(Hinton, 2006)

Figura 8. Esquema básico de un autoencoder.

Fuente:https://es.scribd.com/document/421929039/Aprendizaj
e-Profundo-andrea-pdf
 27

1.4 Los datos y la inteligencia artificial

1.4.1 El Big Data

El Big Data es un término que describe la ingente cantidad de datos, tanto

estructurados como no estructurados, que pueden obtenerse de los equipos o procesos
cada día. El gran volumen de datos, su variabilidad, velocidad, veracidad y valor provocan
problemas para extraer datos reales y de alta calidad; en ese sentido, los softwares
tradicionales no son aparentes para estas exigencias.
El Big Data puede generar un gran volumen de datos, sin embargo, uno de los
aspectos más importantes es la calidad de los mismos para tomar decisiones que permitan
obtener ventajas comparativas; en efecto, si los datos no son de buena calidad se puede
incurrir en graves errores. (Power Data, s.f.)
Tareas importantes en esta disciplina son:
• La recopilación y almacenamiento de datos que se debe automatizar,
• El algoritmo que extraiga la información de utilidad lo cual implica un recurso humano,
el científico de datos (data scientist) cuyo trabajo es extraer conocimiento a partir de
los datos para tomar las mejores decisiones.
Erik Brynjolfsson, director del MIT Initiative on the Digital Economy, señala que “las
empresas que adoptan decisiones basadas en datos logran entre el 5% y el 6% más en
productividad y crecimiento en la producción que aquellas que no lo hacen”. (ITCL, 2018)
Algunas aplicaciones del Big Data pueden ser: por ejemplo: prever crisis
económicas, prevenir enfermedades, prever fallas de equipos, trazar la ruta idónea de
transporte público o acertar al abrir un local en determinada zona.

Figura 9. Big Data: Algoritmos, tecnología y aplicaciones

Fuente: http://madm.uib.es/wp-content/uploads/2016/06/Jose-
Manuel-Benitez-Sanchez-Big-Data-
Algoritmos_tecnologia_y_aplicaciones.pdf
 28

1.4.2 Computación en la nube (Cloud Computing)

La computación en la nube (o CC, por sus siglas en inglés) es una tecnología que
permite acceso remoto a softwares, almacenamiento de archivos y procesamiento de
datos a través de un navegador web. El CC se constituye en un factor democratizador y
acelerador de la IA, no solo a nivel de desarrollo científico sino, sobre todo de accesibilidad
para las empresas y entidades de formación. En efecto, el CC posibilita:
• Disponibilidad de algoritmos ya entrenados para su empleo en soluciones
personalizadas
• Acceso a los GPU’s (Graphical Processing Unit) de amplias capacidades
computacionales lo cual permite a cualquiera entrenar sus algoritmos aprovechando
la mayor velocidad de trabajo respecto de las máquinas que habitualmente posee una
empresa
La IA y la CC se han fusionado para mejorar la calidad de vida de millones de
personas. Los asistentes digitales como SIRI, Google Home y Alexa de Amazon combinan
estas dos tecnologías y muchos usuarios ni se dan cuenta de ello. A nivel empresarial, las
capacidades que aporta la IA a través de la CC, ayudan a las empresas a mejorar la
administración de sus datos, buscar patrones e información, ofrecer experiencias
satisfactorias a sus clientes y optimizar flujos de trabajo. (10Custom, 2020)
1.5 La IA y la industria 4.0

La IA es una disciplina que actúa como motor de cambio y viene marcando la pauta
en el avance tecnológico en organizaciones de diversos tamaños. Al existente proceso de
automatización, las empresas inevitablemente deberán complementarlo con la
digitalización integral de toda su cadena de valor mediante la implantación de nuevos
métodos de trabajo, software inteligente, sensores y actuadores.
Hablar de IA en la industria 4.0 implica referirse a:
a) los diversos algoritmos utilizados por machine learning, deep learning,
b) la visión artificial,
c) los sistemas de reconocimiento de voz,
d) los asistentes virtuales,
e) los cobots, etc.
La industria requiere que la IA le agregue valor en términos de:
a) mejora de la productividad,
b) ahorro de tiempo,
c) costos de producción,
d) mayor disponibilidad de los equipos, etc.
 29

En la función mantenimiento, en particular, será el mantenimiento predictivo, que

ya utiliza algoritmos para detectar síntomas premonitorios de falla de un activo o proceso,
el que apalancará la introducción de la IA para agregar valor.
1.5.1 La industria 4.0 y la hiperconectividad
La hiperconectividad es un concepto que describe la situación actual de la sociedad
en la cual la mayoría de sus principales componentes (seres humanos), viven conectados
permanentemente a la información mediante diversos dispositivos como el teléfono
celular, la internet, la radio, la televisión. También se define como la conectividad
permanente entre distintos sistemas y entornos digitales, refiriéndose además a la
interacción entre sistemas de información, redes de datos y dispositivos relacionados
entre sí a través de internet. (Braun, 2021)
La hiperconectividad se ha convertido en una parte esencial del día a día y permite
realizar toda clase de tareas cotidianas. Dentro de la Industria 4.0 la hiperconectividad
permite crear un ecosistema digital en la empresa donde todas las áreas involucradas en
la creación y elaboración de bienes y/o servicios estén conectados a través de red. (Braun,
2021)
Gran parte de las organizaciones en la actualidad operan en un nivel denominado
“Industria 3.0”, lo cual significa que sus procesos de producción están conectados dentro
de la planta mediante dispositivos de automatización. Por el momento esto sigue siendo
suficiente dentro de los márgenes de productividad esperado dentro de las compañías.
Sin embargo, con la irrupción de la industria 4.0 será necesario que las empresas
implementen un mayor nivel de conectividad para:
• Enlazar todos los procesos dentro y fuera de la planta para agregar valor en términos
de productividad, rentabilidad, imagen, confiabilidad.
• Conocer la evolución de los procesos en tiempo real.
Esto ayudará a tomar decisiones rápidas cuando haya oportunidades de mejora.
(Braun, 2021)
1.5.2 Tecnologías habilitadoras de la industria 4.0

La industria 4.0, funciona con varios conceptos tecnológicos entre los cuales se
incluye:
▪ el internet industrial de las cosas (IoT, por sus siglas en inglés),
▪ la robótica colaborativa,
▪ sistemas ciberfísicos,
▪ realidad virtual,
▪ realidad aumentada,
▪ drones,
▪ los sistemas ciber físicos,
▪ fabricación aditiva,
 30

▪ computación en la nube (cloud computing)

▪ big data,
▪ block chain
Los describiremos a continuación.
1.5.2.1 Internet industrial de las cosas (IoT)

El internet de las cosas (IoT, por sus siglas en inglés) permite la conexión de
dispositivos mediante sistemas embebidos para comunicarse e interactuar ya sea entre
ellos o con dispositivos centralizados. El internet industrial de las cosas (IoT, por sus
siglas en inglés) se refiere al uso de la tecnología IoT aplicada al entorno industrial.
(Lopez, s.f.)
Cada dispositivo participante en el sistema debe tener una identificación única y la
capacidad de intercambiar datos de manera automática y confiable. El conjunto de
dispositivos debe estar conectados a la misma red. Todos ellos junto con los sensores,
elementos de accionamiento y redes son comúnmente usados en la Industria 4.0.

1.5.2.2 Robótica colaborativa

La robótica es una ciencia que involucra muchas disciplinas. Su objetivo es crear

máquinas capaces de hacer o simular comportamientos humanos. (Esneca Business
School, 2019)
Los robots colaborativos o cobots son robots diseñados y programados para llevar
a cabo tareas en colaboración con los trabajadores de la industria 4.0 con la finalidad de
liberarles las tareas que son repetitivas y eventualmente peligrosas. Los cobots tienen
ciertas características que los diferencian de los robots domésticos, a saber: (Esneca
Business School, 2019)
• Está diseñado para que sus usuarios puedan programarlo fácilmente
• La programación de sus funciones es regulable, es decir, los operarios pueden ajustar
su fuerza y movimientos
• Suelen estar fabricados con materiales ligeros
• Son construidos a base de sensores
• Ayudan a crear productos ajustados a las exigencias de cada cliente.
1.5.2.3 Drones
Un dron es vehículo aéreo no tripulado (VANT) cuyo funcionamiento es
básicamente el mismo que el de un avión o un helicóptero. Se ponen en marcha los
motores y las aletas se mueven para hacer posible el vuelo. Después con los mandos de
control se dirige el vuelo, que dependerá en gran medida de los conocimientos y pericia
 31

del piloto. Algunas veces es posible fijar un rumbo de forma automática. (Universidad
Internacional de Valencia, 2018)
Los drones se utilizan para realizar rondas de observación de imágenes que se
recogen mediante cámaras de diferente aplicación instaladas en ellos. Con cámaras
termográficas instaladas en los drones se puede captar información del estado de las
estructuras en las instalaciones mecánicas o eléctricas, esto se enmarca dentro del
mantenimiento predictivo o monitoreo de condición. Se puede detectar elementos que
tienen fallas y se puede realizar revisiones sin detener la cadena productiva y sin riesgos
para las personas. Esto naturalmente trae consigo una serie de beneficios.
También los drones ayudan a la cadena logística ubicando piezas y productos en
grandes superficies de almacenaje a través de tecnologías como RFID, la cual es una
pequeña etiqueta que se puede adherir a cualquier objeto y que ofrece información sobre
su uso o ubicación gracias a unas diminutas antenas que son capaces de transmitir
información por radio frecuencia. Sirven además para automatizar tareas en entornos
industriales que requieren gran esfuerzo y destreza, reducir costos en desplazamientos
de equipos humanos, prevenir fallas antes de que sucedan gracias a los que se conoce
como condition monitoring y reducir el riesgo por accidente al sustituir operarios por
drones en trabajos de alta peligrosidad.
1.5.2.4 Sistemas ciber físicos
Un sistema ciber físico es un ambiente donde existen de manera diferenciada la
parte real de un sistema (máquina o equipo) con un modelo virtual funcional del mismo.
Entre ambas partes hay interacción. Estos sistemas integran capacidades de computación,
almacenamiento y comunicación para controlar e interactuar con uno o más procesos
físicos.
Estos sistemas están conectados entre sí y también con servicios remotos de
almacenamiento (cloud computing) y gestión de datos. La mayor interconexión,
adaptabilidad y mayor velocidad de intercambio de información y generación de
autocomprobación y auto configuración permite optimizar en todo momento el
rendimiento del sistema impulsando la rentabilidad y el mejoramiento de los procesos en
la industria. (Factoría del Futuro, 2020)

Figura 10. CPS Modo Conceptual

Fuente: https://pages.nist.gov/cpspwg/
 32

Tienen variadas aplicaciones como vemos en la Figura 11 se tiene el equipo real

(una aeronave) y en la tableta las diferentes partes del mismo con la finalidad de
monitorearlo o monitorear su reparación.

Figura 11. Aeronave cuya reparación se monitoreará

Fuente: Cortesía de Siemens
1.5.2.5 Realidad virtual
La tecnología de la realidad virtual recrea un espacio tridimensional virtual
inmersivo, similar a uno real. Si una persona se coloca unas gafas de realidad virtual, se
priva totalmente del mundo real que tiene alrededor y puede interactuar dentro de ese
mundo virtual mediante dispositivos adecuados (guantes, mandos) que permiten:
• Agarrar objetos,
• Abrir puertas, etc.
• Realizar actividades de mantenimiento óptimas
Permitiendo realizar simulaciones de la realidad como:
• maniobras normales o arriesgadas,
• visitas virtuales a instalaciones industriales,
• simulacros de actuación en casos de emergencia,
Donde que la persona tiene una sensación de presencia real consiguiéndose un
aprendizaje mental y locomotriz mucho más eficiente que un curso convencional con
videos y manuales. Esto la sitúa como una herramienta de entrenamiento/aprendizaje
para trabajadores sin tener que parar la producción. (3R. Industria 4.0, s.f.)
Por otro lado, la realidad virtual es la mejor herramienta para reducir los costes
derivados en las tareas de prototipado dado que crea una simulación casi real del futuro
producto donde se visualizarán todas sus características como si se le tuviera físicamente
delante de los ojos.
1.5.2.6 Realidad aumentada
Es aquella tecnología que permite superponer imágenes generadas digitalmente
(computadoras, tabletas, teléfonos celulares, videojuegos, etc) sobre elementos de en
entorno físico real, maximizando y enriqueciendo la información que obtenemos de dicho
 33

entorno. Estos dispositivos están hiperconectados a una red protegida, la cual se encarga
de gestionar el cruce de datos, alarmas, mensajes, videoconferencias y demás
información.
La documentación de los componentes de una instalación es accesible desde la
plataforma una vez que ha sido identificado el equipo o componente gracias a la conexión
con la fuente de datos del cliente.
Se pude realizar simulaciones en realidad aumentada sobre los equipos de planta,
de tal forma que el operario puede accionar determinados mecanismos o cambiar ciertas
variables del equipo y se visualizará una simulación 3D sobre el equipo. (Idea Ingeniería,
s.f.)
1.5.2.7 Fabricación aditiva
La Fabricación aditiva es un nuevo concepto de producción mediante el cual los
materiales (poliméricos, compuestos, metálicos) se depositan capa a capa de una forma
controlada generando piezas de diferente y compleja geometría que se adapten mejor a
las necesidades de las empresas.
Gracias al diseño asistido por el ordenador o un software de modelado y
animación, es posible crear una guía de impresión, a partir de la cual, la máquina va
construyendo por capas hasta finalizar el modelado.
Esta fabricación posee un alto potencial para todo tipo de aplicaciones. No solo se
contempla la fabricación de piezas intermedias o finales, sino que se puede obtener un
gran avance para diversas tareas como realizar planos, maquetas o crear alimentos
procesados.
Las ventajas que podemos señalar son (Grupo IGN, 2019):
• Complementa otras técnicas de fabricación tradicionales,
• Permite fabricar piezas de alta complejidad geométrica o formas personalizadas,
• Crear montajes sencillos
• No produce desechos (cuidado del medio ambiente),
• Permite reducir los costes
• Facilita el proceso de diseño
• Producir de forma más sostenible.
1.5.2.8 Cloud Computing
El gran avance de tecnologías de la información ha permitido que el Cloud
Computing se haya posicionado como una tecnología emergente dentro de la industria 4.0,
debido a que ha logrado independizar el hardware del software, permitiendo que grandes
 34

compañías del rubro industrial puedan tener un acceso ubicuo y baja demanda de muchos
de los principales servicios que necesitan para funcionar.
Los principales modelos de servicio de Cloud Computing en la Industria son:

• IaaS (Infrastructure as a Service): Se refiere a la provisión de los sistemas físicos

(hardware). Este modelo de servicio abarca diversas dimensiones como el acceso a
determinados servidores o la capacidad computacional a la hora de analizar ciertos
datos de una gran magnitud. Una característica especial es que los usuarios finales
tienen un control total sobre la infraestructura contratada.
• PaaS (Plataform as a Service): este otro modelo de servicio del Cloud Computing en la
Industria 4.0 hace referencia a los entornos de desarrollo desde que los programadores
crean, analizan y llevan a cabo las aplicaciones informáticas.
• SaaS (Software as a Service): Se encarga de proveer aplicaciones finales a las empresas
que lo contratan mediante internet, ya que estás empresas se encuentran alojadas en
la infraestructura del proveedor. Se accede a los programas SaaS a través de
navegadores web.
Existen diversos tipos de Cloud en la Industria 4.0:
• Cloud Pública: Presenta la gran ventaja de ofrecer una gran escalabilidad en la empresa,
esto quiere decir que la compañía puede utilizar el servicio de Cloud dependiendo de
sus propias necesidades, lo cual hace una opción mucho más flexible que las nubes
privadas.
• Cloud privada: Brinda una gran seguridad, más que todo en aquellas empresas del
sector industrial que necesiten tener a salvo todos sus datos.
• Cloud híbrida: Las empresas pueden escalar el servicio conforme a sus necesidades,
pero manteniendo la seguridad de la Cloud Privada.

1.5.2.9 Big Data

Big data es un proceso que analiza e interpreta ingentes cantidades de datos
estructurados y no estructurados. Sirve para que los datos almacenados de forma remota
puedan ser utilizados por las organizaciones para una informada toma de decisiones.
La información extraída de tales datos sirve para mejorar procesos de operación,
estrategias de mantenimiento, incrementar la competitividad, encontrar patrones de
comportamiento, entre otras aplicaciones.
La interconexión entre sistemas y ordenadores complementado con la capacidad
de recopilación y análisis de grandes cantidades de datos ha hecho posible que existan
máquinas inteligentes que puedan tomar decisiones por sí mismas ayudando a mejorar
las operaciones en las organizaciones. El Big Data ayuda, entre otras cosas, a:
 35

• Mejorar los procesos en almacén: Debido a los sensores y dispositivos portátiles,

diversas empresas pueden mejorar la eficiencia operativa al detectar errores humanos,
hacer controles de calidad y mostrar rutas óptimas de producción o montaje.
• Eliminar cuellos de botella: Se identifican las variables que puedan afectar el
rendimiento sin costo adicional, ayudando así a los fabricantes a identificar el
problema.
• Predecir en base a datos históricos recopilados por sensores situaciones anómalas
relativas por ejemplo a: comportamiento de mercado, intervención antes de una falla
catastrófica para tomar decisiones estratégicas como planes de expansión, etc.
1.5.2.10 Block Chain
El Blockchain (Cadena de bloques) es una tecnología o protocolo informático
basada en estructura matemática que permite el almacenamiento de información, seguro,
anónimo. descentralizado y casi imposible de falsificar.
Los bloques son ficheros (normalmente de texto) que contiene la información que
se quiere guardar. Forman una cadena porque cada uno de esos bloques tiene algo de
información sobre el bloque anterior. A la información que cada bloque tiene sobre el
anterior se le llama HASH y es una especie de número de serie importante para el que se
necesita matemática
El 2do ingrediente del BCh es la red de ordenadores, todos los ordenadores de la
red guardan una copia de la cadena de bloques lo cual hace muy difícil que se pierda.
La tecnología Blockchain tiene la capacidad de mejorar procesos existentes e
impactar en la modificación de producción de bienes. Permite mejorar, por ejemplo, la
trazabilidad, seguridad, velocidad y transparencia en cualquier sistema.
El Blockchain potenciará las capacidades de la Industria 4.0 y tendrá el siguiente
impacto:
• Optimización de recursos.
• Garantiza la trazabilidad de un producto.
• Da lugar a nuevos modelos de negocios, en efecto, garantiza intercambios de datos
seguros, transparentes y fiables.
• Se conseguirán máquinas autónomas, que serán capaces de autogestionarse, negociar
entre ellas y poder así llegar a acuerdos, coordinando con proveedores y clientes de la
logística de entrega del producto, tomando decisiones sobre el suministro de materias
primas, haciendo pedidos de forma automática, siempre y cuando se den las
condiciones establecidas previamente.
 Capítulo 2
Mantenimiento industrial
2.1 Evolución histórica del mantenimiento industrial
Desde la aparición del ser humano en la tierra los activos han servido para su
supervivencia. Los activos de los hombres prehistóricos eran su lanza, su cueva lo que les
ayudaba a cazar y sobrevivir. A estos activos se les hacía mantenimiento correctivo. Esta
estrategia correctiva se mantuvo hasta inicios del siglo XIX.
A mediados del siglo XX, la tecnología permitió que se desarrollaran máquinas
dentro de una cadena productiva compleja, ya que se había intensificado la producción a
gran escala, así como el formato de línea de producción. El rendimiento de las máquinas
adquirió importancia para agilizar la producción, y es debido a esta situación, que nace la
aplicación del mantenimiento preventivo en la industria.
Alrededor de la década de 1960, el sector de mantenimiento se limitaba a ciertos
campos como la electricidad, mecánica, cambio de piezas, lubricación o engrase. El
mantenimiento se basaba en la prevención y corrección, no existía una noción de
predicción. Se tenía programada la rutina del operario cada cierto tiempo, pero no se
tomaba en cuenta las condiciones de operación de cada equipo.
Las actividades preventivas que se realizaban en una gran parte de los equipos o
instalaciones no tenían mejoras sustanciales. La irrupción de la electrónica y
microelectrónica abre las puertas al mantenimiento predictivo con el cual se puede
monitorear con indicadores, sensores y dispositivos cada equipo, así predecir una avería
o un mal funcionamiento.
Simultáneamente, en los años 1960 estaba implantándose en Japón una filosofía
de mantenimiento que revolucionó la industria mundial, esta fue el TPM (Total Productive
Maintenance). Surgió bajo la necesidad de realizar un mantenimiento menos costoso que
el Mantenimiento Preventivo y la solución fue basada en el concepto del mantenimiento
autónomo, el cual tiene sus bases en la capacitación de operarios para realizar las tareas
básicas de mantenimiento. La automatización fue de gran ayuda en esta práctica, ya que
posibilitaba que los operarios pudiesen leer indicadores y monitorear sus equipos.
 38

En los años 80 del siglo XX en Estados Unidos se documentó, gracias a la

metodología predictiva, el RCM (Reliability Centered Maintenance) o Mantenimiento
Centrado en la Confiabilidad. La práctica se inició en vista a la gran cantidad de accidentes
que sufría la aviación comercial en la década de los años 60 en que dos tercios de los
accidentes eran causados por fallas en los equipos.
Esa problemática llevo a repensar el programa de mantenimiento que se estaba
aplicando hasta ese entonces en la industria de aviación y gracias a ello es que luego de
20 años de investigación se culmina un reporte que presentó al método RCM como
solución, puesto que, su objetivo era determinar lo que debía hacerse con la finalidad de
asegurar que un elemento físico continúe desempeñando las actividades que se
esperaban de él en un contexto determinado.
Alrededor de los años 2000, el mundo industrial cambió de diversas maneras, pero
la revolución informática impactó especialmente en la producción, la calidad y el flujo de
trabajo. Desde ese entonces inició la adaptación a las nuevas tecnologías y empezó la
modernización del mantenimiento industrial. Aparecen los softwares de mantenimiento
para gestionar los equipos industriales (asignar tareas, realizar monitoreos y diagnóstico
de fallas, identificar las prácticas óptimas, mejorar el desempeño a futuro, controlar el
cumplimiento de tareas asignadas, registrar el historial de fallas y generar informes).
(Mancuzo, 2020)
En la actualidad estamos en la era de la digitalización (Industria 4.0) y el
mantenimiento debe adecuarse a este nuevo escenario (cuarta revolución industrial)
utilizando todas las tecnologías habilitadoras de la industria 4.0. Este es el reto y es lo que
se describirá en el presente trabajo.
2.2 Estrategias del mantenimiento
2.2.1 El mantenimiento correctivo
Es aquel que se realiza después de que ocurre una falla. Se clasifica en
mantenimiento correctivo programado y mantenimiento correctivo de emergencia.
El mantenimiento correctivo tiene sus ventajas y desventajas. La ventaja más
importante de seguir esta estrategia es la máxima utilización de la vida de la máquina o
componente. Por su parte, las desventajas más resaltantes son:
• Una falla puede tener efectos colaterales, inclusive la detención de la producción.
• Dependiendo de la criticidad de la máquina o componente, puede ser costoso.
Dado que tarde o temprano una máquina puede fallar, la organización debe estar
preparada para gestionar las fallas en los siguientes aspectos:
• Proveer al personal correspondiente las capacidades necesarias para diagnosticar
fallas y efectuar reparaciones en tiempo y forma.
• Elaborar procedimientos y hojas de trabajo fáciles de entender.
 39

• Realizar una adecuada planificación de las tareas para reducir el tiempo medio de
reparación (MTTR) y optimizar los recursos.
• Identificar los peligros y evaluar riesgos en los trabajos.
• Analizar la causa raíz de las fallas, de modo de eliminar o reducir su recurrencia.
• Una adecuada planificación del mantenimiento correctivo deberá contemplar:
• Definición del alcance de los trabajos en base al diagnóstico establecido.
• Elaboración de procedimientos y hojas de trabajo.
• Selección de las herramientas, repuestos e insumos necesarios.
• Definición del personal técnico especializado.
• Planificar turnos, grupos de trabajo, refrigerios, descanso y la secuencia de tareas y
subtareas.
• Resumir las tarjetas de seguridad, órdenes de trabajo, hojas de trabajo, instructivos,
etc.
• Reconocer los estándares de aceptación para la entrada en servicio del equipo.
• Establecer las rutinas de prueba, puesta en marcha y verificación de funcionamiento.
• Confeccionar un diagrama de Gantt si la envergadura del trabajo lo justifica.
En todo tipo de intervención correctiva hay planificación. Cuando el trabajo es
sencillo y requiere pocos recursos se puede planificar mentalmente, sin embargo, cuando
la tarea es compleja, demanda un tiempo de ejecución elevado y requiere de la
participación de diversas especialidades, la intervención debe considerarse como un
proyecto y por tanto planificarse como tal.
2.2.1.1 El mantenimiento correctivo programado
Una intervención de mantenimiento correctivo programado se activa debido a:
▪ observación del operador,
▪ una inspección de rutina o
▪ la aparición de un síntoma premonitorio de falla
Poder programar la intervención permite:
▪ planificarla,
▪ seleccionar el momento más oportuno,
▪ recabar los repuestos, la mano de obra y las facilidades necesarias, de este modo se
afectará lo menos posible la producción.
 40

2.2.1.2 El mantenimiento correctivo de emergencia

El mantenimiento correctivo de emergencia se realiza cuando ocurre una falla
imprevista que detiene la producción o puede ocasionar accidentes o afectar la salud de
los trabajadores o una contaminación ambiental que impone la necesidad de reparar el
equipo cuanto antes. En resumen, este tipo de mantenimiento implica que se lleve a cabo
una reparación rápida, para evitar daños materiales, humanos y pérdidas económicas.
(Gestión del mantenimiento cod 7969, s.f.)
2.2.2 El mantenimiento preventivo
El mantenimiento preventivo consiste en reparar un ítem o reemplazar sus
componentes en forma periódica, sin importar su estad de condición al iniciar la
intervención, y bajo la hipótesis de que el patrón de fallas que rige su comportamiento
tiene un periodo de vida útil conocido, alcanzando finalmente los mismos niveles de
confiabilidad y calidad originales. (Pistarelli, 2010)
Las actividades de mantenimiento preventivo suelen contemplar lo siguiente:
• Reemplazo (sustitución) de equipos, subconjuntos, componentes o piezas cuando
muestren signos de desgaste, corrosión, erosión o fatiga, lo que lleva a que se
incremente la probabilidad de falla. El reemplazo busca restituir al equipo a su estado
original.
• Conservación, revisión o restauración de ítems para llevarlos a su estado de condición
básica inicial.
• Rutinas de inspección y chequeo de recorrida para detectar condiciones anómalas para
corregirlas. Tiene altos beneficios y un costo de realización muy bajo.
• Limpieza, Ajuste y Lubricación: Ciertos activos requieren acciones de conservación
para mantenerlos dentro de cierto estado de condición básica. Se lleva a cabo mediante
rutinas. Aunque estas actividades no cambian la propensión a la falla tiene beneficios
extraordinarios y es de muy bajo costo.
• Calibración: Se realiza cierto ajuste de parámetros en instrumentos del proceso. Esta
acción contempla medir, controlar y ajustar los parámetros de proceso de acuerdo a
los patrones certificados.
El mantenimiento preventivo persigue los siguientes objetivos:
• Aumentar la disponibilidad de las máquinas al disminuir las detenciones no
programadas.
• Minimizar averías imprevistas de los equipos.
• Mejorar el aprovechamiento de mano de obra por medio de la programación de tareas.
• Mejorar la calidad de productos y servicios.
• Disminuir el riesgo para el personal en las operaciones de producción y mantenimiento.
• Minimizar los gastos debido a las reparaciones de emergencia.
• Disminuir el impacto ambiental.
 41

La intervención preventiva debe realizarse en base a criterios técnicos y

económicos. Si se realiza con mayor frecuencia de la necesaria se puede inducir errores
humanos (ajustar un perno sin el torque adecuado, etc.) que en lugar de conseguir un
mejor desempeño de la máquina la deja en mal estado. Por otro lado, la intervención
implica un costo que debe justificarse con la mejora del desempeño de la máquina.
El mantenimiento preventivo se puede clasificar en:
a. basado en el tiempo/uso (horas de operación de un equipo, kilómetros recorridos de
un vehículo, ciclos de trabajo de una válvula, cantidad de producción de un compresor
de gas, etc.) o
b. basado en la condición (pérdida de presión, elevación de temperatura, incremento de
vibraciones, incremento de la corriente, etc).
2.2.2.1 Mantenimiento preventivo basado en tiempo/uso
El mantenimiento basado en el tiempo (MBT), consiste en reemplazar las piezas de
equipos de acuerdo con los intervalos establecidos en base a las recomendaciones del
productor o a la experiencia de los técnicos en donde se define cada cuánto tiempo las
piezas deben ser cambiadas antes de que se averíen.
2.2.2.2 Mantenimiento preventivo basado en condición
El mantenimiento basado en la condición (MBC), consiste en reemplazar las
piezas de equipos en función de los resultados de un examen realizado a ciertos
intervalos con dispositivos que relevan ciertas condiciones como, por ejemplo:
i. Niveles de vibración
ii. Niveles de sonido
iii. Estado del lubricante
iv. Fugas
que definirán cuando se debe intervenir para evitar averías.
2.2.3 El mantenimiento proactivo
Mediante El mantenimiento proactivo es una estrategia enfocada en la
identificación y corrección de las causas que originan las fallas en equipos, componentes
e instalaciones industriales. Esta técnica implementa soluciones que atacan la causa raíz
que puede provocar fallas. (TMV)
Beneficios del mantenimiento Proactivo:
• Permite analizar la evolución de una falla sintomática reversible prácticamente desde
la aparición de la causa raíz, debido a su sensibilidad de detección prematura.
• Provee información para trabajar sobre las causas y no efectos de los fallos.
• Reduce los gastos provocados por las fallas sintomáticas irreversibles.
• Ofrece el panorama muy acotado del estado de los componentes para decidir el
momento más oportuno de su reemplazo o reparación.
 42

• Prolonga la vida de equipos en los cuales la causa raíz hubieran generado una falla
sintomática irreversible. (Pistarelli, 2010)
2.3 Metodologías de optimización del mantenimiento
La existencia de las estrategias de mantenimiento correctiva y preventiva si bien
es cierto son necesarias, no son suficientes para garantizar la continuidad de
funcionamiento de los activos deben ser reforzadas mediante la aplicación de ciertas
metodologías como la del mantenimiento centrado en la confiabilidad (Reliability,
Centered Maintenance-RCM, por sus siglas en Inglés) y el mantenimiento productivo total
(Total Productive Maintenance-TPM, por sus siglas en Inglés) las que describiremos
brevemente.
2.3.1 Mantenimiento centrado en la confiabilidad (RCM)
El mantenimiento centrado en la confiabilidad (en adelante RCM, Reliability
Centered Maintenance), aparece para encontrar respuestas a las fallas que ocurrían en los
activos a pesar de que a estos se les aplicara escrupulosamente las tareas tradicionales de
mantenimiento preventivo.
Se puede definir como un método estructurado, deductivo y participativo que
define la estrategia de mantenimiento apropiada para cada equipo actuando en su
contexto operativo real.
Se puede decir que una estrategia apropiada es una agrupación de tareas capaz de
evitar que sucedan modos de falla o reducir drásticamente sus consecuencias de manera
eficiente.
La metodología RCM sigue u procedimiento:
I. Conformar un equipo multidisciplinario de trabajo.
II. Jerarquizar los activos
III. Identificar las funciones de los activos
IV. Deducir las fallas funcionales y modos de falla,
V. Identificar las causas de tales fallas y
VI. Deducir las consecuencias de las fallas
VII. Elaborar un diagrama de decisión
Del diagrama de decisión se derivan:
a) tareas preventivas (reemplazo o sustitución programada, rutinas de lubricación ajuste
y limpieza),
b) tareas predictivas (detección de fallas incipientes, fallas ocultas) o
c) tareas proactivas
d) rediseño del proceso.
El objetivo es mejorar la confiabilidad operacional.
 43

Los modos de falla cuyas consecuencias son capaces de afectar la seguridad de las
personas o el medio ambiente tienen prioridad en esta metodología. En estos casos se
propone alternativas que reducen el riesgo de accidente y aseguran un desarrollo
sustentable. Se trata de un proceso de mejora de carácter proactivo, porque no es preciso
que sucedan las fallas para empezar a prevenirlas. (Pistarelli, 2010)
El RCM no solo busca resolver problemas de confiabilidad, va mucho más allá y
además introduce un cambio cultural en los conceptos a tener en cuenta al momento de
pensar en mantenimiento. Introduce la idea de que el mantenimiento tiene como finalidad
asegurar que las funciones de un sistema en su contexto operativo sin concentrarse
únicamente en una parte del mismo como objeto aislado.
Los diversos beneficios de usar RCM son:
• Preservar las funciones del sistema productivo teniendo en cuenta su contexto
operativo.
• Establecer rutinas de mantenimiento más efectivas para el activo buscando hacer
exclusivamente lo necesario.
• Eliminar el riesgo de accidentes o reducirlo a niveles tolerables y satisfacer normativas,
leyes o reglamentaciones vigentes referidas al cuidado del medio ambiente.
• Aumentar confiabilidad operacional.
• Mejorar la calidad de los productos elaborados o de los servicios prestados.
• Satisfacer a los usuarios del equipo o a los clientes de servicio.
• Promover el trabajo en equipo y el espíritu participativo de los colaboradores.
• Crear un lenguaje común en el ámbito del mantenimiento y de la planta.
• Impulsar rediseños para evitar o predecir aquellos modos de falla que puedan
amenazar la seguridad de las personas, el medio ambiente o producción de activos
físicos.
2.3.2 Mantenimiento productivo total (TPM)
También conocido como Total Productive Maintenance. Este tipo de
mantenimiento se desarrolló en Japón, específicamente en el área automotriz, con la
finalidad de mejorar los procesos productivos y alcanzar altos niveles de calidad.
La implementación de TPM, va más allá del área de mantenimiento, en efecto,
impulsa la participación de todos los niveles y sectores de la organización, se trata de
gestionar a la empresa como un TODO, por lo que todas las personas que la conforman
deben adquirir el compromiso de apoyarlo.
El objetivo del TPM es aumentar la eficacia integral de los equipos y con ello la
competitividad y flexibilidad de la empresa. Entre otras cosas persigue: eliminar borrar
los defectos, ya sean físicos y metodológicos, para alcanzar calidad y eficiencia supremos.
El TPM necesita que una persona asuma diversos compromisos y pueda lograr una
evolución mental de enfrentar el trabajo. Debe existir un cambio cultural desde las más
 44

altas esferas de la empresa hasta el colaborador de menos rango, donde la alta jerarquía
debe comprometerse con el proyecto y poder transmitir sus expectativas a los niveles
inferiores.
La visión del TPM se traduce en:
• cero tasas de incidentes.
• cero tasas de defectos.
• cero tasas de averías, fallas y desviaciones.
• cero pérdidas de índole.
Una organización que pretenda aplicar la metodología TPM, necesita conducir los
esfuerzos con procesos que articulen los diversos pilares que comprende, estos son.
• mantenimiento autónomo.
• mantenimiento planeado
• mejora enfocada
• gestión temprana o inicial.
• mantenimiento para la calidad.
• capacitación y Desarrollo.
• gestión de los sectores administrativos.
• higiene, Salud y Medio Ambiente.
2.3.3 Optimización del mantenimiento preventivo (Preventive Maintenance
Optimized)
El método de optimización de mantenimiento preventivo (PMO por sus siglas en
inglés) ha sido concebido para revisar los requerimientos actuales de mantenimiento, el
historial de fallas y además la información técnica de los activos en operación y proponer
mejoras en estos aspectos es decir realizar aquellas tareas que realmente agreguen valor.
Esta metodología no es aplicable solo en la fase de diseño del equipo sino para activos en
operación y tiene como finalidad que la organización del mantenimiento no caiga en el
círculo vicioso del mantenimiento correctivo (ver Figura 12)

Figura 12. Ciclo Reactivo del Mantenimiento

Fuente: https://www.researchgate.net/publication/320540199
 45

La metodología PMO, reconociendo la importancia de la función del sistema, toma

como punto de partida el plan de mantenimiento elaborado para: determinar las tareas y
frecuencias actuales de mantenimiento. La implementación exige experiencia y
conocimiento técnico del personal de planta, para realizar mejoras en distintos aspectos
como: la determinación de nuevas tareas y frecuencias, la asignación de recursos, todo
ello para mejorar la eficacia de los planes de mantenimiento.
La fuerza fundamental del PMO se centra en incorporar acciones de
mantenimiento que agreguen valor. Steve Turner recomienda una serie de pasos para la
implementación de PMO:
• Establecer funciones y tareas.
• Analizar los modos de falla.
• Racionalizar y revisar los procedimientos.
• Análisis funcional basado en confiabilidad.
• Evaluar las consecuencias.
• Determinar las políticas de mantenimiento.
• Agrupar y revisar los procesos funcionales.
• Aprobar e implementar los programas.
• Programa de Vida y Mejoramiento Continuo.
La implementación del PMO se basa en la criticidad de los activos físicos y sistemas
que se encuentran en la planta. La criticidad se puede obtener jerarquizando los equipos.
Existen diversos criterios para la criticidad entre ellos el impacto en la producción, la
seguridad, el medio ambiente, los costos. Cada uno de ellos impacta en el cumplimiento
de los objetivos estratégicos de la organización. La prioridad en la aplicación de la
metodología depende de la criticidad.
En resumen, el PMO se encarga de analizar los programas de mantenimiento de
manera muy detallada y específica, lo cual permite que se lleve a cabo un control
minucioso de todas las actividades realizadas en un equipo. Es así que el proceso de
implementación del PMO transforma la cultura de una empresa reactiva a una cultura
dinámica que aumente la confiabilidad. (Ponce-Mostacero, 2018)
2.3.4 Mantenimiento basado en riesgo (RBM)
En toda tarea de mantenimiento existe riesgos implícitos por esta razón aparece la
metodología de mantenimiento basado en el riesgo, que busca reducirlo o eliminarlo para
evitar incidentes, daños a la salud o al medio ambiente. Esto es mucho más importante en
aquellas pantas de alto riesgo tales como las de hidrocarburos, nucleares, petroquímicas).
La definición de riesgo contempla dos aspectos: la probabilidad de ocurrencia del evento
(en nuestro caso, la falla) y las consecuencias de la falla.
 46

El mantenimiento basado en riesgo puede tener impactos en:

• Planificación y Gestión de activos: cuando se aplica una jerarquización de equipos
basada en riesgos conjuntamente con una definición clara de los compromisos de
producción a corto, mediano y largo plazo, la planificación aporta valor al negocio.
• Organización: cuando se aplica una estrategia de mantenimiento basada en riesgo no
se debe descuidar el ciclo de mantenimiento, es decir, identificación de tareas,
planificación, programación, ejecución y cierre.
• Actividades del ciclo de vida: una buena gestión de los equipos potencia la eficacia en
las diferentes etapas del ciclo de vida del activo (diseño, fabricación, instalación,
operación, mantenimiento y enajenación) para la selección o renovación.
• Conocimiento de los Activos: el desconocimiento o la incertidumbre sobre la condición
de los activos, es un elemento potenciador del riesgo y al mismo tiempo es una de las
causas de mayor destrucción de valor en una organización.
• Revisión y Riesgo: el proceso de gestión de riesgo debe ser una parte integrante de la
gestión del negocio, debe integrarse en la cultura y en las prácticas del quehacer diario
y adaptarse a los procesos de negocio de la organización. (Medina Nuñez, 2018)
Aplicar el mantenimiento basado en riesgos tiene los siguientes beneficios:
• Evita la falla catastrófica de un equipo crítico.
• Permite modelar los mecanismos de deterioro de los equipos.
• Permite direccionar los recursos hacia los equipos claves del proceso.
• Permite definir los puntos de monitoreo de condición de los equipos.
• Mejorar el proceso de planeación de las campañas de inspección.
• Reduce el costo de inspecciones a lo largo de1 ciclo de vida del activo.
• Se alcanzan reducciones significativas de costos asociados al alcance de las paradas de
plantas programadas.
• Reducción de un alto porcentaje del número de equipos a intervenir en una parada
programada para mantenimiento.
• Extensión de los intervalos entre paradas de plantas para mantenimiento.
• Reducción del tiempo de duración de una parada de planta para mantenimiento.
El mantenimiento basado en riesgo es una gestión más completa que el
mantenimiento basado en condición, pues agrega el riesgo calculando la probabilidad de
falla del componente y estimando la consecuencia de la falla. (Medina Nuñez, 2018)
 Capítulo 3
El mantenimiento y la inteligencia artificial
3.1 El mantenimiento en la industria 4.0
En la actualidad gracias a las nuevas tecnologías que se han desarrollado tanto en
sensorización, comunicaciones, almacenamiento de datos y potenciamiento de cálculos
existen nuevas mejoras para el servicio de mantenimiento de los activos.
La estrategia de mantenimiento que por el momento se acomoda más con la IA es
el predictivo, en efecto, con éste se analizan datos operacionales que ayudan a determinar
la condición del activo para poder predecir cuándo se realiza el mantenimiento
respectivo.
Todo mantenedor tiene su visión y la más alta es que sus activos estén siempre
disponibles. La indisponibilidad de un activo afecta la planificación de la producción, con
todos los efectos negativos colaterales que trae consigo. La avería de un activo crítico
afecta el desempeño de la planta, y puede tener consecuencias indeseables que incluso
pueden llegar a comprometer su existencia.
Una de las opciones para mejorar la gestión de mantenimiento es la recopilación
de datos de ciertas variables en los equipos. Esto comienza con la instalación de sensores
en puntos estratégicos. El análisis de los datos recopilados por los sensores brinda
información de calidad para tomar decisiones asertivas en cuanto a intervenciones de
mantenimiento. Si esos datos son procesados mediante algoritmos convenientemente
entrenados, pueden ayudar a detectar fallas y alertar sobre su presencia. Esto finalmente
conlleva a una mejora de la competitividad sin una gran inversión adicional.
La metodología más general que se lleva a cabo en el mantenimiento cuando va de
la mano con la IA en la Industria 4.0 es la siguiente:

• Primero, planifica la estrategia de mantenimiento predictivo en un activo determinado.

• Se le añade, la monitorización, a través de sensores o dispositivos IoT.
• La información obtenida de los sensores define si un activo tiene sus diversos
parámetros correctos. Aquí se une el conocimiento del activo y mantenimiento
predictivo.
• Si los parámetros están fuera de estándar los diferentes algoritmos comunicarán la
variación del estado del activo podrán identificar lo que está pasando.
 48

• Posteriormente, se activa el proceso de creación de alertas y avisos acerca de la

probabilidad de una falla o anomalía en el sistema.
• Finalmente, programar una intervención en el activo a través de la generación
automática de órdenes de trabajo y optimización de los planes de mantenimiento.
(Corredera, 2019)
3.2 Apoyo de las tecnologías habilitadoras al mantenimiento
En esta sección se explica como el mantenimiento evoluciona a lo largo del tiempo.
adecuando sus estrategias en función del avance tecnológico. En la actualidad, el reto es
adecuar tales estrategias con la IA y el trabajador de mantenimiento también debe
evolucionar adicionando a su conocimiento técnico otras habilidades como las de
aprendizaje continuo, trabajo en equipo y reacción rápida a los cambios, es decir,
convertirse en un trabajador 4.0
Para tener claridad acerca de la función mantenimiento en las actuales
circunstancias se describirán como las diversas tecnologías habilitadoras de la IA
(Internet de las cosas, robótica colaborativa, drones, sistemas ciber-físicos, realidad
virtual, realidad aumentada, entre otras) pueden adecuarse al Mantenimiento.
3.2.1 Internet industrial de las cosas
El término internet de las cosas (IoT, por sus siglas en inglés) es tan reciente que
aún no tiene una clara definición y probablemente hay personas que no comprenden qué
es concretamente, sin embargo, se puede decir de manera sencilla que se refiere a un
inmenso número de objetos físicos (dispositivos) que se conectan a internet (vía cable,
wifi, bluetooth, etc) para compartir datos con otros objetos físicos, haciendo su trabajo sin
intervención humana.
Algunos de los objetos físicos son de uso cotidiano en los seres humanos como los
teléfonos móviles y otros de uso en entonos industriales para monitorear variables en
máquinas (temperatura, vibración, consumo energético, etc), detectar patrones, hacer
recomendaciones y de esa manera ayudar a tomar decisiones, entre ellas, decisiones
acerca de la gestión de su mantenimiento. Cuando esta interconexión se realiza en equipos
industriales el término cambia y se convierte en internet industrial de las cosas (IoT, por
sus siglas en inglés).
Esto parte necesariamente de la instalación de sensores en los dispositivos, los
cuales generan una gran cantidad de datos que, recolectados, procesados y analizados
proveen información relevante para la toma de decisiones, por ejemplo, si hay algún
síntoma premonitorio de falla en una máquina, generar un aviso que sea notificado a las
personas correspondientes, generar pedidos de repuestos para intervenirla a tiempo.
Todo este proceso puede ser acompañado desde un dispositivo móvil. Esto sería el mundo
del mantenimiento 4.0, los beneficios pueden ser muchos.
 49

3.2.2 Robótica colaborativa

Tradicionalmente, los robots industriales eran máquinas enjauladas de grandes
dimensiones con las que los humanos no podían interactuar, ya que eran pesadas, no
tenían consciencia de su entorno y suponían un peligro para la seguridad. Una evolución
han sido los robots colaborativos (cobots) los cuales pueden trabajar junto a los humanos
para realizar ciertas tareas. (Automated, 2018)
Los cobots son mucho más fáciles de programar y se adaptan a trabajar con las
personas. Vienen equipados con funciones de seguridad que les permiten detenerse o
ralentizar su velocidad cuando hay un ser humano cerca, esto reduce el riesgo de colisión
o peligro de seguridad. Las funciones integradas de los cobots son las que hacen factible
la ayuda a los técnicos al momento de reducir el riesgo de que se produzcan periodos de
inactividad imprevistos.
Se han diseñado cobots para realizar tareas repetitivas y complejas con el objeto
de reducir la fatiga de los humanos; por otro lado, pueden realizar tareas realizadas en
entornos peligrosos, por ejemplo, en un equipo sobrecalentado.
Gracias a la IA y el aprendizaje automático los cobots pueden aprender a medida
que desarrollan su trabajo y eso les ha permitido desarrollar la capacidad de tomar sus
propias decisiones, alertando a los humanos de cualquier posible avería. Esto los hace
muy adecuados para las labores de mantenimiento de activos antes de que la avería
repercuta negativamente en la producción. Es una forma de mejorar el mantenimiento
preventivo en la fábrica.
Actualmente se ha venido trabajando en el desarrollo del ARMAR-6, un robot
humanoide y autónomo que puede ayudar a reducir el tiempo empleado en las tareas de
mantenimiento en la fábrica. Está conformado por un sistema de tres cámaras para
detectar y reconocer humanos, identificar la voz para poder entender y procesar las
órdenes, y manos con pinzas para coger objetos.
Se aspira a que en el futuro el robot sea capaz de determinar las intenciones del
técnico para poder intervenir en el momento más oportuno; sería una gran ayuda para
los técnicos en las labores de mantenimiento.
3.2.3 Drones
El uso de drones es fundamental en el mantenimiento sobre todo en labores de
inspección en lugares inaccesibles, además evita que trabajadores tengan que acceder
lugares peligrosos, por ejemplo, inspección en líneas eléctricas energizadas, en grandes
alturas, etc.
Los drones brindan un acceso más fácil a los datos, menor costo y riesgo, y la
posibilidad de documentar las condiciones de los activos en una forma automatizada.
Conforme progresa la tecnología en el uso de drones se puede gestionar con facilidad las
instalaciones, infraestructuras y activos.
 50

Las principales ventajas del uso de drones son:

• Ahorro de costos.
• Reducción de los accidentes.
• Mejora de los servicios al incrementar la fiabilidad de los equipos.
La información recolectada por los drones puede ser compartida con un software
de gestión de mantenimiento que incluya registros históricos de estados previos, normas
de mantenimiento y diversas especificaciones junto con instrucciones de reparación,
diagramas, información de garantías y demás datos para: monitorear las condiciones de
los activos y mejorar los programas de mantenimiento y/o reparación minimizando las
paradas.
3.2.4 Sistemas ciber físicos
Un Sistema Ciber-Físico (CPS por sus siglas en inglés), es todo aquel dispositivo
que integra capacidades de computación, almacenamiento y comunicación para controlar
e interactuar con un proceso físico. Los Sistemas Ciber-Físicos están, normalmente,
conectados entre sí y también con servicios remotos de almacenamiento y gestión de
datos. (PodCast Industria 4.0, 2016)
Cada activo tendrá un doble en el espacio cibernético ayudando a predecir,
primero, y prevenir, después, fallas potenciales. En un entorno de automatización
industrial inteligente como el que propician los sistemas ciber físicos que caracterizan la
industria 4.0, las máquinas y equipos no sólo son capaces de llevar a cabo análisis que les
permitan el autoconocimiento, sino que incluyen capacidades de autoevaluación,
autocomprobación, autoconfiguración y también de llevar a cabo su propia optimización
para obtener más inteligencia y un mayor rendimiento. (OBS Business School , 2018)
La arquitectura que se debe centrar en cómo habilitar los activos para utilizar
datos e información para crear conocimiento y sabiduría, para ello se necesitan 5 pasos:
1. Propiciar una conexión inteligente: desde el nivel de máquina o componente, lo
primero es tener claro cómo adquirir datos de manera eficiente y confiable. Un
protocolo de comunicación y el diseño de un esquema de red de fábrica robustos
basado en métodos conocidos de comunicación sin cables, como Bluetooth o Wi-Fi, por
ejemplo, es el principio. Además, hay que garantizar la calidad y transparencia de los
datos, requisito indispensable cuando el objetivo es lograr que los sistemas de
máquinas sean más inteligentes.
2. Convertir datos a información: en un entorno industrial, los datos pueden provenir de
diferentes recursos, incluidos controladores, sensores, sistemas de fabricación (ERP,
MES, SCM y sistema CRM) o registros de mantenimiento, entre otros. Estos datos deben
convertirse en información significativa para una aplicación en el mundo real, por lo
que es preciso implementar las capacidades que harán posible extraer valor de los bits
de información recogidos.
 51

3. Construir una gran base de conocimiento para cada activo: una vez que es posible
recolectar información de sus sistemas, hay que garantizar la robustez del nivel
cibernético, utilizando esta información para crear un avatar cibernético para dicho
activo.
4. Proporcionar las soluciones para convertir las señales de los activos en información: la
automatización industrial avanza hacia un modelo cognitivo, en el que el activo mismo
puede aprovechar este sistema de monitorización en línea para diagnosticar sus
posibles fallos y conocer su potencial degradación. Este tipo de sistemas pueden
utilizar algunos algoritmos de predicción específicos para anticipar errores,
problemas, ineficiencias o interrupciones dentro de un plazo temporal.
5. Configurar el sistema para que sea capaz de enviar oportunamente información sobre
los problemas detectados: el conocimiento extraído puede enviarse al sistema de
gestión empresarial para que usuarios y gerentes puedan tomar la decisión correcta.
Al mismo tiempo, el activo puede ajustar su carga de trabajo o su programa de
fabricación para reducir las pérdidas provocadas por el funcionamiento incorrecto y,
finalmente, lograr un sistema resistente. (OBS Business School , 2018)
3.2.5 Realidad virtual
La tecnología de la realidad virtual recrea un espacio tridimensional virtual
inmersivo, similar a uno real. Si una persona se coloca unas gafas de realidad virtual, se
priva totalmente del mundo real que tiene alrededor y puede interactuar dentro de ese
mundo virtual mediante dispositivos adecuados (guantes, mandos).
La realidad virtual puede aplicarse en diversos aspectos del mantenimiento, por
ejemplo, en entrenamiento, en efecto, la implementación de dispositivos de realidad
virtual permite a los técnicos de mantenimiento tener experiencias realistas sobre las
características y dimensiones de los activos. Asimismo, podría simular reparaciones y
resolver incidencias ficticias.
Las ventajas de la aplicación de la realidad virtual en el mantenimiento son:
• Ahorrar tiempo en la búsqueda de información y solución de problemas.
• Mejorar el entrenamiento creando aplicaciones que incluyen también textos
explicativos para formar empleados.
• Acceso al historial de datos, revisar fechas, datos y recibir una alarma preventiva
cuando estén cerca de cumplir su fecha prevista o recibir avisos sobre la temperatura
o el estado de desgaste de sus componentes.
• Etiquetar virtualmente los elementos para que no exista ningún tipo de error de
identificación. Además, permite que se encuentre cualquier tipo de elemento en
sistemas complejos sin dificultad. (Grupo Retailgas, 2020)
• Se puede gestionar intervenciones en tiempo real mediante teleasistencia en streaming
en la que expertos pueden conectarse con los mantenedores u operarios eliminando
 52

viajes de técnicos o expertos y dejando trazabilidad con registro gráfico de una

reparación. Esto reduce la brecha de habilidades.
• Reduce tiempos de inactividad de los equipos al permitir que los operadores resuelvan
los problemas como expertos especializados incrementando la disponibilidad de los
equipos.
• Se puede acceder al historial de mantenimiento de cualquier componente de la
instalación, introduciendo y gestionando intervenciones en campo desde los
dispositivos
3.2.6 Realidad aumentada
La realidad aumentada es una tecnología que conecta al mundo real con lo digital.
Lo cual consiste en superponer imágenes generadas digitalmente sobre elementos de un
entorno real. La realidad aumentada permite crear una experiencia especializada en el
entorno de trabajo, en cualquier momento y desde cualquier lugar. Cuando surja un
problema se podrá tener conexión con especialistas que ayudarán a diagnosticar el
problema y poder así brindar una solución rápida y efectiva. De esta forma se podrá
reducir el tiempo de inactividad de la máquina y el tiempo de reparación lo que conlleva
a ahorrar esfuerzo y dinero.
Las ventajas de la Realidad Aumentada en el Mantenimiento son:
• Información en tiempo real: Gracias a la conexión de la plataforma con variadas fuentes
de datos.
• Gestión del Mantenimiento: Es posible acceder al histórico de mantenimientos
completos para poder introducir y gestionar incidencias desde la propia plataforma.
• Acceso a la documentación: Gracias a la plataforma implementada, una vez que se
identifica el elemento o equipo, se pueden acceder a los documentos.
• Simulación de Procesos: Desde un aplicativo se pueden realizar simulaciones sobre los
equipos de planta, así el operario puede accionar determinados mecanismos o cambiar
variables del equipo para poder así visualizar una simulación 3D.
• Teleasistencia: Mediante el streaming se pueden gestionar incidencias en tiempo real
de tal forma que el operario se pueda conectar con el equipo técnico. (IDEA Ingeniería,
s.f.)
Los usos de la realidad aumentada en las estrategias de mantenimiento son:
• Mantenimiento preventivo: La realidad aumentada ayuda a prevenir fallas e incidentes,
algunos ejemplos de usos son instrucciones de montaje al operador para asegurar la
calidad del proceso, instrucciones de inspección, instrucciones detalladas para
procedimientos nuevos o desconocidos y verificación de cumplimiento de proceso.
• Mantenimiento correctivo: Estos procesos se llevan a cabo para reparar los daños
encontrados en el mantenimiento preventivo y la realidad aumentada se puede usar
para instrucciones de servicio y brindar asistencia remota en dar mantenimiento sin
importar que el experto no esté en el lugar.
 53

• Mantenimiento predictivo: Esta técnica consiste en pronosticar el punto de falla de una

máquina antes de que suceda. La realidad aumentada permite conocer datos en tiempo
real y conocer el rendimiento de la maquinaria para predecir futuras fallas.
3.2.7 Fabricación aditiva
También conocida como fabricación por adición, se le conoce como un nuevo
concepto de producción por el cual el material a elección (plástico o metal) se deposita
capa a capa de una forma controlada. Esta técnica permite producir diversos diseños
geométricos personalizados según las necesidades de cada sector.
Este sector de producción por adición ha incrementado en los últimos tiempos
debido a la rapidez, precisión y ahorro que brinda a los usuarios. Con esta tecnología se
elabora una gran variedad de componentes para diversos sectores productivos,
principalmente de sectores de la salud y la industria aeroespacial.
Actualmente, existen distintas tecnologías de fabricación aditiva que se distinguen
por los materiales que usan como filamentos, hilos, polvos, líquidos o resinas, y además
por las diversas formas de unir estos materiales, ya sean mediante calor, haz de luz, láser
o soldadura.
En comparación con las técnicas de fabricación tradicionales, este tipo de
tecnología tiene enormes beneficios como la reducción de procesos intermedios como la
producción de utillajes, ya que permite la obtención de piezas hasta un 90% más rápido.
La fabricación aditiva en el mantenimiento:
▪ Permite la creación de una cadena de productos en menor tamaño, en función a la
demanda.
▪ Disminuye el coste inicial de la inversión para poder fabricar un nuevo producto.
▪ Facilita el proceso de diseño, eliminando restricciones tradicionales del mismo.
▪ Permite la creación de diversos montajes con una variedad de materiales y
propiedades a pesar de tener un ensamblado sencillo.
▪ Reducir los costos de producción a pesar de que existan dificultades geométricas en el
diseño.
▪ Identifica las diferencias y permite personalizar cada producto sin encarecerlo.
▪ Integra mecanismos en las piezas que se han producido sin realizar los respectivos
montajes, calibrados ni ajustes.
▪ Elimina los desechos del material, facilitando un mejor cuidado del medio ambiente y
la reducción de costes. (Dynatec, 2020)
La fabricación aditiva en el panorama industrial está permitiendo a las empresas
adoptar soluciones innovadoras, personalizadas y tecnológicamente avanzadas para
satisfacer las demandas de sus clientes.
 54

3.2.8 Cloud Computing

El Cloud Computing es un servicio que consiste en utilizar la capacidad de
procesamiento y de almacenamiento de servidores y computadoras repartidos por todo
el mundo, unidos entre sí a través de internet. Las empresas pueden alojar allí grandes
cantidades de información de sus actividades sin necesidad de invertir en una
infraestructura (hardware, software, seguridad, soporte, etc) para acceder y disponer de
la misma.
La gran ventaja de este potente servicio es que resulta muy barata, solo se necesita
desarrollar una capa de software que permita gestionar los recursos y las herramientas
de programación. (Ibérica Multimedia, 2008)
El cloud computing en el mantenimiento de las industrias tiene las siguientes
características:
• Se paga solo por los recursos que usan la empresa, sin costos adicionales, evitando así
inversiones en infraestructura o costos por adquisición de licencias.
• Externalización: Se puede externalizar la gestión de recursos informáticos a un
proveedor especializado, lo cual permite que las empresas eliminen los costos
asociados a la instalación y mantenimiento de una infraestructura informática propia.
• Multifuncionalidad: Cada empresa elige las funciones del sistema que necesita en cada
momento.
• Multiusuario: Autoriza que diferentes usuarios de una empresa puedan usar los
servicios de una misma plataforma.
• Auto servicio bajo demanda: Los diversos usuarios pueden consultar las capacidades
del servicio sin tener que consultar al proveedor.
• Acceso sin restricciones: Se permite acceder a cualquier lugar / momento y con
cualquier dispositivo con acceso a la red. (Aina Tecnología, 2012)
3.2.9 Big Data
La digitalización de las señales de campo trae consigo una vasta cantidad de datos
a lo que se llama Big Data. Estos datos provienen de los sensores de campo, dispositivos
IoT, actuadores instalados en la maquinaria o procesos industriales, y se almacenan en
grandes repositorios de información llamados Data Warehouse que se pueden analizar e
interpretar mediante técnicas apropiadas de machine learning para una toma de
decisiones informada y generar valor en la organización
De este modo, detectar tendencias y comportamientos de los activos permitirá
predecir fallas antes de que ocurran (a esto se le conoce como análisis predictivo),
planificar reparaciones, evitar el estancamiento de las operaciones y eliminar la
posibilidad de una falla catastrófica. Con todo ese apoyo se reducirán los costos de
mantenimiento y se mejorará el tiempo medio entre fallas (MTBF; por sus siglas en
inglés), la confiabilidad de los activos y disponibilidad de los sistemas
 55

Hay diversas variables que podrían ser relevantes para predecir si una máquina
fallará a corto plazo, como por ejemplo los tiempos de un determinado proceso, lecturas
de voltajes o corrientes, niveles de humedad o presión. Estos datos obtenidos de
diferentes fuentes de datos, apoyados con un modelo de Analítica Predictiva permitirán
aprender los patrones que suelen preceder las fallas de una máquina para llevar a cabo
un proceso de mantenimiento preventivo sin que la producción se vea afectada. A mayor
cantidad de datos de entrenamiento, mejor se ajustará el modelo.
Lo atributos de los datos son los siguientes: Volumen, Variedad, velocidad,
veracidad, visibilidad y valor, se describe a continuación cada uno de ellos:
• Volumen de data: Se refiere a la cantidad de datos que genera una organización por
segundo. Estos datos provienen de diversas fuentes virtuales como: dispositivos
electrónicos. En forma de texto, imágenes, videos, etc.
• Velocidad de data: la velocidad con la que el Big Data analiza los datos es muy alta, esto
permite a las empresas recopilar información instantánea incrementando la velocidad
de producción y transmisión de datos.
• Variedad de data: tiene que ver con todos los lugares donde los datos pueden ser
almacenados y extraídos
• Valor de data: El objetivo del Big Data es agregar valor a la organización mediante un
análisis preciso de los datos.
• Veracidad: De los millones de datos que se generan, muchos pueden ser falsos, es
preciso filtrarlos en el análisis.
• Visibilidad: Es importante contar con las herramientas de visualización que permiten
de una manera fácil leer los análisis realizados.
3.2.10 Block Chain
El Blockchain es un tipo de tecnología a base de datos diseñada de una manera
radicalmente diferente. Brinda un excelente potencial de poder simplificar de manera
drástica la contabilidad, cadenas de suministros, sistemas de registros, seguimiento de
activos, etc. Las diversas empresas que aprovechan estas ventajas que brindan la base de
datos blockchain reconocen grandes eficiencias operativas e incluso reconocen un cambio
fundamental en la manera que se relaciona con los clientes. (Carretero Toro, s.f.)
Este tipo de tecnología permite crear un certificado de nacimiento para cada una
de las piezas y de los componentes de un activo, de dar acceso y actualizarlo cada vez que
un activo es verificado. Por otro lado, permite el acceso a esta información a las distintas
partes implicadas y solo a aquellos datos a los que estén autorizados a conocer.
El Blockchain tiene alta potencialidad y se puede manifestar mejor en el sector
mantenimiento. Se ha pronosticado que para el 2023, el 30% de las empresas de
fabricación con más de 5 mil millones de dólares en ingresos habrán implementado
proyecto piloto utilizando blockchain frente a menos del 5% actual.
 56

El uso de esta tecnología ha proporcionado en cada área de mantenimiento como

habilitar los detalles del producto, vincular el producto al proveedor, iniciar servicios
anuales, ejecutar solicitudes de servicio, captura de registros de servicio y generar factura,
es impecable.
Además, ha permitido que las organizaciones rastreen problemas con un
fabricante de producto, componente o material específico, garantiza seguridad y mejorar
el servicio y disminuir el costo de mantenimiento, así como también garantiza la
información crítica del dispositivo y los detalles de su servicio se mantengan de forma
segura en un libro mayor.
Blockchain como un libro mayor descentralizado también ayuda en el
mantenimiento de las reglas. En lugar de almacenar y extraer el estado de los activos,
también es posible almacenar las reglas que impulsan el mantenimiento de los activos, en
línea con los procesos industriales.
Las actualizaciones de firmware por aire (OTA), que son comunes en los
dispositivos de IoT con capacidades inalámbricas, enfrentan la amenaza de piratería, ya
que el acceso físico puede no ser necesario en tales casos. La mayoría de estos marcos
utilizan una arquitectura centralizada para actualizar una cantidad potencialmente
grande de dispositivos, ampliando así el panorama de amenazas.
Alternativamente, se puede aprovechar un marco de blockchain con contratos
inteligentes para proteger la integridad del proceso de actualización del firmware. Dichos
sistemas se pueden emplear en ciudades inteligentes o escenarios con una gran cantidad
de dispositivos y proveedores de servicios donde los nodos están autenticados, las
comunicaciones protegidas y las condiciones de actualización especificadas y aplicadas a
través de contratos inteligentes. (R, 2020)
 Capítulo 4
Caso de implementación de la inteligencia artificial en la función mantenimiento
Los gestores del mantenimiento de equipos tienen hoy en día una gran
oportunidad para implementar aplicaciones basadas en IA. En los diferentes sectores
como minería, industria, telecomunicaciones, energía, etc se pueden hacer uso de
aplicaciones para monitorear el desempeño de los diferentes equipos que forman parte
de una unidad de procesamiento. Las tecnologías basadas en Inteligencia artificial
permiten detectar diversos fenómenos que ocurren dentro de los equipos y que pueden
no ser perceptibles por los sentidos humanos. Además, tiene la capacidad de ser
predictiva, es decir, precisar deficiencias en los sistemas, que pueden llevar
posteriormente a fallas en un equipo con las consecuencias que ellas conllevan.
En ese sentido explicaremos un caso de IA aplicada al mantenimiento el cual tiene
que ver con la simulación de la degradación de un turboventilador. Donde toda la
información de la data se ha obtenido del repositorio de la NASA.
4.1 Planteamiento y explicación del caso
CASO:
Se ha decidido trabajar con una data del repositorio de la NASA. La cual obtiene
los datos de la simulación de la degradación de un turboventilador. Esta simulación se
llevó a cabo utilizando C-MAPSS de la NASA, el cual es un programa de multiplataforma
creado en colaboración entre el Institute for Human and Machine Cognition (IHMC). El
conjunto de datos fue proporcionado por Prognostics CoE (Centro de Pronósticos por
Excelencia) en el Centro de investigaciones de la NASA AMES.
Se tratará de investigar sobre el diagnóstico y pronóstico multimedia real que
interpretan los diversos datos adquiridos por una red de sensores distribuidos y utiliza
los flujos de datos para tomar decisiones críticas, lo cual permite proporcionar avances
significativos en una amplia gama de aplicaciones. Estos sensores identifican las
condiciones estresantes por las que puede pasar un activo, las cuales pueden ser: alta
presión, alta temperatura, vibraciones, alto campo de irradiación, entre otras
El activo o sistema cuando es impuesto a estas condiciones va generando un daño
en su integridad y funcionalidad, para lo que se requiere un monitoreo constante debido
a que puede llegar a generar situaciones negativas para la seguridad y salud de los
trabajadores.
 58

Un ejemplo de situación negativa serían las plantas de energía nuclear, las averías
inesperadas pueden ser extremadamente costosas y desastrosas, ya que inmediatamente
dan como resultado la pérdida de producción de energía, el costo de mantenimiento
correcto, la reducción de la confianza del público y, posiblemente, lesiones y muertes
humanas. Para poder reducir y tratar de eliminar tales problemas, es necesario evaluar
con precisión el estado actual del sistema y predecir con precisión las vidas útiles
remanente (RUL) de los componentes operativos, subsistemas y sistemas en los sistemas
de ingeniería de alto riesgo.
En general, los enfoques de pronóstico se pueden clasificar en enfoques basados
en modelos, en datos y en híbridos. La aplicación de enfoques generales de pronóstico
basados en modelos se basa en la comprensión de la sistemática de fallas y los modelos
de degradación del sistema subyacente.
El mantenimiento y la gestión de ciclo de vida de estos sistemas de ingeniería de
alto riesgo para minimizar el coste, maximizar la disponibilidad y prolongar la vida útil,
es una de las áreas de aplicación beneficiarias. Es por ello que en este trabajo de
investigación se evaluarán algunos algoritmos como: Random Forest, Gradiant Boostin y
Super Vector Machine para evaluar cuál de los algoritmos presenta un menor R cuadrado
y sería el mejor para procesar la data adquirida en relación al RUL y los respectivos ajustes
que brinda la información dada.
4.2 Solución y posibles respuestas
Los Para poder realizar este código se ha utilizado diversos algoritmos como
Random Forest, validación cruzada, mínimos cuadrados, Support Vector Machine y
Gradient Boostin.
El único trabajo relevante que conocemos proviene de donde solo se emplean dos
algoritmos basados en datos como algoritmos de miembros y sus ponderaciones se
determinan empíricamente en función de un error de entrenamiento de una sola vez sin
un esquema sistemático para la estimación de errores y la validación del rendimiento.
La mayoría de las prácticas de pronóstico basadas en datos seleccionan un solo
algoritmo con la mejor precisión del grupo de algoritmos mientras descartan los demás.
Este enfoque no solo desperdicia los recursos dedicados a desarrollar diferentes
algoritmos, sino que también adolece de la falta de robustez.
Las implementaciones exitosas de los algoritmos de pronóstico requieren la
extracción de las firmas de las condiciones de salud y el conocimiento previo de la salud
de las señales sensoriales de entrenamiento / pruebas masivas de las unidades del
sistema de ingeniería. Para ello, este estudio utilizará un sistema genérico de índices de
salud que se compone de dos índices de salud diferenciados: índice de salud física (PHI) e
índice de salud virtual (VHI). En general, el PHI usa una señal física dominante como una
métrica de salud directa y, por lo tanto, es aplicable solo si las señales sensoriales están
directamente relacionadas con la física de fallas.
 59

En esta parte del código se cargan los paquetes necesarios para visualizar la data
disponible. Se usa print (os.listdir()) para escribir el contenido del archivo, el comando
np.random.seed para crear números aleatorios que tengan un límite al momento de correr
el código.
# load necessary packages and view available data
import os
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import keras
%matplotlib inline
sns.set()
print(os.listdir("/content/drive/My Drive/data3/CMAPSSData"))
# Setting seed for reproducability
np.random.seed(1234)
PYTHONHASHSEED = 0

El comando str(i) seleccionará un número del 1 al 4 tratando de formar como una

oración para indicar las operaciones. Se usarán 3 operaciones y habrá 20 sensores ya que
Python cuenta -1. A los column_names indicará los nombres de las columnas y se le
sumarán las variables para darle un orden.
# the files did not contain headers. Here we create labels based on documentation
target_var = ['Target_Remaining_Useful_Life']
index_columns_names = ["UnitNumber","Cycle"]
op_settings_columns = ["Op_Setting_"+str(i) for i in range(1,4)]
sensor_columns =["Sensor_"+str(i) for i in range(1,22)]
column_names = index_columns_names + op_settings_columns + sensor_columns
print(column_names)
En esta parte del código se define la data como train y se usará la librería Panda para
la lectura y procesamiento de datos ya que es necesario que se lea en csv, por ello lo separa
en puntos y comas.
Con el comando test se cargará la data del test, pero separándola.
El comando print(train shape; test shape), indica respectivamente el nombre y las
dimensiones de la data.
Mientras que el comando head (10) se encarga de imprimir las 5 primeras filas de
data de entrenamiento que tenga unit number =1.
# load data
train= pd.read_csv('/content/drive/My Drive/data3/CMAPSSData/train_FD001.txt', sep=" ", heade
r=None)
test = pd.read_csv('/content/drive/My Drive/data3/CMAPSSData/test_FD001.txt', sep=" ", header=
None)
print("train shape: ", train.shape, "test shape: ", test.shape)
 60

# drop pesky NULL columns

train.drop(train.columns[[26, 27]], axis=1, inplace=True)
test.drop(test.columns[[26, 27]], axis=1, inplace=True)
# name columns
train.columns = column_names
test.columns = column_names
#train.head(10)
#test.head(10)
train[train['UnitNumber'] == 1].head(5)
test[test['UnitNumber'] == 1].head(5)

Luego de haber hecho la respectiva limpieza de data, se corrió el código y se

obtuvieron los siguientes resultados. Se logró ordenar la data y nombrar los encabezados,
donde el train shape: (20631,28) indica que deben coincidir 28 columnas.

Figura 13. Sensores del 1 al 3, Unite Number, Cycle y OP Settings del 1 al 3. Luego de
entrenar la data y tener la matriz de (20631,28)

Figura 14. Sensores del 1 al 3, Unite Number, Cycle y OP Settings del 4 al 12. Luego
de entrenar la data y tener la matriz de (20631,28)
 61

Figura 15. Sensores del 1 al 3, Unit Number Cycle y OP settings del 13 al 21 Luego de
entrenar la data y tener la matriz de (20631,28)
En esta parte del código se trata de encontrar el máximo valor de ciclos que tengan
valor. Busca así agregar otra columna. Se usa el comando train merge para fusionar una
línea con otra con la máxima cantidad de ciclos. No los renombra, solo los mezcla. Vida
útil actual = número máximo de ciclos en unidad – ciclo actual.
# this section calculates Remaining Useful Life (RUL) in T- minus notation for the training data
# find the last cycle per unit number
max_cycle = train.groupby("UnitNumber")["Cycle"].max().reset_index()
max_cycle.columns = ['UnitNumber', 'MaxOfCycle']
# merge the max cycle back into the original frame
train_merged = train.merge(max_cycle, left_on='UnitNumber', right_on='UnitNumber', how='inner')
# calculate RUL for each row
Target_Remaining_Useful_Life = train_merged["MaxOfCycle"] - train_merged["Cycle"]
train_with_target = train_merged["Target_Remaining_Useful_Life"] = Target_Remaining_Useful_Life
# remove unnecessary column
train_with_target = train_merged.drop("MaxOfCycle", axis=1)
train_with_target[train_with_target['UnitNumber'] == 1].head(5)

A continuación, se muestran los resultados de la vida útil restante en relación a T

menos para los datos de entrenamiento. Se quiere encontrar el último ciclo por unidad
(unit number):

Figura 16. Data entrenada con los sensores del 1 al 3, unit number, ciclo y
operaciones de configuración
 62

Figura 17. Data entrenada con los sensores del 4 al 12, unit number, ciclo y
operaciones de configuración

Figura 18. Data entrenada con los sensores del 13 al 21, unit number, ciclo y
operaciones de configuración

Figura 19. Tiempo de vida útil restante

En la siguiente parte del código se usará el comando sns el cual es una abreviación
del seaborn, pair grid es un comando para realizar gráficas y query es un comando que se
usa para indicar los unit numbers menores a 15.
# use seaborn to visualize featuresto target (RUL)
explore = sns.PairGrid(data=train_with_target.query('UnitNumber < 15') ,
x_vars=target_var,
y_vars=sensor_columns + op_settings_columns,
hue="UnitNumber", size=3, aspect=2.5)
explore = explore.map(plt.scatter, alpha=0.5)
explore = explore.set(xlim=(400,0))
explore = explore.add_legend()

Posteriormente con ayuda del comando sns.PairGrid, se graficarán los valores de la

vida útil restante (eje x) y los sensores + las operaciones configuradas (eje y):
 63

Figura 20. Gráfica obtenida del sensor 1 + operaciones configuradas (eje y) vs.
Vida útil restante (eje x)

Figura 21. Gráfica obtenida del sensor 2 + operaciones configuradas (eje y) vs.
Vida útil restante (eje x)

Figura 22. Gráfica obtenida del sensor 3 + operaciones configuradas (eje y) vs.
Vida útil restante (eje x)
 64

Figura 23. Gráfica obtenida del sensor 4 + operaciones configuradas (eje y) vs.
Vida útil restante (eje x)

Figura 24. Gráfica obtenida del sensor 5 + operaciones configuradas (eje y) vs.
Vida útil restante (eje x)

Figura 25. Gráfica obtenida del sensor 6 + operaciones configuradas (eje y) vs.
Vida útil restante (eje x)
 65

Figura 26. Gráfica obtenida del sensor 7 + operaciones configuradas (eje y) vs.
Vida útil restante (eje x)

Figura 27. Gráfica obtenida del sensor 8 + operaciones configuradas (eje y) vs.
Vida útil restante (eje x)

Figura 28. Gráfica obtenida del sensor 9 + operaciones configuradas (eje y) vs.
Vida útil restante (eje x)
 66

Figura 29. Gráfica obtenida del sensor 10 + operaciones configuradas (eje y) vs.
Vida útil restante (eje x)

Figura 30. Gráfica obtenida del sensor 11 + operaciones configuradas (eje y) vs.
Vida útil restante (eje x)

Figura 31. Gráfica obtenida del sensor 12 + operaciones configuradas (eje y) vs.
Vida útil restante (eje x)
 67

Figura 32. Gráfica obtenida del sensor 13 + operaciones configuradas (eje y) vs.
Vida útil restante (eje x)

Figura 33. Gráfica obtenida del sensor 14 + operaciones configuradas (eje y) vs.
Vida útil restante (eje x)

Figura 34.Gráfica obtenida del sensor 15 + operaciones configuradas (eje y) vs.

Vida útil restante (eje x)
 68

Figura 35.Gráfica obtenida del sensor 16 + operaciones configuradas (eje y) vs.

Vida útil restante (eje x)

Figura 36. Gráfica obtenida del sensor 17 + operaciones configuradas (eje y) vs.
Vida útil restante (eje x)

Figura 37. Gráfica obtenida del sensor 18 + operaciones configuradas (eje y) vs.
Vida útil restante (eje x)
 69

Figura 38. Gráfica obtenida del sensor 19 + operaciones configuradas (eje y)

vs. Vida útil restante (eje x)

Figura 39. Gráfica obtenida del sensor 20 + operaciones configuradas (eje y)

vs. Vida útil restante (eje x)

Figura 40. Gráfica obtenida del sensor 21 + operaciones configuradas (eje y) vs.
Vida útil restante (eje x)
 70

Figura 41. Gráfica de operaciones configuradas 1 (eje y) vs. Vida útil restante
(eje x)

Figura 42. Gráfica obtenida de operaciones configuradas 2 (eje y) vs. Vida útil
restante (eje x)

Figura 43. Gráfica obtenida de operaciones configuradas 3 (eje y) vs. Vida útil
restante (eje x)
Como la configuración de operaciones 3 está estable, se decidió graficar los
sensores más activos con la configuración de operaciones 1 y 2. Donde el eje “x” será de
las operaciones 1 y 2, y el eje “y” coge los sensores a excepción del 1,5 y 6 porque no
cambian respecto a las operaciones para luego redimensionar la data.
 71

# operational setting 3 is stable, let's visualize op setting 1 and 2 against some of the most active se
nsors
g = sns.pairplot(data=train_with_target.query('UnitNumber < 15'),
x_vars=["Op_Setting_1","Op_Setting_2"],
y_vars=["Sensor_2", "Sensor_3", "Sensor_4", "Sensor_7", "Sensor_8", "Sensor_9", "Sensor_11
", "Sensor_12", "Sensor_13", "Sensor_14", "Sensor_15", "Sensor_17", "Sensor_20", "Sensor_21"],
hue="UnitNumber", aspect=1)

Figura 44. Gráfica de sensores vs. operaciones. Eje x operaciones 1

y 2, Eje y sensor 1

Figura 45. Gráfica de sensores vs. operaciones. Eje x operaciones 1

y 2, Eje y sensor 3

Figura 46. Gráfica de sensores vs. operaciones. Eje x operaciones 1

y 2, Eje y sensor 4
 72

Figura 47. Gráfica de sensores vs. operaciones. Eje x operaciones 1

y 2, Eje y sensor

Figura 48. Gráfica de sensores vs. operaciones. Eje x operaciones 1

y 2, Eje y sensor 8

Figura 49. Gráfica de sensores vs. operaciones. Eje x operaciones 1

y 2, Eje y sensor 9

Figura 50. Gráfica de sensores vs. operaciones. Eje x operaciones 1

y 2, Eje y sensor 11
 73

Figura 51. Gráfica de sensores vs. operaciones. Eje x operaciones 1

y 2, Eje y sensor 12

Figura 52. Gráfica de sensores vs. operaciones. Eje x operaciones 1

y 2, Eje y sensor 13

Figura 53. Gráfica de sensores vs. operaciones. Eje x operaciones 1

y 2, Eje y sensor 14

Figura 54. Gráfica de sensores vs. operaciones. Eje x operaciones 1

y 2, Eje y sensor 15
 74

Figura 55. Gráfica de sensores vs. operaciones. Eje x operaciones 1

y 2, Eje y sensor 17

Figura 56. Gráfica de sensores vs. operaciones. Eje x operaciones 1

y 2, Eje y sensor 20

Figura 57. Gráfica de sensores vs. operaciones. Eje x operaciones 1

y 2, Eje y sensor 21
A continuación, se limpian los datos sobrantes para poder ajustar la data y se usa
random forest para obtener la data más relevante. Así es como se crea un random forest
de 200 árboles con 15 niveles de profundidad.
En esta parte del código se usan los comandos train_no_drop para eliminar lo que
está y el comando train_no_leakage para la nueva data redimensionada. Por otro lado, el
comando print se encarga de imprimir la data redimensionada. La variable y menos unit
number, cycle y op settings y la variable x contiene todo lo que no contenga el URL (elimina
el target useful lifes).
 75

# now it's time to clear out target leakage

print(train_with_target.shape)
leakage_to_drop = ['UnitNumber', 'Cycle', 'Op_Setting_1', 'Op_Setting_2', 'Op_Setting_3']
train_no_leakage = train_with_target.drop(leakage_to_drop, axis = 1)
print(train_no_leakage.shape)
# set up features and target variable
y = train_no_leakage['Target_Remaining_Useful_Life']
X = train_no_leakage.drop(['Target_Remaining_Useful_Life'], axis = 1)

En la siguiente parte del código, se usa el comando esemble para poder armar un
random forest y así determinar las características más significativas con un número de
árboles. Mientras que el n_estimadores=200 es el número de árboles completos y su
comando max_depth = 15 indica la máxima oportunidad.
Se hace un entrenamiento y predicción de acuerdo a x. Al correr este código se
indica al final que cuando haya terminado de correr escriba complete.
# I like to use a simple random forest to determine some of the most important/meaningful feature
s. Can be used as feature selection
# create an exhuastive random forest (200 trees up to 15 levels deep)
from sklearn import ensemble
rf = ensemble.RandomForestRegressor()
single_rf = ensemble.RandomForestRegressor(n_estimators = 200, max_depth = 15)
single_rf.fit(X, y)
y_pred = single_rf.predict(X)
print("complete")

Esta parte del código indica la importancia de cada gráfico, al correr se obtiene que
el sensor 18 no varía, el sensor con más relevancia es el 11 sin embargo su índice es el 10.
Usa el comando importance para indicar las características de cada sensor, el comando
np.argsort permite ordenar el nivel de importancia de la gráfica y el comando plt.show
para mostrar la gráfica. Finalmente, el comando important features para indicar la lista de
variables más importantes.
# graph feature importance
import matplotlib.pyplot as plt
importances = single_rf.feature_importances_
indices = np.argsort(importances)[::-1]
feature_names = X.columns
f, ax = plt.subplots(figsize=(11, 9))
plt.title("Feature ranking", fontsize = 20)
plt.bar(range(X.shape[1]), importances[indices], color="b", align="center")
plt.xticks(range(X.shape[1]), indices) #feature_names, rotation='vertical')
plt.xlim([-1, X.shape[1]])
plt.ylabel("importance", fontsize = 18)
plt.xlabel("index of the feature", fontsize = 18)
plt.show()
 76

# list feature importance

important_features = pd.Series(data=single_rf.feature_importances_,index=X.columns)
important_features.sort_values(ascending=False,inplace=True)
print(important_features.head(10))

Se procede a graficar la data más relevante:

Figura 58. Gráfica en relación a la importancia

Figura 59. Sensores más relevantes

Esta parte del código se encarga de imprimir los primeros 10 valores ya que se
consideran los más importantes. El comando vars_to_drop se usa para indicar las variables
 77

que no sirven, el comando + str(i) se encarga de almacenar los valores sin importancia, el
comando train_final=train_no_leakage.drop se usara para redimensionar porque la matriz
indica que se eliminan 6 variables.
# based on the graphs as well as random forest feature importance, I will exclude sensors without
much valuable information
print(train_no_leakage.shape)
vars_to_drop = ["Sensor_"+str(i) for i in [5, 15, 9, 17, 4, 18]]
train_final = train_no_leakage.drop(vars_to_drop, axis = 1)
print(train_final.shape)
train_final.head(5)

Y se procede a excluir los sensores con poca información relevante:

Figura 60. Sensor del 1 al 11 de la nueva data entrenada para excluir a los de
poca información relevante

Figura 61. Sensor del 12 al 21 de la nueva data entrenada para excluir a los de poca
información relevante
En esta parte del código identifica los campos categóricos y numéricos, así mismo
les asigna nombre. Tomando así la data más relevante.
# identify categorical and numeric fields
from sklearn import preprocessing
categorical = train_final.select_dtypes(include=['object'])
numeric = train_final.select_dtypes(exclude=['object'])
print(categorical.columns.values)
# create dummy variables (if any categorical fields)
for name, values in categorical.items():
print(name)
 78

dummies = pd.get_dummies(values.str.strip(), prefix = name, dummy_na=True)

numeric = pd.concat([numeric, dummies], axis=1)
# imputation (if any NULL values)
for name in numeric:
print(name)
if pd.isnull(numeric[name]).sum() > 0:
numeric["%s_mi" % (name)] = pd.isnull(numeric[name])
median = numeric[name].median()
numeric[name] = numeric[name].apply(lambda x: median if pd.isnull(x) else x)
y = numeric['Target_Remaining_Useful_Life']
X = numeric.drop(['Target_Remaining_Useful_Life'], axis = 1)

Se realiza el entrenamiento usando random forest, donde el comando test train y

test size se encargan de definir la división de los datos de entrenamiento y prueba.
Mientras que el k fold se usará para la validación cruzada con un k=5 y min_sample_leaf se
usa para saber la mínima cantidad de hojas en el random forest y el comando max_depth
se usa para los valores diversos. Finalmente, el Grind Search para la búsqueda de los
mejores hiperparámetros (profundidad, hojas, etc.)
# random forest regression
# create holdout
import numpy as np
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=1234)
# choose the model
from sklearn.ensemble import RandomForestRegressor
rf = ensemble.RandomForestRegressor()
# set up 5-fold cross-validation
from sklearn import model_selection
cv = model_selection.KFold(5)
# pipeline standardization and model
from sklearn.pipeline import Pipeline
pipeline = Pipeline(steps=[('standardize', preprocessing.StandardScaler())
, ('model', rf) ])
# tune the model
my_min_samples_leaf = [2, 10, 25, 50, 100]
my_max_depth = [7, 8, 9, 10, 11, 12]
# run the model using gridsearch, select the model with best search
from sklearn.model_selection import GridSearchCV
optimized_rf = GridSearchCV(estimator=pipeline
, cv=cv
, param_grid =dict(model__min_samples_leaf = my_min_samples_leaf, model__max_de
pth = my_max_depth)
, scoring = 'neg_mean_squared_error'
, verbose = 1
 79

, n_jobs = -1
)
optimized_rf.fit(X_train, y_train)
# show the best model estimators
print(optimized_rf.best_estimator_)
# evaluate metrics on holdout
from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score
y_pred = optimized_rf.predict(X_test)
print("Random Forest Mean Squared Error: ", mean_squared_error(y_test, y_pred))
print("Random Forest Mean Absolute Error: ", mean_absolute_error(y_test, y_pred))
print("Random Forest r-squared: ", r2_score(y_test, y_pred))

Fitting 5 folds for each of 30 candidates, totalling 150 fits

[Parallel(n_jobs=-1)]: Using backend LokyBackend with 2 concurrent workers.
[Parallel(n_jobs=-1)]: Done 46 tasks | elapsed: 2.5min
[Parallel(n_jobs=-1)]: Done 150 out of 150 | elapsed: 9.0min finished
Pipeline(memory=None,
steps=[('standardize',
StandardScaler(copy=True, with_mean=True, with_std=True)),
('model',
RandomForestRegressor(bootstrap=True, ccp_alpha=0.0,
criterion='mse', max_depth=10,
max_features='auto', max_leaf_nodes=None,
max_samples=None,
min_impurity_decrease=0.0,
min_impurity_split=None,
min_samples_leaf=2, min_samples_split=2,
min_weight_fraction_leaf=0.0,
n_estimators=100, n_jobs=None,
oob_score=False, random_state=None,
verbose=0, warm_start=False))],
verbose=False)
Random Forest Mean Squared Error: 1772.264806735246
Random Forest Mean Absolute Error: 29.89143812976181
Random Forest r-squared: 0.6250111062357075

En esta parte del código se usa Elastic Net GLM para poder realizar la respectiva
regresión y así poder aplicar la validación cruzada con regularización de L1 y L2. Se
definen todos los parámetros y se imprimen los parámetros del mejor estimador. Aquí
también se imprime el error cuadrático medio y el error absoluto medio. El comando
pipeline contiene el modelo de regresión.
# Elastic Net GLM
# create holdout
import numpy as np
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=1234)
 80

# choose the model

from sklearn.linear_model import ElasticNet
glm_net = ElasticNet()
# set up 5-fold cross-validation
from sklearn import model_selection
cv = model_selection.KFold(5)
# pipeline standardization and model
from sklearn.pipeline import Pipeline
pipeline = Pipeline(steps=[('standardize', preprocessing.StandardScaler())
, ('model', glm_net) ])
# tune the model
my_alpha = np.linspace(.01, 1, num=5)
my_l1_ratio = np.linspace(.01, 1, num=3)
# run the model using gridsearch, select the model with best search
from sklearn.model_selection import GridSearchCV
optimized_glm_net = GridSearchCV(estimator=pipeline
, cv=cv
, param_grid =dict(model__l1_ratio = my_l1_ratio, model__alpha = my_alpha)
, scoring = 'neg_mean_squared_error'
, verbose = 1
, n_jobs = -1
optimized_glm_net.fit(X_train, y_train)
# show the best model estimators
print(optimized_glm_net.best_estimator_)
# evaluate metrics on holdout
from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score
y_pred = optimized_glm_net.predict(X_test)
print("GLM Elastic Net Mean Squared Error: ", mean_squared_error(y_test, y_pred))
print("GLM Elastic Net Mean Absolute Error: ", mean_absolute_error(y_test, y_pred))
print("GLM Elastic Net r-squared: ", r2_score(y_test, y_pred))
Fitting 5 folds for each of 15 candidates, totalling 75 fits
[Parallel(n_jobs=-1)]: Using backend LokyBackend with 2 concurrent workers.
Pipeline(memory=None,
steps=[('standardize',
StandardScaler(copy=True, with_mean=True, with_std=True)),
('model',
ElasticNet(alpha=0.01, copy_X=True, fit_intercept=True,
l1_ratio=0.01, max_iter=1000, normalize=False,
positive=False, precompute=False, random_state=None,
selection='cyclic', tol=0.0001,
warm_start=False))],
verbose=False)
GLM Elastic Net Mean Squared Error: 2043.0311342906373
 81

GLM Elastic Net Mean Absolute Error: 34.60051745516692

GLM Elastic Net r-squared: 0.5677203643258366
[Parallel(n_jobs=-1)]: Done 75 out of 75 | elapsed: 1.6s

Se procede ahora a usar el Support Vector Machine para seguir comparando el r

cuadrado y encontrar el mejor algoritmo.
Support Vector Machines
# create holdout
import numpy as np
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=1234)
# choose the model
from sklearn import svm
from sklearn.svm import SVR
svm = svm.SVR()
# set up 5-fold cross-validation
from sklearn import model_selection
cv = model_selection.KFold(5)
# pipeline standardization and model
from sklearn.pipeline import Pipeline
pipeline = Pipeline(steps=[('standardize', preprocessing.StandardScaler())
, ('model', svm) ])
# tune the model
my_C = [1]
my_epsilon = [.05, .1, .15]
# run the model using gridsearch, select the model with best search
from sklearn.model_selection import GridSearchCV
optimized_svm = GridSearchCV(estimator=pipeline
, cv=cv
, param_grid =dict(model__C = my_C, model__epsilon = my_epsilon)
, scoring = 'neg_mean_squared_error'
, verbose = 1
, n_jobs = -1
)
optimized_svm.fit(X_train, y_train)
# show the best model estimators
print(optimized_svm.best_estimator_)
# evaluate metrics on holdout
from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score
y_pred = optimized_svm.predict(X_test)
print("SVM Mean Squared Error: ", mean_squared_error(y_test, y_pred))
print("SVM Mean Absolute Error: ", mean_absolute_error(y_test, y_pred))
print("SVM r-squared: ", r2_score(y_test, y_pred))
 82

Fitting 5 folds for each of 3 candidates, totalling 15 fits

[Parallel(n_jobs=-1)]: Using backend LokyBackend with 2 concurrent workers.
[Parallel(n_jobs=-1)]: Done 15 out of 15 | elapsed: 2.6min finished
Pipeline(memory=None,
steps=[('standardize',
StandardScaler(copy=True, with_mean=True, with_std=True)),
('model',
SVR(C=1, cache_size=200, coef0=0.0, degree=3, epsilon=0.15,
gamma='scale', kernel='rbf', max_iter=-1, shrinking=True,
tol=0.001, verbose=False))],
verbose=False)
SVM Mean Squared Error: 1856.8127708430852
SVM Mean Absolute Error: 30.282585144178867
SVM r-squared: 0.6071218227548569

Igualmente se procede a programar con el algoritmo de Gradient Boosting para

evaluar el r cuadrado y compararlo con los obtenidos previamente.
Gradient Boosting

# create holdout
import numpy as np
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=1234)
# choose the model
from sklearn.ensemble import GradientBoostingRegressor
gb = ensemble.GradientBoostingRegressor()
# set up 5-fold cross-validation
from sklearn import model_selection
cv = model_selection.KFold(5)
# pipeline standardization and model
from sklearn.pipeline import Pipeline
pipeline = Pipeline(steps=[('standardize', preprocessing.StandardScaler())
, ('model', gb) ])
# tune the model
my_alpha = [.5, .75, .9]
my_n_estimators= [500]
my_learning_rate = [0.005, .01]
my_max_depth = [4, 5, 6]
# run the model using gridsearch, select the model with best search
from sklearn.model_selection import GridSearchCV
optimized_gb = GridSearchCV(estimator=pipeline
, cv=cv
, param_grid =dict(model__max_depth = my_max_depth, model__n_estimators = my_n
_estimators,
 83

model__learning_rate = my_learning_rate, model__alpha = my_alpha)

, scoring = 'neg_mean_squared_error'
, verbose = 1
, n_jobs = -1
)
optimized_gb.fit(X_train, y_train)
# show the best model estimators
print(optimized_gb.best_estimator_)
# evaluate metrics on holdout
from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score
y_pred = optimized_gb.predict(X_test)
print("Gradient Boosting Mean Squared Error: ", mean_squared_error(y_test, y_pred))
print("Gradient Boosting Mean Absolute Error: ", mean_absolute_error(y_test, y_pred))
print("Gradient Boosting r-squared: ", r2_score(y_test, y_pred))
Fitting 5 folds for each of 18 candidates, totalling 90 fits
[Parallel(n_jobs=-1)]: Using backend LokyBackend with 2 concurrent workers.
[Parallel(n_jobs=-1)]: Done 46 tasks | elapsed: 13.4min
[Parallel(n_jobs=-1)]: Done 90 out of 90 | elapsed: 26.2min finished
Pipeline(memory=None,
steps=[('standardize',
StandardScaler(copy=True, with_mean=True, with_std=True)),
('model',
GradientBoostingRegressor(alpha=0.75, ccp_alpha=0.0,
criterion='friedman_mse', init=None,
learning_rate=0.01, loss='ls',
max_depth=6, max_features=None,
max_leaf_nodes=None,
min_impurity_decrease=0.0,
min_impurity_split=None,
min_samples_leaf=1,
min_samples_split=2,
min_weight_fraction_leaf=0.0,
n_estimators=500,
n_iter_no_change=None,
presort='deprecated',
random_state=None, subsample=1.0,
tol=0.0001, validation_fraction=0.1,
verbose=0, warm_start=False))],
verbose=False)
Gradient Boosting Mean Squared Error: 1768.620476402149
Gradient Boosting Mean Absolute Error: 29.921852278069807
Gradient Boosting r-squared: 0.6257822005975242
 84

Luego de haber identificado los sensores más relevantes, se compara con los
diversos algoritmos mencionados anteriormente, obteniendo así la gráfica con la
predicción del tiempo de vida útil restante vs. el predicho.
# plot actual vs predicted Remaining Useful Life for the best model (GBM)
fig, ax = plt.subplots()
ax.scatter(y_test, y_pred, edgecolors=(0, 0, 0))
ax.plot([y_test.min(), y_test.max()], [y_test.min(), y_test.max()], 'k--', lw=4)
ax.set_xlabel('Actual RUL')
ax.set_ylabel('Predicted RUL')
ax.set_title('Remaining Useful Life Actual vs. Predicted')
plt.show()

Figura 62. Gráfica de regresión del random foresr y la importancia

de cada sensor. Predicted RUL vs. Actual RUL
Ahora se verá en como convertir los resultados previos en una solución de
clasificación. ¿Se podrá identificar con seguridad cuándo un activo dentro de sus últimos
15 ciclos?
Se genera una nueva etiqueta para una nueva data de entrenamiento de manera
binaria (1,0). Si es menor a 15 ciclos = 1, de lo contrario = 0
En esta parte del código se agregan los sensores previamente obviados.
 85

Figura 63. Sensores del 1 al 7 con nueva etiqueta para nueva data de
entrenamiento

Figura 64. Sensores del 8 al 14 con nueva etiqueta para nueva data de
entrenamiento

Figura 65. Sensores del 15 al 21 con nueva etiqueta para nueva data de
entrenamiento
 86

Figura 66. Vida útil restante y la etiqueta de 15 ciclos ya que, con

más, fallaría el modelo
Al obtener los valores del tiempo de vida útil restante (RUL) muy dispersos y
posteriormente aplicarlos los algoritmos de Random Forest, Validación cruzada, Support
Vector Machine y Gradient Boostin. Teniendo como mejor resultado de precisión para el
RUL el algoritmo de Gradient Boostin con un R cuadrado de 0.6257 ya que se aproxima
más a 1.
A continuación, se procederá a generar el código del Random Forest, pero ahora se
comparará los ciclos, los cuales no pueden ser mayor a 15 y al ser este el algoritmo más
rápido se ha decidido trabajar con este algoritmo obteniendo un r cuadrado de 0.6607 en
esta comparación de ciclos con una precisión de 82.0%
# random forest regression
# create holdout
import numpy as np
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=1234)
# choose the model
from sklearn import ensemble
from sklearn.ensemble import RandomForestClassifier
rf = ensemble.RandomForestClassifier()
# set up 5-fold cross-validation
from sklearn import model_selection
cv = model_selection.KFold(5)
# pipeline standardization and model
from sklearn.pipeline import Pipeline
pipeline = Pipeline(steps=[('standardize', preprocessing.StandardScaler())
, ('model', rf) ])
# tune the model
my_min_samples_leaf = [2, 25, 50]
my_max_depth = [8, 9, 10, 12]
# run the model using gridsearch, select the model with best search
from sklearn.model_selection import GridSearchCV
optimized_rf = GridSearchCV(estimator=pipeline
 87

, cv=cv
, param_grid =dict(model__min_samples_leaf = my_min_samples_leaf, model__max_de
pth = my_max_depth)
, scoring = 'roc_auc'
, verbose = 1
, n_jobs = -1
optimized_rf.fit(X_train, y_train)
# show the best model estimators
y_pred_proba = optimized_rf.predict_proba(X_test)[:, 1]
from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score
y_pred = optimized_rf.predict(X_test)
print(optimized_rf.best_estimator_)
print("Random Forest Mean Squared Error 2: ", mean_squared_error(y_test, y_pred))
print("Random Forest Mean Absolute Error 2: ", mean_absolute_error(y_test, y_pred))
print("Random Forest r-squared 2: ", r2_score(y_test, y_pred))
Fitting 5 folds for each of 12 candidates, totalling 60 fits
[Parallel(n_jobs=-1)]: Using backend LokyBackend with 2 concurrent workers.
[Parallel(n_jobs=-1)]: Done 46 tasks | elapsed: 58.8s
[Parallel(n_jobs=-1)]: Done 60 out of 60 | elapsed: 1.3min finished
Pipeline(memory=None,
steps=[('standardize',
StandardScaler(copy=True, with_mean=True, with_std=True)),
('model',
RandomForestClassifier(bootstrap=True, ccp_alpha=0.0,
class_weight=None, criterion='gini',
max_depth=9, max_features='auto',
max_leaf_nodes=None, max_samples=None,
min_impurity_decrease=0.0,
min_impurity_split=None,
min_samples_leaf=2, min_samples_split=2,
min_weight_fraction_leaf=0.0,
n_estimators=100, n_jobs=None,
oob_score=False, random_state=None,
verbose=0, warm_start=False))],
verbose=False)
Random Forest Mean Squared Error 2: 0.02180760843227526
Random Forest Mean Absolute Error 2: 0.02180760843227526
Random Forest r-squared 2: 0.6607852269925203
 88

Figura 67. Gráfica final con la vida menor o igual a 15 ciclos, ya no

se usa el RUL
 Conclusiones
La existencia y desarrollo de grandes avances de la IA, la cual ha sido aplicada a
sistemas de producción, han hecho que en el día a día la industria logre el objetivo de
poder mejorar su competitividad, ya que es lo que se venía buscando constantemente. Sin
embargo, en la mayoría de los casos de desplazar gran cantidad de mano de obra trae
consigo un deterioro social, lo cual se puede ver reflejado en los indicadores de desempleo
y pobreza.
Gracias a que se ha podido llevar a cabo el estudio del comportamiento inteligente
de las máquinas, se ha podido crear y desarrollar una tecnología que permita crear y dar
forma a diversas conductas que la conllevan a actuar como una persona. El plan es que a
futuro lleguen a desarrollar diversas conductas incluso mejor que los humanos.
Es importante recalcar que la inclusión de la IA en el mantenimiento industrial es
considerada como una herramienta que permite facilitar las operaciones, en cuanto a la
reducción de tiempos para ejecución. Es una gran oportunidad para que los trabajadores
profesionales puedan mejorar y desempeñarse en obtener un mejor conocimiento para
los diversos activos que existen
Se ha logrado determinar que los datos se fragmentan entre organizaciones,
especialmente cuando se retienen en sistemas aislados, además sin la implementación de
la tecnología blockchain, la organización receptora debe confiar en el valor de los datos
recibidos. A diferencia de que con blockchain, las partes involucradas pueden compartir
datos en tiempo real, junto con el historial y las modificaciones al mismo.
En las industrias y empresas peruanas se recomienda empezar con la
implementación de softwares relacionadas con la Inteligencia Artificial, ya que esto
permitirá reducir costos y aumentar la producción usando menor mano de obra. Se puede
ir empezando en pequeños activos, los más críticos, y poco a poco ir desarrollando un plan
de mantenimiento preventivo que se pueda implementar de la mano con la Inteligencia
Artificial.
Los constantes desarrollos en Big Data, la comunicación de máquina a máquina y
la tecnología en la nube han abierto nuevas posibilidades para investigar la información
derivada de los activos industriales. Es viable el monitoreo en tiempo real, gracias a los
sensores, actuadores y otros parámetros de control.
 90

El comando grid search permite realizar diversas combinaciones, desde la mínima

cantidad de hojas y a su vez con 7. Así como en su máxima profundidad donde busca la
mejor combinación para el mejor modelo. Se entrena con una x y y de entrenamiento. Se
usa mucho ya que permite encontrar el mejor hiperparámetro.
El comando pipeline contiene el modelo de regresión, ya que imprime el mejor
estimador para la red, lo cual permite comparar y llegar a la conclusión de que el valor r
cuadrado mejor es el de Gradient Boostin se compara el RUL frente a los otros algoritmos.
En la comparación de los 15 ciclos el Random Forest es el que presenta mejores
resultados al ser usado con una amplia base de datos, así como con data faltante ya que
crea estimaciones de estas. Gracias a la ayuda de algunos algoritmos como el SVM se
pudieron extrapolar los datos para poder realizar la evaluación final de los sensores vs la
vida menor o igual a 15 ciclos.
 Glosario de términos

1 Inteligencia Artificial: Programa de computación diseñado para realizar

determinadas operaciones que se consideran propias de la inteligencia humana, como el
autoaprendizaje.
2. Big data: Es un término que describe el gran volumen de datos, tanto
estructurados como no estructurados, que inundan los negocios cada día. Pero no es la
cantidad de datos lo que es importante. Lo que importa con el Big Data es lo que las
organizaciones hacen con los datos. (Power Data, s.f.)
3. Redes Neuronales: Una red neuronal es un método de computación que
simula el funcionamiento neuronal durante el aprendizaje. Uno de los retos de la
inteligencia artificial es el de resolver problemas de reconocimiento de patrones. es decir,
una de las capacidades en las que la maquina inteligente debe imitar al cerebro humano
es en la capacidad de asociar un conjunto de rasgos con una idea o concepto. (Caparros,
1994)
4. Aprendizaje profundo: El aprendizaje profundo es una rama del aprendizaje
automático. A diferencia de los algoritmos tradicionales de aprendizaje automático,
muchos de los cuales tienen una capacidad finita de aprendizaje independientemente de
cuántos datos adquieran, los sistemas de aprendizaje profundo pueden mejorar su
rendimiento al poder acceder a un mayor número de datos, o lo que es lo mismo, hacer
que la máquina tenga más experiencia. (NetApp, 2021)
5. Malware: es un término general para referirse a cualquier tipo de “malicious
software” (software malicioso) diseñado para infiltrarse en su dispositivo sin su
conocimiento. Hay muchos tipos de malware y cada uno busca sus objetivos de un modo
diferente. Sin embargo, todas las variantes comparten dos rasgos definitorios: son
subrepticios y trabajan activamente en contra de los intereses de la persona atacada.
(Avast Academy, 2021)
 Referencias bibliográficas
10Custom. (18 de setiembre de 2020). Obtenido de
https://customprofessionalhosting.com/noticias/como-la-inteligencia-artificial-esta-
mejorando-el-cloud-computing/
3R. Industria 4.0. (s.f.). Obtenido de https://industria40.me/realidad-virtual/
Aina Tecnología. (2012). Obtenido de https://www.ainia.es/tecnoalimentalia/tecnologia/las-6-
ventajas-de-usar-el-cloud-computing-en-la-empresa-las-conoces/
Allmatic. (2012). Projekt Knestel. Projekte von Allmatic Spannsysteme.
Allmatic. (2019). Gripp Version TITAN 2 M MECHANISCH. Obtenido de
https://www.allmatic.de/shop/produkte/ALLMATIC_GRIPP_Baureihen/Version_TIT
AN_2_K_M_L/Version_TITAN_2_M_MECHANISCH.html
Allmatic. (2019). NC Version LCH 125 HYDRAULISCH. Obtenido de
https://www.allmatic.de/shop/produkte/Automatisierbares_Spannen/NC_HYDRAULI
SCHE_Version_LCH/NC_Version_LCH_125_HYDRAULISCH.html
Automated. (10 de octubre de 2018). Obtenido de
https://www.euautomation.com/es/automated/article/de-que-forma-pueden-mejorar-
los-robots-colaborativos
Avast Academy. (19 de mayo de 2021). Obtenido de https://www.avast.com/es-es/c-malware
Braun, S. J. (2021). Obtenido de http://sebastianbrau.com/la-importancia-de-la-
hiperconectividad-en-la-industria-4-0/
Caparros, M. E. (1994). Redes neuronales: concepto, fundamentos y aplicaciones. Obtenido de
https://www.seqc.es/download/revista/388/1224/1297816671/1024/cms/Qu%C3%AD
mica%20Cl%C3%ADnica%201994;13%20(5)%20221-228.pdf/
Carretero Toro, F. J. (s.f.). Obtenido de https://desarrolloonline.com/wp-
content/uploads/2018/10/Los-usos-de-la-blockchain-crecen.pdf
 94

Chumán, J. (2017). Diseño e implementación de un banco de pruebas automático para las

mordazas mecánicas en Allmatic (tesis de licenciatura en Ingeniería Mecánico-
Eléctrica). Universidad de Piura, Facultad de Ingeniería. Programa Académico de
Ingeniería Mecánico-Eléctrica. Piura, Perú.
Ciencias de la computación. (s.f.). Obtenido de
https://sites.google.com/site/cienciasdelacompucion/inteligencia-artificial
Corredera, F. J. (10 de marzo de 2019). Techedge. Obtenido de
https://www.techedgegroup.com/es/blog/inteligencia-artificial-mantenimiento-
predictivo
Dynatec. (2020). Obtenido de https://dynatec.es/2020/07/13/la-fabricacion-aditiva-clave-en-la-
industria-4-0/
EcuRed. (24 de noviembre de 2019). Obtenido de
https://www.ecured.cu/M%C3%A1quina_herramienta
EN 692:2005+A1:2009. (2009). Machine tools - Mechanical presses - Safety. International
Organization for Standardization.
Esneca Business School. (2019). Esneca. Obtenido de https://www.esneca.com/blog/robotica-
colaborativa-que-es/
Espeso, J., Fernández, F., Espeso, M., & Fernández, B. (2008). Seguridad en el Trabajo,
Manual para la formación del especialista. Valladolid: Lex Nova.
Factoría del Futuro. (28 de febrero de 2020). Obtenido de
https://www.factoriadelfuturo.com/inteligencia-artificial-aprendizaje-automatico-y-
mantenimiento-predictivo/
Familia, R. (9 de diciembre de 2014). Obtenido de
https://www.unibe.edu.do/docentes/2014/12/09/la-logica-como-paradigma-de-la-
programacion-en-inteligencia-artificial/
Gestión del mantenimiento cod 7969. (s.f.). Obtenido de
https://sites.google.com/site/gestiondelmantenimientocod7969/mantenimiento-no-
planeado
Gomeringer, R. (2014). Tabellenbuch Metall. Haan: Europa-Lehrmittel.
Gonzalez, A. A. (24 de marzo de 2020). YouTube. Obtenido de
https://www.youtube.com/watch?v=bjgZczRUL-s
Goodfellow, I. B. (s.f.). Deep Feedforward Networks”. In: “Deep Learning”.
 95

Gräf, W. (1997). Maschinensicherheit. Heidelberg: Hüthig.

Grupo IGN. (8 de abril de 2019). Grupo IGN. Obtenido de https://ignsl.es/fabricacion-
aditiva/#:~:text=Qu%C3%A9%20es%20la%20Fabricaci%C3%B3n%20Aditiva,en%2
0base%20a%20planos%20virtuales.
Grupo Retailgas. (04 de julio de 2020). Obtenido de https://retaintechnologies.com/usos-de-la-
realidad-virtual-y-aumentada-en-mantenimiento-de-activos/
Hinton, G. E. (2006). Reducing the dimensionality of data with neural networks.
History & Maps. (24 de noviembre de 2019). Obtenido de
https://www.lahistoriaconmapas.com/historia/historia2/definicion-de-maquina-
herramienta/
Ibérica Multimedia. (25 de abril de 2008). Obtenido de https://ibericamultimedia.com/cloud-
computing-computacion-la-nube/
ICEX España Exportación e Inversiones. (2018). Estudio de Mercado: El mercado de la
máquina-herramienta en Alemania. Resumen Ejecutivo, Berlín.
ICEX España Exportación e Inversiones. (2019). Informe de Feria: Hannover 2019.
Dusseldorf.
Idea Ingeniería. (s.f.). Obtenido de https://ideaingenieria.es/realidad-aumentada-
virtual/realidad-aumentada-mantenimiento-industrial/
IDEA Ingeniería. (s.f.). Obtenido de https://ideaingenieria.es/realidad-aumentada-
virtual/realidad-aumentada-mantenimiento-industrial/
InNeurociencia. (8 de octubre de 2018). Brain Investigations. Obtenido de
https://www.brainvestigations.com/neurociencia/inteligencia-artificial-tandem/
Ipargama. (2019). 16MnCr5-Acero para cementar. Obtenido de
http://www.ipargama.com/pdf/16MnCr5.pdf
ISO 12100:2010. (2010). Safety of machinery — General principles for design — Risk
assessment and risk reduction.
ISO 13857:2019. (2019). Safety of machinery — Safety distances to prevent hazard zones being
reached by upper and lower limbs. International Organization for Standardization.
ITCL. (18 de setiembre de 2018). Obtenido de https://itcl.es/blog/aplicaciones-de-big-data-en-
la-industria/
Lopez, J. (s.f.). Factoria del Futuro. Obtenido de
https://www.factoriadelfuturo.com/tecnologias-habilitadoras
 96

Mancuzo, G. (17 de setiembre de 2020). Compara Software. Obtenido de

https://blog.comparasoftware.com/evolucion-del-mantenimiento/
Maxon motor. (2018). ESCON Module 50/8 HE Hardware Reference. Obtenido de
https://www.maxongroup.ch/medias/sys_master/root/8834400550942/532872-
586137-ESCON-Module-50-8-Hardware-Reference-En.pdf
Maxon motor. (2018). ESCON Overview Catalog Page. Obtenido de
https://www.maxongroup.ch/medias/sys_master/root/8831198232606/2018EN-442-
443-446.pdf
Maxon Motor. (2019). Micromotores y sistemas de alta precisión. Obtenido de
http://maxon.blaetterkatalog.ch/b9990/catalog/index.html?data=b9990/b999054
McGeough, J. A., & McCarthy, W. J. (23 de noviembre de 2019). Encyclopedia Britannica.
Obtenido de https://www.britannica.com/technology/machine-tool
McKechnie, G. (25 de noviembre de 2019). Encyclopaedia Britannica. Obtenido de
https://www.britannica.com/technology/vise
Medina Nuñez, R. J. (3 de setiembre de 2018). LinkedIn. Obtenido de
https://www.linkedin.com/pulse/mantenimiento-basado-en-condici%C3%B3n-mbc-o-
riesgo-mbr-robinson-medina?originalSubdomain=es
Moreno, C. G. (s.f.). INDRA. Obtenido de https://www.indracompany.com/es/blogneo/deep-
learning-sirve
NetApp. (2021). Obtenido de https://www.netapp.com/es/artificial-intelligence/what-is-deep-
learning/
Neugart. (2017). Precision gearbox catalog. Obtenido de
https://www.neugart.com/fileadmin/user_upload/Downloads/Product_Catalogs/Neuga
rt-Product-Catalog-DE.pdf
Niemann, G. (2005). Maschinenelemente, Band 1: Konstruktion und Berechnung von
Verbindungen, Lagern, Wellen. Berlín: Springer.
OBS Business School . (27 de setiembre de 2018). Obtenido de
https://obsbusiness.school/es/blog-investigacion/operaciones/la-automatizacion-
industrial-y-los-sistemas-ciberfisicos
Ocerín, J. M. (s.f.). Helvia. Obtenido de
https://helvia.uco.es/xmlui/bitstream/handle/10396/6671/braco124_1993_7.pdf?seque
nce=1&isAllowed=y
 97

Parlamento Europeo; Consejo de la Unión Europea. (s.f.). Directiva 2006/42/CE. Diario Oficial
de la Unión Europea.
Pingyuan Zhenghao Machinery Co., Ltd. (2019). Precision Universal Vise. Obtenido de
https://www.pyzhjx.com/Precision-Universal-Vise-6-91-1.html
Pistarelli, A. J. (2010). Manual de Mantenimiento: Ingeniería, Gestión y Organización. Buenos
Aires.
PJRC. (2019). Teensy 3.2. Obtenido de https://www.pjrc.com/teensy/teensy31.html#specs
PodCast Industria 4.0. (26 de Marzo de 2016). Obtenido de
https://www.podcastindustria40.com/sistemas-ciber-fisicos/
Ponce-Mostacero, A. (2018). Optimización del Mantenimiento Planeado en una línea de
producción de bebidas carbonatadas. Piura.
Power Data. (s.f.). Obtenido de https://www.powerdata.es/big-data
Quinde, J. (2018). Dirección de proyectos. Visión general. Universidad de Piura.
R, M. A. (16 de abril de 2020). Express Computer. Obtenido de
https://www.expresscomputer.in/guest-blogs/how-can-blockchain-add-value-in-
enterprise-maintenance-
services/53196/#:~:text=It%20enables%20organizations%20to%20trace,securely%20i
n%20a%20distributed%20ledger.
Redacción España. (7 de abril de 2020). B12 Tech Business. Obtenido de
https://agenciab12.pe/noticia/como-funcionan-algoritmos-inteligencia-artificial
ROEMHELD Gruppe. (2017). HILMA Turmspannsystem "TS 125" in der
Horizontalbearbeitung. Obtenido de Youtube:
https://www.youtube.com/watch?v=bfLIzfoxF2s
Sainath, T. N. (2013). "Deep convolutional neural networks for LVCSR.". "Deep convolutional
neural networks for LVCSR."Acoustics, Speech and Signal Processing. 2013 IEEE
International Conference on. IEEE.
Smart Panel. (s.f.). Obtenido de https://www.smartpanel.com/que-es-deep-learning/
Software y Soluciones de Analítica. (s.f.). Obtenido de
https://www.sas.com/es_pe/insights/analytics/deep-learning.html
Statista. (2019). Ventas nacionales e internacionales de la ingeniería mecánica alemana entre
los años 2008 y 2018. Obtenido de https://de.statista.com/statistik/daten/studie/235563/
 98

Sutskever, I. J. (2011). "Generating text with recurrent neural networks".Proceedings of the

28th International Conference on Machine Learning.
Thyssenkrupp. (2019). Ficha técnica-Aleación de aluminio EN AW-6060. Obtenido de
https://es.materials4me.com/media/pdf/f9/e2/dc/ficha-tecnica_calidad_EN-AW-
6060_espanol.pdf
Tikkanen, A. (25 de noviembre de 2019). Encyclopaedia Britannica. Obtenido de
https://www.britannica.com/technology/vise
TMV. (s.f.). http://www.tmv.com.mx/servicio-de-mantenimiento-proactivo.html.
Ultimaker. (2019). Ficha de datos técnicos ABS. Obtenido de
https://ultimaker.com/download/67619/TDS%20ABS%20v3.011-spa-ES.pdf
Ultimaker. (2019). Ficha de datos técnicos PLA. Obtenido de
https://ultimaker.com/download/67583/TDS%20PLA%20v3.011-spa-ES.pdf
Universidad de Granada. (20 de abril de 2020). Obtenido de
https://canal.ugr.es/noticia/investigadores-ugr-uja-desarrollan-software-ministerio-
defensa-sistemas-de-inteligencia-artificial/
Universidad Internacional de Valencia. (21 de marzo de 2018). Obtenido de
https://www.universidadviu.com/int/actualidad/nuestros-expertos/que-es-un-dron-y-
como-funciona
UNNE. (s.f.). Universidad Nacional del Nordeste. Obtenido de
http://ing.unne.edu.ar/pub/informatica/Alg_diag.pdf
Vasquez, A. (2019). Desarrollo de un sistema RF para monitorear la fuerza en una mordaza
industrial. Universidad de Piura, Facultad de Ingeniería. Programa Académico de
Ingeniería Mecánico-Eléctrica. Piura, Perú.
ZwickRoell. (2019). Mordazas hidráulicas. Obtenido de https://www.zwickroell.com/es-
es/mordazas/mordazas-hidráulicas
Anexos
Anexo A. Mapa de todos los tipos de algoritmo de machine learning y su respectiva clasificación

101
Fuente: (Cervan, 2020)
 102

Anexo B. Introducción al mantenimiento predictivo con MATLAB

Fuente: (Matlab, s.f.)

 103

Fuente: (Matlab, s.f.)

 104

Fuente: (Matlab, s.f.)

 105

Fuente: (Matlab, s.f.)

 106

Fuente: (Matlab, s.f.)

 107

Fuente: (Matlab, s.f.)

 108

Fuente: (Matlab, s.f.)

 109

Fuente: (Matlab, s.f.)

 110

Anexo C. Mantenimiento Predictivo: Condición de extracción. Indicadores con

MATLAB.

Fuente: (Matlab, s.f.)

 111

Fuente (Matlab, s.f.)

 112

Fuente: (Matlab, s.f.)

 113

Fuente: (Matlab, s.f.)

 114

Fuente: (Matlab, s.f.)

 115

Fuente: (Matlab, s.f.)

 116

Fuente: (Matlab, s.f.)

 117

Fuente: (Matlab, s.f.)

 118

Fuente: (Matlab, s.f.)

 119

Fuente: (Matlab, s.f.)

 120

Fuente: (Matlab, s.f.)

 121

Anexo D. Mantenimiento predictivo: estimación de vida útil restante con MATLAB

Fuente: (Matlab, s.f.)

 122

Fuente: (Matlab, s.f.)

 123

Fuente: (Matlab, s.f.)

 124

Fuente: (Matlab, s.f.)

 125

Fuente: (Matlab, s.f.)

 126

Fuente: (Matlab, s.f.)

 127

Fuente: (Matlab, s.f.)

 128

Fuente: (Matlab, s.f.)

 129

Anexo E. Big Data y Machine Learning para mantenimiento predictivo. MATLAB

EXPO 2017

Fuente: (Matlab, s.f.)

 130

Fuente: (Matlab, s.f.)

 131

Fuente: (Matlab, s.f.)

 132

Fuente: (Matlab, s.f.)

 133

Fuente: (Matlab, s.f.)

 134

Fuente: (Matlab, s.f.)

 135

Fuente: (Matlab, s.f.)

 136

Fuente: (Matlab, s.f.)

 137

Fuente: (Matlab, s.f.)

 138

Fuente: (Matlab, s.f.)

 139

Anexo F. Esquema de creación de orden de trabajo.

Fuente: Elaboración Propia

 140

Anexo G. Código del caso desarrollado con la data del turboventilador de la NASA
from google.colab import drive
drive.mount('/content/drive')

# load necessary packages and view available data

import os
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import keras
%matplotlib inline
sns.set()
print(os.listdir("/content/drive/My Drive/data3/CMAPSSData"))
# Setting seed for reproducability
np.random.seed(1234)
PYTHONHASHSEED = 0

# the files did not contain headers. Here we create labels based on documentation
target_var = ['Target_Remaining_Useful_Life']
index_columns_names = ["UnitNumber","Cycle"]
op_settings_columns = ["Op_Setting_"+str(i) for i in range(1,4)]
sensor_columns =["Sensor_"+str(i) for i in range(1,22)]
column_names = index_columns_names + op_settings_columns + sensor_columns
print(column_names)

# load data
train= pd.read_csv('/content/drive/My Drive/data3/CMAPSSData/train_FD001.txt', sep=" ", heade
r=None)
test = pd.read_csv('/content/drive/My Drive/data3/CMAPSSData/test_FD001.txt', sep=" ", header=
None)
print("train shape: ", train.shape, "test shape: ", test.shape)
# drop pesky NULL columns
train.drop(train.columns[[26, 27]], axis=1, inplace=True)
test.drop(test.columns[[26, 27]], axis=1, inplace=True)
# name columns
train.columns = column_names
test.columns = column_names
#train.head(10)
#test.head(10)
train[train['UnitNumber'] == 1].head(5)
test[test['UnitNumber'] == 1].head(5)
 141

# this section calculates Remaining Useful Life (RUL) in T-minus notation for the training data
# find the last cycle per unit number
max_cycle = train.groupby("UnitNumber")["Cycle"].max().reset_index()
max_cycle.columns = ['UnitNumber', 'MaxOfCycle']
# merge the max cycle back into the original frame
train_merged = train.merge(max_cycle, left_on='UnitNumber', right_on='UnitNumber', how='inner')
# calculate RUL for each row
Target_Remaining_Useful_Life = train_merged["MaxOfCycle"] - train_merged["Cycle"]
train_with_target = train_merged["Target_Remaining_Useful_Life"] = Target_Remaining_Useful_Life
# remove unnecessary column
train_with_target = train_merged.drop("MaxOfCycle", axis=1)
train_with_target[train_with_target['UnitNumber'] == 1].head(5)

# use seaborn to visualize featuresto target (RUL)

explore = sns.PairGrid(data=train_with_target.query('UnitNumber < 15') ,
x_vars=target_var,
y_vars=sensor_columns + op_settings_columns,
hue="UnitNumber", size=3, aspect=2.5)
explore = explore.map(plt.scatter, alpha=0.5)
explore = explore.set(xlim=(400,0))
explore = explore.add_legend()

# operational setting 3 is stable, let's visualize op setting 1 and 2 against some of the most active se
nsors
g = sns.pairplot(data=train_with_target.query('UnitNumber < 15'),
x_vars=["Op_Setting_1","Op_Setting_2"],
y_vars=["Sensor_2", "Sensor_3", "Sensor_4", "Sensor_7", "Sensor_8", "Sensor_9", "Sensor_11
", "Sensor_12", "Sensor_13", "Sensor_14", "Sensor_15", "Sensor_17", "Sensor_20", "Sensor_21"],
hue="UnitNumber", aspect=1)

# now it's time to clear out target leakage

print(train_with_target.shape)
leakage_to_drop = ['UnitNumber', 'Cycle', 'Op_Setting_1', 'Op_Setting_2', 'Op_Setting_3']
train_no_leakage = train_with_target.drop(leakage_to_drop, axis = 1)
print(train_no_leakage.shape)
# set up features and target variable
y = train_no_leakage['Target_Remaining_Useful_Life']
X = train_no_leakage.drop(['Target_Remaining_Useful_Life'], axis = 1)

# I like to use a simple random forest to determine some of the most important/meaningful feature
s. Can be used as feature selection
# create an exhuastive random forest (200 trees up to 15 levels deep)
from sklearn import ensemble
 142

rf = ensemble.RandomForestRegressor()
single_rf = ensemble.RandomForestRegressor(n_estimators = 200, max_depth = 15)
single_rf.fit(X, y)
y_pred = single_rf.predict(X)
print("complete")

# graph feature importance

import matplotlib.pyplot as plt
importances = single_rf.feature_importances_
indices = np.argsort(importances)[::-1]
feature_names = X.columns
f, ax = plt.subplots(figsize=(11, 9))
plt.title("Feature ranking", fontsize = 20)
plt.bar(range(X.shape[1]), importances[indices], color="b", align="center")
plt.xticks(range(X.shape[1]), indices) #feature_names, rotation='vertical')
plt.xlim([-1, X.shape[1]])
plt.ylabel("importance", fontsize = 18)
plt.xlabel("index of the feature", fontsize = 18)
plt.show()
# list feature importance
important_features = pd.Series(data=single_rf.feature_importances_,index=X.columns)
important_features.sort_values(ascending=False,inplace=True)
print(important_features.head(10))

# based on the graphs as well as random forest feature importance, I will exclude sensors without
much valuable information
print(train_no_leakage.shape)
vars_to_drop = ["Sensor_"+str(i) for i in [5, 15, 9, 17, 4, 18]]
train_final = train_no_leakage.drop(vars_to_drop, axis = 1)
print(train_final.shape)
train_final.head(5)

# identify categorical and numeric fields

from sklearn import preprocessing
categorical = train_final.select_dtypes(include=['object'])
numeric = train_final.select_dtypes(exclude=['object'])
print(categorical.columns.values)
# create dummy variables (if any categorical fields)
for name, values in categorical.items():
print(name)
dummies = pd.get_dummies(values.str.strip(), prefix = name, dummy_na=True)
numeric = pd.concat([numeric, dummies], axis=1)
# imputation (if any NULL values)
 143

for name in numeric:

print(name)
if pd.isnull(numeric[name]).sum() > 0:
numeric["%s_mi" % (name)] = pd.isnull(numeric[name])
median = numeric[name].median()
numeric[name] = numeric[name].apply(lambda x: median if pd.isnull(x) else x)
y = numeric['Target_Remaining_Useful_Life']
X = numeric.drop(['Target_Remaining_Useful_Life'], axis = 1)

# random forest regression

# create holdout
import numpy as np
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=1234)
# choose the model
from sklearn.ensemble import RandomForestRegressor
rf = ensemble.RandomForestRegressor()
# set up 5-fold cross-validation
from sklearn import model_selection
cv = model_selection.KFold(5)
# pipeline standardization and model
from sklearn.pipeline import Pipeline
pipeline = Pipeline(steps=[('standardize', preprocessing.StandardScaler())
, ('model', rf) ])
# tune the model
my_min_samples_leaf = [2, 10, 25, 50, 100]
my_max_depth = [7, 8, 9, 10, 11, 12]
# run the model using gridsearch, select the model with best search
from sklearn.model_selection import GridSearchCV
optimized_rf = GridSearchCV(estimator=pipeline
, cv=cv
, param_grid =dict(model__min_samples_leaf = my_min_samples_leaf, model__max_de
pth = my_max_depth)
, scoring = 'neg_mean_squared_error'
, verbose = 1
, n_jobs = -1
)
optimized_rf.fit(X_train, y_train)
# show the best model estimators
print(optimized_rf.best_estimator_)
# evaluate metrics on holdout
from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score
y_pred = optimized_rf.predict(X_test)
 144

print("Random Forest Mean Squared Error: ", mean_squared_error(y_test, y_pred))

print("Random Forest Mean Absolute Error: ", mean_absolute_error(y_test, y_pred))
print("Random Forest r-squared: ", r2_score(y_test, y_pred))

# Elastic Net GLM

# create holdout
import numpy as np
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=1234)
# choose the model
from sklearn.linear_model import ElasticNet
glm_net = ElasticNet()

# set up 5-fold cross-validation

from sklearn import model_selection
cv = model_selection.KFold(5)
# pipeline standardization and model
from sklearn.pipeline import Pipeline
pipeline = Pipeline(steps=[('standardize', preprocessing.StandardScaler())
, ('model', glm_net) ])
# tune the model
my_alpha = np.linspace(.01, 1, num=5)
my_l1_ratio = np.linspace(.01, 1, num=3)
# run the model using gridsearch, select the model with best search
from sklearn.model_selection import GridSearchCV
optimized_glm_net = GridSearchCV(estimator=pipeline
, cv=cv
, param_grid =dict(model__l1_ratio = my_l1_ratio, model__alpha = my_alpha)
, scoring = 'neg_mean_squared_error'
, verbose = 1
, n_jobs = -1
)
optimized_glm_net.fit(X_train, y_train)
# show the best model estimators
print(optimized_glm_net.best_estimator_)
# evaluate metrics on holdout
from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score
y_pred = optimized_glm_net.predict(X_test)
print("GLM Elastic Net Mean Squared Error: ", mean_squared_error(y_test, y_pred))
print("GLM Elastic Net Mean Absolute Error: ", mean_absolute_error(y_test, y_pred))
print("GLM Elastic Net r-squared: ", r2_score(y_test, y_pred))

# Support Vector Machines

 145

# create holdout
import numpy as np
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=1234)
# choose the model
from sklearn import svm
from sklearn.svm import SVR
svm = svm.SVR()
# set up 5-fold cross-validation
from sklearn import model_selection
cv = model_selection.KFold(5)
# pipeline standardization and model
from sklearn.pipeline import Pipeline
pipeline = Pipeline(steps=[('standardize', preprocessing.StandardScaler())
, ('model', svm) ])
# tune the model
my_C = [1]
my_epsilon = [.05, .1, .15]
# run the model using gridsearch, select the model with best search
from sklearn.model_selection import GridSearchCV
optimized_svm = GridSearchCV(estimator=pipeline
, cv=cv
, param_grid =dict(model__C = my_C, model__epsilon = my_epsilon)
, scoring = 'neg_mean_squared_error'
, verbose = 1
, n_jobs = -1
)
optimized_svm.fit(X_train, y_train)
# show the best model estimators
print(optimized_svm.best_estimator_)
# evaluate metrics on holdout
from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score
y_pred = optimized_svm.predict(X_test)
print("SVM Mean Squared Error: ", mean_squared_error(y_test, y_pred))
print("SVM Mean Absolute Error: ", mean_absolute_error(y_test, y_pred))
print("SVM r-squared: ", r2_score(y_test, y_pred))

# Gradient Boosting
# create holdout
import numpy as np
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=1234)
# choose the model
 146

from sklearn.ensemble import GradientBoostingRegressor

gb = ensemble.GradientBoostingRegressor()
# set up 5-fold cross-validation
from sklearn import model_selection
cv = model_selection.KFold(5)
# pipeline standardization and model
from sklearn.pipeline import Pipeline
pipeline = Pipeline(steps=[('standardize', preprocessing.StandardScaler())
, ('model', gb) ])
# tune the model
my_alpha = [.5, .75, .9]
my_n_estimators= [500]
my_learning_rate = [0.005, .01]
my_max_depth = [4, 5, 6]
# run the model using gridsearch, select the model with best search
from sklearn.model_selection import GridSearchCV
optimized_gb = GridSearchCV(estimator=pipeline
, cv=cv
, param_grid =dict(model__max_depth = my_max_depth, model__n_estimators = my_n
_estimators,
model__learning_rate = my_learning_rate, model__alpha = my_alpha)
, scoring = 'neg_mean_squared_error'
, verbose = 1
, n_jobs = -1
)
optimized_gb.fit(X_train, y_train)
# show the best model estimators
print(optimized_gb.best_estimator_)
# evaluate metrics on holdout
from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score
y_pred = optimized_gb.predict(X_test)
print("Gradient Boosting Mean Squared Error: ", mean_squared_error(y_test, y_pred))
print("Gradient Boosting Mean Absolute Error: ", mean_absolute_error(y_test, y_pred))
print("Gradient Boosting r-squared: ", r2_score(y_test, y_pred))

# plot actual vs predicted Remaining Useful Life for the best model (GBM)
fig, ax = plt.subplots()
ax.scatter(y_test, y_pred, edgecolors=(0, 0, 0))
ax.plot([y_test.min(), y_test.max()], [y_test.min(), y_test.max()], 'k--', lw=4)
ax.set_xlabel('Actual RUL')
ax.set_ylabel('Predicted RUL')
ax.set_title('Remaining Useful Life Actual vs. Predicted')
plt.show()
 147

# now let's look at turning this into a classification sol -

> can we confidently identify when an asset within its last 15 cycles?
# generate label columns for training data
cycles = 15
train_no_leakage['Target_15_Cycles'] = np.where(train_no_leakage['Target_Remaining_Useful_Life']
<= cycles, 1, 0 )
train_no_leakage.tail(5)

# based on the graphs as well as random forest feature importance, I will exclude sensors without
much valuable information
print(train_no_leakage.shape)
vars_to_drop = ["Sensor_"+str(i) for i in [5, 15, 9, 17, 4, 18]]
target_to_drop = ['Target_Remaining_Useful_Life']
train_final = train_no_leakage.drop(vars_to_drop, axis = 1)
train_final = train_no_leakage.drop(target_to_drop, axis = 1)
train_final.tail()

# identify categorical and numeric fields

from sklearn import preprocessing
categorical = train_final.select_dtypes(include=['object'])
numeric = train_final.select_dtypes(exclude=['object'])
print(categorical.columns.values)
# create dummy variables (if any categorical fields)
for name, values in categorical.items():
print(name)
dummies = pd.get_dummies(values.str.strip(), prefix = name, dummy_na=True)
numeric = pd.concat([numeric, dummies], axis=1)
# imputation (if any NULL values)
for name in numeric:
print(name)
if pd.isnull(numeric[name]).sum() > 0:
numeric["%s_mi" % (name)] = pd.isnull(numeric[name])
median = numeric[name].median()
numeric[name] = numeric[name].apply(lambda x: median if pd.isnull(x) else x)
y = numeric['Target_15_Cycles']
X = numeric.drop(['Target_15_Cycles'], axis = 1)

# random forest regression

# create holdout
import numpy as np
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=1234)
# choose the model
 148

from sklearn import ensemble

from sklearn.ensemble import RandomForestClassifier
rf = ensemble.RandomForestClassifier()
# set up 5-fold cross-validation
from sklearn import model_selection
cv = model_selection.KFold(5)
# pipeline standardization and model
from sklearn.pipeline import Pipeline
pipeline = Pipeline(steps=[('standardize', preprocessing.StandardScaler())
, ('model', rf) ])
# tune the model
my_min_samples_leaf = [2, 25, 50]
my_max_depth = [8, 9, 10, 12]
# run the model using gridsearch, select the model with best search
from sklearn.model_selection import GridSearchCV
optimized_rf = GridSearchCV(estimator=pipeline
, cv=cv
, param_grid =dict(model__min_samples_leaf = my_min_samples_leaf, model__max_de
pth = my_max_depth)
, scoring = 'roc_auc'
, verbose = 1
, n_jobs = -1
)
optimized_rf.fit(X_train, y_train)
# show the best model estimators
y_pred_proba = optimized_rf.predict_proba(X_test)[:, 1]
from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score
y_pred = optimized_rf.predict(X_test)
print(optimized_rf.best_estimator_)
print("Random Forest Mean Squared Error 2: ", mean_squared_error(y_test, y_pred))
print("Random Forest Mean Absolute Error 2: ", mean_absolute_error(y_test, y_pred))
print("Random Forest r-squared 2: ", r2_score(y_test, y_pred))

from sklearn.metrics import roc_auc_score, accuracy_score, precision_score, recall_score, confusion

_matrix
print("Confusion Matrix:")
print(confusion_matrix(y_test, y_pred))
from sklearn.metrics import classification_report
print("Random Forest Accuracy: "+"{:.1%}".format(accuracy_score(y_test, y_pred)));
print("Random Forest Precision: "+"{:.1%}".format(precision_score(y_test, y_pred)));
print("Random Forest Recall: "+"{:.1%}".format(recall_score(y_test, y_pred)));
print("Classification Report:")
print(classification_report(y_test, y_pred))
 149

from sklearn import metrics

fpr, tpr, threshold = metrics.roc_curve(y_test, y_pred_proba)
roc_auc = metrics.auc(fpr, tpr)
import matplotlib.pyplot as plt
plt.title('Receiver Operating Characteristic')
plt.plot(fpr, tpr, 'b', label = 'AUC = %0.2f' % roc_auc)
plt.legend(loc = 'lower right')
plt.plot([0, 1], [0, 1],'r--')
plt.xlim([0, 1])
plt.ylim([0, 1])
plt.ylabel('True Positive Rate')
plt.xlabel('False Positive Rate')
plt.show()

Fuente: Google Collab

 Anexo H. Encuesta realizada sobre el conocimiento de la IA

150
Fuente: Encuesta realizada en 2019 a estudiantes de la facultad de ingeniería
 151
Fuente: Encuesta realizada en 2019 a estudiantes de la facultad de ingeniería.
 152
Fuente: Encuesta realizada en 2019 a estudiantes de la facultad de ingeniería.
 153
Fuente: Encuesta realizada en 2019 a estudiantes de la facultad de ingeniería.