Revisión del Mantenimiento Predictivo Potenciado por Machine Learning en el Sector Industrial de América Latina: Situación Actual, Desafíos y Tendencia
Cargando...
Fecha
2025-05-05
Autores
Romero Ramírez, Henry Esteban
Director
Enlace al recurso
DOI
gruplac
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad Santo Tomás
Compartir
Documentos PDF
Cargando...
Resumen
Este estudio examina la situación actual, los desafíos y las tendencias del mantenimiento predictivo potenciado por Machine Learning en el sector industrial de América Latina, mediante una revisión sistemática que incluyó 60 casos de implementación identificados en Scopus, ScienceDirect y Google Scholar. Se seleccionaron únicamente documentos publicados a partir de 2014, en español, inglés o portugués, que aplicaran técnicas de Machine Learning para predecir fallas en equipos o sistemas industriales reales en empresas latinoamericanas. Los resultados muestran que Brasil concentra la mayor cantidad de publicaciones (48%), seguido por Ecuador (18%) y Colombia (15%), mientras que México, Argentina, Chile y Perú representan el 19% de los casos. La adopción de estas tecnologías se centra en las industrias manufacturera, energética y automotriz, donde los equipos críticos como turbinas, aerogeneradores y maquinaria pesada reciben mayor atención. Entre las técnicas de Machine Learning más utilizadas destacan los bosques aleatorios (RF), la máquina vectorial de soporte (SVM) y los árboles de decisión (DT), con Python como el lenguaje de programación predominante por su accesibilidad y versatilidad. Las principales barreras identificadas incluyen la falta de infraestructura tecnológica, el desconocimiento por parte de la gerencia, la resistencia al cambio y la confidencialidad de los datos. No obstante, se prevé que las futuras iniciativas apunten a soluciones enfocadas en la gestión de residuos, la optimización de recursos y el fortalecimiento de la sostenibilidad energética, ofreciendo oportunidades para transformar los procesos industriales y mejorar la competitividad regional.
Abstract
This study examines the current situation, challenges, and trends of predictive maintenance powered by Machine Learning in the industrial sector of Latin America through a systematic review that included 60 implementation cases identified in Scopus, ScienceDirect, and Google Scholar. Only documents published from 2014 onward in Spanish, English, or Portuguese were selected, all applying Machine Learning techniques to predict failures in real industrial equipment or systems within Latin American companies. The results show that Brazil accounts for the largest number of publications (48%), followed by Ecuador (18%) and Colombia (15%), while Mexico, Argentina, Chile, and Peru represent 19% of the cases. The adoption of these technologies mainly focuses on the manufacturing, energy, and automotive industries, where critical equipment such as turbines, wind turbines, and heavy machinery receive the most attention. Among the most widely used Machine Learning techniques are Random Forests (RF), Support Vector Machines (SVM), and Decision Trees (DT), with Python as the predominant programming language due to its accessibility and versatility. The main barriers identified include the lack of technological infrastructure, managerial unawareness, resistance to change, and data confidentiality. Nevertheless, future initiatives are expected to prioritize solutions related to waste management, resource optimization, and enhanced energy sustainability, offering opportunities to transform industrial processes and improve regional competitiveness.
Idioma
spa
Palabras clave
Citación
Romero Ramírez, H. (2025). Revisión del Mantenimiento Predictivo Potenciado por Machine Learning en el Sector Industrial de América Latina: Situación Actual, Desafíos y Tendencia. [Trabajo de grado, Universidad Santo Tomás]. Repositorio Institucional.
Licencia Creative Commons
Attribution-NonCommercial-NoDerivs 2.5 Colombia