Revisión del Mantenimiento Predictivo Potenciado por Machine Learning en el Sector Industrial de América Latina: Situación Actual, Desafíos y Tendencia

Vista sencilla de ítem
dc.contributor.advisorPoveda Pachón, Marlon Yesid
dc.contributor.authorRomero Ramírez, Henry Esteban
dc.contributor.corporatenameUniversidad Santo Tomás
dc.contributor.cvlachttps://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0002132921
dc.contributor.googlescholarhttps://scholar.google.es/citations?user=5kKmXFkAAAAJ&hl=es&oi=ao
dc.contributor.orcidhttps://orcid.org/0009-0001-3180-7099
dc.date.accessioned2025-05-29T15:22:23Z
dc.date.available2025-05-29T15:22:23Z
dc.date.issued2025-05-05
dc.descriptionEste 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.
dc.description.abstractThis 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.
dc.description.degreelevelEspecializaciónspa
dc.description.degreenameEspecialista en Gerencia de Mantenimiento y Gestión de Activosspa
dc.description.domainhttp://www.ustavillavicencio.edu.co/home/index.php/unidades/extension-y-proyeccion/investigacion
dc.format.mimetypeapplication/pdf
dc.identifier.citationRomero 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.
dc.identifier.instnameinstname:Universidad Santo Tomásspa
dc.identifier.reponamereponame:Repositorio Institucional Universidad Santo Tomásspa
dc.identifier.repourlrepourl:https://repository.usta.edu.cospa
dc.identifier.urihttp://hdl.handle.net/11634/67640
dc.language.isospa
dc.publisherUniversidad Santo Tomásspa
dc.publisher.branchCRAI-USTA Villavicencio
dc.publisher.facultyFacultad de Ingeniería Mecánicaspa
dc.publisher.programEspecialización en Gerencia de Mantenimiento y Gestión de Activosspa
dc.relation.referencesAbdalla, R., Samara, H., Perozo, N., Paz, C., & Jaeger, P. (2022). Machine Learning Approach for Predictive Maintenance of the Electrical Submersible Pumps (ESPs). ACS Omega, 7. https://doi.org/10.1021/acsomega.1c05881
dc.relation.referencesAguilar Otero, J. R., Torre Arcique, R., & Magaña Jiménez, D. (2010). Análisis de modos de falla, efectos y criticidad (AMFEC) para la planeación del mantenimiento empleando criterios de riesgo y confiabilidad. Tecnología, Ciencia Edición (IMIQ), 1(25), Article 25. http://www.redalyc.org/articulo.oa?id=48215094003
dc.relation.referencesAlaghbari, K. A., Lim, H.-S., Saad, M. H. M., & Yong, Y. S. (2023). Deep Autoencoder-Based Integrated Model for Anomaly Detection and Efficient Feature Extraction in IoT Networks. IoT, 4(3), Article 3. https://doi.org/10.3390/iot4030016
dc.relation.referencesAlfian, G., Syafrudin, M., Fitriyani, N. L., Anshari, M., Stasa, P., Svub, J., & Rhee, J. (2020). Deep Neural Network for Predicting Diabetic Retinopathy from Risk Factors. Mathematics, 8(9), Article 9. https://doi.org/10.3390/math8091620
dc.relation.referencesAlmeida, C. A. (2024). Development of a machine learning model to predict construction machinery gearboxes’ health status [Tesis de pregrado, Universidad Federal de Uberlândia]. Repositorio Institucional. https://repositorio.ufu.br/handle/123456789/41976
dc.relation.referencesAlmeida, F. M. J. de. (2023). Utilização de aprendizado de máquina em sistemas digestores comerciais [Trabalho de Conclusão de Curso (MBA), Universidad de São Paulo]. Repositorio Institucional. https://bdta.abcd.usp.br/directbitstream/863f3827-983b-46fe-be65-74d479968796/Fernanda%20Almeida.pdf
dc.relation.referencesAlonso, M. E. (2023). Proposta de aplicação de métodos de machine learning em manutenção preditiva [Tesis de grado, Universidade Federal Fluminense]. Repositorio Institucional. https://app.uff.br/riuff/handle/1/27463
dc.relation.referencesAlvarado Beltrán, D. S., & Longo Meneses, F. E. (2024). Mantenimiento 4.0: Diseño de modelo predictivo para la definición de estrategias de mantenimiento en la industria oíl & gas [Proyecto aplicado, Universidad Nacional Abierta y a Distancia (UNAD)]. Repositorio Institucional. http://repository.unad.edu.co/handle/10596/62826
dc.relation.referencesANDI. (2019). Informe de la encuesta de encuesta de transformación digital 2019 (pp. 1-25) [Informe técnico]. Asociación Nacional de Empresarios de Colombia. https://www.andi.com.co/Uploads/Analisis%20-%20encuesta%20de%20transformaci%C3%93n%20digital%202019%20-%20andi.Pdf
dc.relation.referencesBellinello, M. M., Antomarioni, S., Souza, G. F. M. de, Bevilacqua, M., & Ciarapica, F. E. (2022). Entropy-MAUT integrated approach supported by Fuzzy K-means: A robust tool for determining critical components for maintenance monitoring and a case study of Kaplan hydro generator unit. Production, 32, 24. https://doi.org/10.1590/0103-6513.20210066
dc.relation.referencesBenrhmach, G., Namir, K., Namir, A., & Bouyaghroumni, J. (2020). Nonlinear Autoregressive Neural Network and Extended Kalman Filters for Prediction of Financial Time Series. Journal of Applied Mathematics. https://doi.org/10.1155/2020/5057801
dc.relation.referencesBentéjac, C., Csörgő, A., & Martínez-Muñoz, G. (2021). A comparative analysis of gradient boosting algorithms. Artificial Intelligence Review, 54(3), 1937-1967. https://doi.org/10.1007/s10462-020-09896-5
dc.relation.referencesBezerra, F. E., Di Santo, S. G., & Junior, G. M. (2023). An approach based on wavelets and machine learning to build a prediction model for SF6 filling pressure of high-voltage circuit breakers. Electric Power Systems Research, 216, 108974. https://doi.org/10.1016/j.epsr.2022.108974
dc.relation.referencesBraga, J. A. P., & Andrade, A. R. (2023). Data-driven decision support system for degrading assets and its application under the perspective of a railway component. Transportation Engineering, 12, 100180. https://doi.org/10.1016/j.treng.2023.100180
dc.relation.referencesBreiman, L. (1996). Bagging Predictors. Machine Learning, 24(2), 123-140. https://doi.org/10.1023/A:1018054314350
dc.relation.referencesBurgos Tapia, D. A. (2023). Rediseño al proceso de laminado del acero para aumentar la producción, incorporando un modelo predictivo de fallas para el mantenimiento del laminador en la acerera AZA [Tesis de maestría, Universidad de Chile]. Repositorio Institucional. https://repositorio.uchile.cl/handle/2250/192883
dc.relation.referencesCabanillas Flores, R. (2022). Desarrollo de modelo predictivo de desgaste basado en datos de ensayos según ASTM G-65 utilizando algoritmos de Machine Learning [Tesis de grado, Pontificia Universidad Católica Del Perú]. Repositorio Institucional. https://tesis.pucp.edu.pe/repositorio//handle/20.500.12404/24085
dc.relation.referencesCabreira, G. R. (2022). Detecção de anomalias por meio de machine learning: Estudo de caso de sistemas pneumáticos em caminhões [Tesis de grado, Universidade Tecnológica Federal do Paraná]. Repositorio Institucional. http://repositorio.utfpr.edu.br:8080/jspui/handle/1/31287
dc.relation.referencesCabrera Palacios, A. P., & Chiluiza Luna, B. M. (2018). Desarrollo de un algoritmo mediante análisis de aprendizaje automático para la detección de fallos en vehículos M1 con motores de encendido provocado [Tesis de grado, Universidad Politécnica Salesiana]. Repositorio Institucional. http://dspace.ups.edu.ec/handle/123456789/16584
dc.relation.referencesCalatayud, A., & Katz, R. (2019). Cadena de suministro 4.0: Mejores prácticas internacionales y hoja de ruta para América Latina. Banco Interamericano de Desarrollo (BID). http://hdl.handle.net/11520/26208
dc.relation.referencesCalderón Gasca, A. F., & Franco Niño, K. Y. (2023). Detección de anomalías en series de tiempo del funcionamiento de bombas electrosumergibles (BES) de producción en un campo de petróleo en Colombia [Tesis de maestría, Universidad de los Andes]. Repositorio Institucional. https://hdl.handle.net/1992/73121
dc.relation.referencesCaravedo, B., Casanova, L., Correa, M. E., Castillo, E. D., Estévez, R., Korin, M., González, L., Gutiérrez, R., Leguizamón, F. A., Nowalski, J., Peinado-Vara, E., Aldama, L. R. P., Schwalb, M. M., & Vives, A. (2012). La responsabilidad social de la empresa en América Latina: Manual de Gestión (Caribe). http://dx.doi.org/10.18235/0009873
dc.relation.referencesCarmona, R., Amato Neto, J., & Ascúa, R. (2020). Industria 4.0 en empresas manufactureras del Brasil (p. 53). Comisión Económica para América Latina y el Caribe (CEPAL). https://www.cepal.org/es/publicaciones/46389-industria-40-empresas-manufactureras-brasil
dc.relation.referencesCarrasco Vidal, E. (2020). Data science: Herramientas de machine learning para implementar mantenimiento predictivo en una planta propulsora | Revista de Marina. Revista de Marina Año, 137(974), https://revistamarina.cl/es/articulo/data-science-herramientas-de-machine-learning-para-implementar-mantenimiento-predictivo-en-una-planta-propulsora
dc.relation.referencesCarrizo, J. J. A. (2022). Modelo de pronóstico como soporte para el mantenimiento predictivo en filtros de aire de una turbina de gas [Tesis de especialización, Instituto tecnológico de Buenos Aires]. Repositorio Institucional. https://ri.itba.edu.ar/handle/123456789/4100
dc.relation.referencesCarvalho, T. P., Soares, F. A. A. M. N., Vita, R., Francisco, R. da P., Basto, J. P., & Alcalá, S. G. S. (2019). A systematic literature review of machine learning methods applied to predictive maintenance. Computers & Industrial Engineering, 137, 106024. https://doi.org/10.1016/j.cie.2019.106024
dc.relation.referencesCastro Puma, J., Castro Puma, M., More Sánchez, V., Marcos Romero, J., Huamán Flores, E., Poma Garcia, C., & Alejos Ipanaque, R. (2023). Automatic learning algorithm for troubleshooting in hydraulic machinery. Indonesian Journal of Electrical Engineering and Computer Science, 29(1), Article 1. https://doi.org/10.11591/ijeecs.v29.i1.pp535-544
dc.relation.referencesÇengel, Y. A. (2012). TERMODINAMICA (7.a ed.). McGraw-Hill Interamericana.
dc.relation.referencesChandramouli, S., Dutt, S., & Dāśa, A. (2018). Machine Learning. Pearson Education.
dc.relation.referencesCho, K., Merrienboer, B. van, Gulcehre, C., Bahdanau, D., Bougares, F., Schwenk, H., & Bengio, Y. (2014). Learning Phrase Representations using RNN Encoder-Decoder for Statistical Machine Translation. En Actas de la Conferencia sobre Métodos Empíricos en el Procesamiento del Lenguaje Natural, 1724-1734. https://doi.org/10.48550/arXiv.1406.1078
dc.relation.referencesChung, E., Park, K., & Kang, P. (2023). Fault classification and timing prediction based on shipment inspection data and maintenance reports for semiconductor manufacturing equipment. Computers & Industrial Engineering, 176, 108972. https://doi.org/10.1016/j.cie.2022.108972
dc.relation.referencesCifuentes Simbaña, D. I. (2023). Modelo de mantenimiento predictivo y proactivo para el funcionamiento de las maquinarias de la empresa Acería del Ecuador C.A. ADELCA. [Tesis de maestría, Universidad de las Fuerzas Armadas ESPE]. Repositorio Institucional. https://repositorio.espe.edu.ec/items/93d6a5fc-4d8f-4b16-831d-abe9378382f5
dc.relation.referencesCoelho, M. H. (2020). Mineração de dados e aprendizado de máquina aplicados ao prognóstico de falhas em componentes aeronáuticos [Tesis de grado, Universidade Federal de Santa Catarina.]. Repositorio Institucional. https://repositorio.ufsc.br/handle/123456789/218423?show=full
dc.relation.referencesCorrea Mira, C. A., Escobar Galvis, J. A., & Mena Perea, J. I. (2023). Implementación de analítica de datos para el mantenimiento predictivo de motores eléctricos. [Tesis de grado, Institución Universitaria Pascual Bravo]. Repositorio Institucional. https://repositorio.pascualbravo.edu.co/handle/pascualbravo/2303
dc.relation.referencesde Carvalho Chrysostomo, G. G., de Aguiar Vallim, M. V. B., da Silva, L. S., Silva, L. A., & de Aguiar Vallim Filho, A. R. (2020). A Framework for Big Data Analytical Process and Mapping—BAProM: Description of an Application in an Industrial Environment. Energies, 13(22), Article 22. https://doi.org/10.3390/en13226014
dc.relation.referencesde Farias, K., & Coelho, O. B. (2022, noviembre 7). Investigando Uma Solução Para Previsão De Falhas Em Turbinas Hidráulicas Por Meio De Detecção De Anomalia, Deep Learning E A Arquitetura Autoencoder. Jornada de Iniciación Científica y Exposición de Iniciación Tecnológica. http://eventoscopq.mackenzie.br/index.php/jornada/xviii/paper/view/2852
dc.relation.referencesDeon, B., Cotta, K. P., Silva, R. F. V., Batista, C. B., Justino, G. T., Freitas, G. C., Cordeiro, A. M., Barbosa, A. S., Loução, F. L., Simioni, T., Morais, A. M., Medeiros, I. E. A., Almeida, R. J. S., Araújo Jr., C. A. A., Soares, C., & Padoin, N. (2022). Digital twin and machine learning for decision support in thermal power plant with combustion engines. Knowledge-Based Systems, 253, 109578. https://doi.org/10.1016/j.knosys.2022.109578
dc.relation.referencesDeutscher, E., & Torres Rivas, E. (1986). Industrialización en América Latina: Crisis y perspectivas. FLACSO Ecuador. https://biblio.flacsoandes.edu.ec/libros/7713-opac
dc.relation.referencesEjaz, U., Khan, S. M., Jehangir, S., Ahmad, Z., Abdullah, A., Iqbal, M., Khalid, N., Nazir, A., & Svenning, J.-C. (2024). Monitoring the Industrial waste polluted stream—Integrated analytics and machine learning for water quality index assessment. Journal of Cleaner Production, 450, 141877. https://doi.org/10.1016/j.jclepro.2024.141877
dc.relation.referencesElion. (2024). Tecnologías de la industria 4.0. Elion. https://www.elion.es/tecnologias/industry40/
dc.relation.referencesFantin, T. H., Rocha, H. G., & Scodiero, G. U. de A. (2020). Manutenção Preditiva do Acoplamento Flexível de Turbinas Eólicas (GE Renewable Energy) [Tesis de grado, Instituto de ensino e pesquisa]. Repositorio Institucional. https://repositorio.insper.edu.br/handle/11224/3320
dc.relation.referencesFerraro, M. B. (2024). Fuzzy K-Means: History and applications. Econometrics and Statistics, 30, 110-123. https://doi.org/10.1016/j.ecosta.2021.11.008
dc.relation.referencesFilho, L. F. M., Monteiro, R. de P., Pinheiro, D., Endo, P. T., & Ribeiro, A. M. N. C. (2023). Forecasting Imminent Failures in Electrical Industrial Centrifuge using Machine Learning. 2023 IEEE Latin American Conference on Computational Intelligence (LA-CCI), 1-6. https://doi.org/10.1109/LA-CCI58595.2023.10409489
dc.relation.referencesGaldames Sepúlveda, P. A., Ramos Maldonado, M. A., & Reyes Hernández, D. J. (2020). Análisis de datos a través de machine learning para predecir el comportamiento de máquinas de aserrío de alta productividad [Tesis de grado, Universidad del Bio-Bio]. Repositorio Institucional. http://repobib.ubiobio.cl/jspui/handle/123456789/3723
dc.relation.referencesGarcía, B. (2021). Industria 4.0. La cuarta revolución industrial. Universitat Politècnica de València. https://riunet.upv.es/handle/10251/165996
dc.relation.referencesGasca, M. C., Camargo, L. L., & Medina, B. (2020). Gestión del mantenimiento para la confiabilidad operacion. Espacios, 41(47), 250-261. https://doi.org/10.48082/espacios-a20v41n47p18
dc.relation.referencesGómez Mercado, P. S. (2021). Modelo de gestión para determinar plan de cambio de bastidores y orugas aplicando Machine Learning en la flota de tractores de orugas de Cerrejón [Tesis de maestría, Universidad Industrial de Santander]. Repositorio Institucional. https://noesis.uis.edu.co/handle/20.500.14071/9412
dc.relation.referencesGouveia, C. G. N. (2022). Técnicas de aprendizado de máquina aplicadas à predição de vazamentos em ramais de redes de distribuição de água [Tesis de maestría, Universidade De Brasília]. Repositorio Institucional. http://repositorio.unb.br/handle/10482/43766
dc.relation.referencesGuartazaca Uyaguari, J. S. (2024). Predicción de fallas mediante un modelo de aprendizaje automático en motores de combustión interna. [Tesis de pregrado, Universidad Politécnica Salesiana]. Repositorio Institucional. http://dspace.ups.edu.ec/handle/123456789/28661
dc.relation.referencesHaro Velasco, O. A. (2023). Implementación de un algoritmo para la detección temprana de fallas en equipos inalámbricos de una empresa proveedora de servicios de Internet utilizando técnicas de aprendizaje autónomo [Tesis de maestría, Escuela superior politécnica del litoral]. Repositorio Institucional. http://www.dspace.espol.edu.ec/handle/123456789/58578
dc.relation.referencesHuang, G.-B., Zhu, Q.-Y., & Siew, C.-K. (2006). Extreme learning machine: Theory and applications. Neurocomputing, 70(1), 489-501. https://doi.org/10.1016/j.neucom.2005.12.126
dc.relation.referencesJaramillo Alcazar, A., Govea, J., & Villegas Ch, W. (2023). Anomaly Detection in a Smart Industrial Machinery Plant Using IoT and Machine Learning. Sensors, 23(19), Article 19. https://doi.org/10.3390/s23198286
dc.relation.referencesLee, W. J., Wu, H., Yun, H., Kim, H., Jun, M. B. G., & Sutherland, J. W. (2019). Predictive Maintenance of Machine Tool Systems Using Artificial Intelligence Techniques Applied to Machine Condition Data. Procedia CIRP, 80, 506-511. https://doi.org/10.1016/j.procir.2018.12.019.
dc.relation.referencesLeites, L. R. L. (2023). Estudo da aplicação de técnicas de análise de dados e Machine Learning em uma indústria de arroz parboilizado: Manutenção preditiva e estudo de falhas em uma caldeira [Tesis de grado, Universidade Federal do Pampa]. Repositorio Institucional. https://repositorio.unipampa.edu.br/jspui/handle/riu/9300
dc.relation.referencesLemos, T. D., & Zelaquett de Souza, L. A. (2022). Abordagem Preditiva de Quebras Baseada em Logs de Eventos na Indústria Automotiva. Revista de Ingeniería e Investigación Aplicada, 7(3), 54-63. https://doi.org/10.25286/repa.v7i3.2460
dc.relation.referencesLima, G. P. (2021). MOMENT: Sistema de aprendizado de máquina para manutenção preditiva [Tesis de grado, Universidade Federal Do Ceará]. Repositorio Institucional. http://repositorio.ufc.br/handle/riufc/61228
dc.relation.referencesLiu, F. T., Ting, K. M., & Zhou, Z.-H. (2008). Isolation Forest. 2008 Eighth IEEE International Conference on Data Mining, 413-422. https://doi.org/10.1109/ICDM.2008.17
dc.relation.referencesLópez Restrepo, L. M., & Acevedo Vanegas, D. (2022). Modelado predictivo aplicado al comportamiento de componentes de la infraestructura tecnológica en empresas de bienes y servicios [Tesis de especialización, Universidad Católica Luis Amigó]. Repositorio Institucional. http://repository.ucatolicaluisamigo.edu.co/handle/20.500.14.531/4259
dc.relation.referencesMafla Yépez, C. N., Morales Bayetero, C. F., Hernández Rueda, E. P., & Benavides Cevallos, I. B. (2023). Vehicle maintenance management based on machine learning in agricultural tractor engines. DYNA, 90(225), Article 225. https://doi.org/10.15446/dyna.v90n225.103612
dc.relation.referencesMajidzadeh Gorjani, O., Byrtus, R., Dohnal, J., Bilik, P., Koziorek, J., & Martinek, R. (2021). Human Activity Classification Using Multilayer Perceptron. Sensors, 21(18), Article 18. https://doi.org/10.3390/s21186207
dc.relation.referencesMarriaga Páez, A. C. (2024). Integración de la eficiencia operativa y la sostenibilidad en la administración empresarial. [Trabajo de grado, Universidad Nacional Abierta y a Distancia (UNAD)]. Repositorio Institucional. http://repository.unad.edu.co/handle/10596/61735
dc.relation.referencesMathWorks. (2023). What Is a Recurrent Neural Network (RNN)? https://la.mathworks.com/discovery/rnn.html
dc.relation.referencesMathWorks. (2024a). Introducción a Deep Learning. https://la.mathworks.com/discovery/deep-learning.html
dc.relation.referencesMathWorks. (2024b). Introduction to Hidden Markov Models (HMM). https://la.mathworks.com/help/stats/hidden-markov-models-hmm.html
dc.relation.referencesMathWorks. (2024c). MATLAB - El lenguaje del cálculo técnico. https://la.mathworks.com/products/matlab.html
dc.relation.referencesMcLaughlin, E., & Choi, J.-K. (2023). Utilizing machine learning models to estimate energy savings from an industrial energy system. Resources, Environment and Sustainability, 12, 100103. https://doi.org/10.1016/j.resenv.2022.100103
dc.relation.referencesMian, S. M., Khan, M. S., Shawez, M., & Kaur, A. (2024). Artificial Intelligence (AI), Machine Learning (ML) & Deep Learning (DL): A Comprehensive Overview on Techniques, Applications and Research Directions. 2024 2nd International Conference on Sustainable Computing and Smart Systems (ICSCSS), 1404-1409. https://doi.org/10.1109/ICSCSS60660.2024.10625198
dc.relation.referencesMine, F. H. (2024). Detecção de falhas em ativos críticos utilizando redes neurais artificiais. [Tesis de especialización, Universidade Federal de Ouro Preto]. Repositorio Institucional. http://www.monografias.ufop.br/handle/35400000/6871
dc.relation.referencesMIT. (2020). La inteligencia artificial en las compañías latinoamericanas: Visión panorámica de la adopción y tendencias en la región. Instituto Tecnológico de Massachusetts (MIT). https://www.anuarioseguros.lat/admin/storage/files/EVERIS_3.pdf
dc.relation.referencesMnih, V., Kavukcuoglu, K., Silver, D., Graves, A., Antonoglou, I., Wierstra, D., & Riedmiller, M. (2013, diciembre 19). Playing Atari with Deep Reinforcement Learning. https://doi.org/10.48550/arXiv.1312.5602
dc.relation.referencesMohri, M., Rostamizadeh, A., & Talwalkar, A. (2018). Foundations of Machine Learning. MIT Press.
dc.relation.referencesNaeem, S., Ali, A., Anam, S., & Ahmed, M. (2023). An Unsupervised Machine Learning Algorithms: Comprehensive Review. IJCDS Journal, 13, 911-921. https://doi.org/10.12785/ijcds/130172
dc.relation.referencesNascimento, M. V. R. (2023). Análise e predição de falhas em aerogeradores utilizando deep learning [Tesis de grado, Universidade Estadual Paulista]. Repositorio Institucional. http://hdl.handle.net/11449/242775
dc.relation.referencesOrganización Internacional del Trabajo (OIT) (Ed.). (2013). El desafío de la promoción de empresas sostenibles en América Latina y el Caribe: Un análisis regional comparativo. OIT. https://www.ilo.org/sites/default/files/wcmsp5/groups/public/%40americas/%40ro-lima/documents/publication/wcms_205234.pdf
dc.relation.referencesOliveira, J. B. de, Gino, J. V. S. R., Filho, J. I. da S., & Lima, C. J. de. (2023). Aplicação de inteligência artificial através de algoritmos de aprendizagem de máquina para redução do número de OS em campo, baseado em falhas encontradas na linha de montagem de refrigeradores em uma indústria multinacional de bens de consumo. Revista de Gestão e Secretariado, 14(10), 18396-18416. https://doi.org/10.7769/gesec.v14i10.3055
dc.relation.referencesOreshkin, B. N., Carpov, D., Chapados, N., & Bengio, Y. (2020). N-BEATS: Neural basis expansion analysis for interpretable time series forecasting (No. arXiv:1905.10437). arXiv. https://doi.org/10.48550/arXiv.1905.10437
dc.relation.referencesOrtiz Reyes, J. C. (2023). Diseño de un modelo para el control del consumo de filtros y lubricantes del equipo caminero y maquinaria pesada del GAD del Cantón La Maná mediante algoritmos de inteligencia artificial [Tesis de maestría, Universidad Técnica de Ambato]. Repositorio Institucional. https://repositorio.uta.edu.ec/handle/123456789/40173
dc.relation.referencesPaez, A. (2017). Gray literature: An important resource in systematic reviews. Journal of Evidence-Based Medicine, 10(3), 233-240. https://doi.org/10.1111/jebm.12266
dc.relation.referencesPérez Rondón, F. A. (2021). Conceptos generales en la gestión del mantenimiento industrial. Universidad Santo Tomás. https://repository.usta.edu.co/handle/11634/33276
dc.relation.referencesPinto, M. C. (2021). Sistema de manutenção preditiva de falhas em válvulas em um processo industrial utilizando inteligência artificial. [Tesis de grado, Universidade Federal de Uberlândia]. Repositorio Institucional. https://repositorio.ufu.br/handle/123456789/32268
dc.relation.referencesPolamuri, S. R., Kumbhkar, M., & Daniel, A. P. (2022). Introduction to Deep Learning (1.a ed.). AGPH Books.
dc.relation.referencesQuiñones Alvarez, L. I., Moncada Lozano, C. A., & Montenegro Bravo, D. A. (2022). Metodología para el mantenimiento predictivo de transformadores de distribución basada en aprendizaje automático. Electrical and Electronic Engineering, 27(3), Article 3. https://doi.org/10.14483/23448393.17742
dc.relation.referencesQuiroga Niño, J. A. (2023). Aplicación de escritorio para mantenimiento predictivo de equipos industriales de refrigeración a través de machine learning. [Tesis de maestría, Universidad Santo Tomás]. Repositorio Institucional. https://repository.usta.edu.co/handle/11634/51260
dc.relation.referencesRastogi, A. K., Taterh, S., & Kumar, B. S. (2023). Dimensionality Reduction Algorithms in Machine Learning: A Theoretical and Experimental Comparison. Engineering Proceedings, 59(1), Article 1. https://doi.org/10.3390/engproc2023059082
dc.relation.referencesReino Chérrez, E. F., & Cochancela Araujo, J. R. (2022). Desarrollo de un sistema de predicción de falla de cojinete de turbina hidráulica basado en redes neuronales recurrentes con LSTM [Tesis de maestría, Universidad Poletécnica Salesiana]. Repositorio Institucional. http://dspace.ups.edu.ec/handle/123456789/21930
dc.relation.referencesResner, K., & Pinotti, M. (2023, noviembre 21). Aplicação de Machine Learning para Previsão da Vida de Ferramentas de Usinagem. XXV Coloquio de Mecanizado, Brusque. https://doi.org/10.29327/xxv-coloquio-de-usinagem.691368
dc.relation.referencesReyes Núñez, C. (2021). Dependencia tecnológica, corporaciones transnacionales e inteligencia artificial en América Latina [Tesis de maestría, Universidad Nacional Autónoma de México]. Repositorio Institucional. https://hdl.handle.net/20.500.14330/TES01000809955
dc.relation.referencesReyna, M. V. S., Toro, A. V. del, Vincent, N. A. M., Amado, F. R., Salazar, M. O. G., González, A. M. B., & Ávila, J. M. J. (2021). Revisión sistemática: El más alto nivel de evidencia. Orthotips AMOT, 17(4), 217-221. https://doi.org/10.35366/102220
dc.relation.referencesRiego Martinez, A. (2018). Desarrollo y aplicación de un modelo predictivo para gestión de mantenimiento en subestaciones de distribución de energia eléctrica en redes de media tensión [Tesis de maestría, Universidad Nacional Autónoma de México]. Repositorio Institucional. https://hdl.handle.net/20.500.14330/TES01000780181
dc.relation.referencesRighetto, S. B., Hattori, L. T., Nunes, G. G., Carvalho, E. G., Martins, M. A. I., & De Francisci, S. (2021). Failure Prediction in Automatic Reclosers Using Machine Learning Approaches. 320-324. https://doi.org/10.1109/URUCON53396.2021.9647250
dc.relation.referencesRocha, A. P. da. (2022). Manutenção preditiva de máquinas rotativas para detecção de falhas mecânicas com técnicas de aprendizado de máquina utilizando dados reais de sensores de vibração [Tesis de grado, Universidade Federal de Santa Catarina.]. Repositorio Institucional. https://repositorio.ufsc.br/handle/123456789/243320
dc.relation.referencesRodríguez Amaya, A., & Pérez Aponte, D. A. (2023). Construcción de un modelo que permita identificar fallas en generadores de centrales hidroeléctricas [Tesis de maestría, Pontificia Universidad Javeriana]. Repositorio Institucional. https://vitela.javerianacali.edu.co/handle/11522/791
dc.relation.referencesRojas Bances, D. P. (2021). Machine learning para mejorar la gestión de mantenimiento de máquinas industriales. [Trabajo de grado, Universidad Cesar Vallejo]. Repositorio Institucional. https://repositorio.ucv.edu.pe/handle/20.500.12692/85837
dc.relation.referencesRojko, A. (2017). Industry 4.0 Concept: Background and Overview. International Journal of Interactive Mobile Technologies (iJIM), 11(5), Article 5. https://doi.org/10.3991/ijim.v11i5.7072
dc.relation.referencesRondon Chavez, R. E. (2022). Machine learning en la disponibilidad y confiabilidad de la flota vehicular de una calera. Repositorio Institucional - UCV. https://repositorio.ucv.edu.pe/handle/20.500.12692/129812
dc.relation.referencesRussell, S. J., & Norvig, P. (2007). Artificial Intelligence: A Modern Approach 2Nd Ed. Prentice-Hall Of India Pvt. Limited.
dc.relation.referencesSanchéz, G. C., Gómez, G. R., Pabón, E. G., Fontani, T., Tovar, I. D., Navarro, L. B., & Guerra, A. M. (2024). E-maintenance in hydropower energy generation: A case study of Enel Colombia. RE&PQJ, 105-110. https://doi.org/10.52152/3998
dc.relation.referencesSantos Dutra, A. (2023). Análise de dados de inspeção em motores de indução para classificação utilizando técnicas de machine learning [Tesis de grado, Universidade Federal de Ouro Preto]. Repositorio Institucional. http://www.monografias.ufop.br/handle/35400000/5999
dc.relation.referencesSanz Angulo, P., & Maisueche Cuadrado, A. (2019). Utilización del Machine Learning en la industria 4.0 [Trabajo Fin de Máster, Universidad de Valladolid]. Repositorio Institucional. https://uvadoc.uva.es/handle/10324/37908
dc.relation.referencesSaraiva, G. E. (2023). Manutenção de motores diesel marítimos: Qualidade do óleo lubrificante [Tesis de grado, Centro de Instrução Almirante Alexandrino (CIAA)]. Repositorio Institucional. https://www.repositorio.mar.mil.br/handle/ripcmb/847163
dc.relation.referencesSchmidtke, T., Koch, H., & Camarero García, V. (with Friedrich-Ebert-Stiftung). (2020). Los sectores económicos en América Latina y su participación en los perfiles exportadores: Tobias Schmidtke, Hernriette Koch y Verónica Camarero García. Friedrich-Ebert-Stiftung Projecto Regional Transformación Social-Ecológica. https://library.fes.de/pdf-files/bueros/mexiko/14815.pdf
dc.relation.referencesSchulman, J., Wolski, F., Dhariwal, P., Radford, A., & Klimov, O. (2017, agosto 28). Proximal Policy Optimization Algorithms. https://doi.org/10.48550/arXiv.1707.06347
dc.relation.referencesSegarra López, J. F., & Andrade Veloz, P. S. (2017). Modelo predictivo de fallas en alimentadores primarios de concesión de la Empresa Eléctrica Regional Centro Sur usando aprendizaje profundo de máquina [Tesis de grado, Universidad de Cuenca]. Repositorio Institucional. https://dspace.ucuenca.edu.ec/handle/123456789/28579
dc.relation.referencesSepulvene, L. H. M. (2019). Aplicação de técnicas de aprendizado de máquina para o diagnóstico de falhas em módulos rastreadores de frotas veiculares. [Tesis de maestría, Universidad Federal de Itajubá]. Repositorio Institucional. https://repositorio.unifei.edu.br/jspui/handle/123456789/1984
dc.relation.referencesShalev Shwartz, S., & Ben David, S. (2014). Understanding Machine Learning: From Theory to Algorithms. Cambridge University Press. https://doi.org/10.1017/CBO9781107298019
dc.relation.referencesSoares, S. G. (2015). Ensemble Learning Methodologies for Soft Sensor Development in Industrial Processes [Tesis de doctorado, Universidade de Coimbra]. Repositorio Institucional. https://estudogeral.uc.pt/handle/10316/28313
dc.relation.referencesSutton, R. S., & Barto, A. G. (2018). Reinforcement Learning, second edition: An Introduction. MIT Press.
dc.relation.referencesUniversidad Complutense de Madrid. (2021). ¿Qué es el Machine Learning? https://www.masterdatascienceucm.com/que-es-machine-learning/
dc.relation.referencesUrra González, C., & Ramos Maldonado, M. (2023). A machine learning approach for plywood quality prediction. Ciencia y tecnología, 25, 22. https://doi.org/10.4067/s0718-221x2023000100436
dc.relation.referencesVallim Filho, A. R. de A., Farina Moraes, D., Bhering de Aguiar Vallim, M. V., Santos da Silva, L., & da Silva, L. A. (2022). A Machine Learning Modeling Framework for Predictive Maintenance Based on Equipment Load Cycle: An Application in a Real World Case. Energies, 15(10), Article 10. https://doi.org/10.3390/en15103724
dc.relation.referencesVargas, M., Mosquera, R., Fuertes, G., Alfaro, M., & Perez Vergara, I. G. (2024). Process Optimization in a Condiment SME through Improved Lean Six Sigma with a Surface Tension Neural Network. Processes, 12(9), Article 9. https://doi.org/10.3390/pr12092001
dc.relation.referencesVázquez, M. E. (2024). Diseño e implementación de tablero de mantenimiento y predicción de fallas con Machine Learning en una empresa de saneamiento urbano [Tesis de grado, Universidad Nacional del Centro de la Provincia de Buenos Aires.]. https://www.ridaa.unicen.edu.ar/items/1bbf05e1-2d2c-450d-8338-b64e849e797d
dc.relation.referencesVega Álvarez, F. B. (2023). Predicción de fallas en un motor de combustión interna de la empresa OCP Ecuador. Ciencia Latina Revista Científica Multidisciplinar, 7(1), Article 1. https://doi.org/10.37811/cl_rcm.v7i1.4749
dc.relation.referencesVelasquez, V., & Flores, W. (2022). Machine Learning Approach for Predictive Maintenance in Hydroelectric Power Plants. 2022 IEEE Biennial Congress of Argentina (ARGENCON), 1-6. https://doi.org/10.1109/ARGENCON55245.2022.9939782
dc.relation.referencesVera Otálvaro, L. M. (2023). Adopción de tecnologías de Inteligencia Artificial: Un estudio para las empresas en Colombia. [Trabajo de grado, Universidad EAFIT]. Repositorio Institucional. http://hdl.handle.net/10784/32618
dc.relation.referencesVillano, F., Mauro, G. M., & Pedace, A. (2024). A Review on Machine/Deep Learning Techniques Applied to Building Energy Simulation, Optimization and Management. Thermo, 4(1), Article 1. https://doi.org/10.3390/thermo4010008
dc.relation.referencesVillegas Ch, W., Gaibor Naranjo, W., & Sanchez Viteri, S. (2024). Application of Deep Learning Techniques for the Optimization of Industrial Processes Through the Fusion of Sensory Data. International Journal of Computational Intelligence Systems, 17(1). Scopus. https://doi.org/10.1007/s44196-024-00596-4
dc.relation.referencesWatkins, C. (1989). Learning From Delayed Rewards [Tesis de doctorado], University of Cambridge.
dc.relation.referencesWen, Y., Fashiar Rahman, Md., Xu, H., & Tseng, T.-L. B. (2022). Recent advances and trends of predictive maintenance from data-driven machine prognostics perspective. Measurement, 187, 110276. https://doi.org/10.1016/j.measurement.2021.110276
dc.relation.referencesXavier, L. M. S. (2024). Aplicações de aprendizado de máquina na detecção de anomalias em sistemas eólicos [Tesis de maestría, Universidad Federal de Pernambuco]. Repositorio Institucional. https://repositorio.ufpe.br/handle/123456789/56306
dc.relation.referencesYates, D., & Islam, M. Z. (2021). FastForest: Increasing random forest processing speed while maintaining accuracy. Information Sciences, 557, 130-152. https://doi.org/10.1016/j.ins.2020.12.067
dc.relation.referencesYato Flores, D. E., & Zamudio Navarro, J. D. (2024). Modelo de gestión de inventarios para el abastecimiento de repuestos de una flota de operaciones aplicando Machine Learning en una mina subterránea del sur del Perú. [Trabajo de grado, Universidad Peruana de Ciencias Aplicadas (UPC)]. Repositorio Institucional. https://repositorioacademico.upc.edu.pe/handle/10757/674554
dc.relation.referencesZelle, J. M. (2004). Python Programming: An Introduction to Computer Science. Franklin, Beedle & Associates, Inc.
dc.relation.referencesZiat, A., Delasalles, E., Denoyer, L., & Gallinari, P. (2017). Spatio-Temporal Neural Networks for Space-Time Series Forecasting and Relations Discovery. 2017 IEEE International Conference on Data Mining (ICDM), 705-714. https://doi.org/10.1109/ICDM.2017.80
dc.rightsAttribution-NonCommercial-NoDerivs 2.5 Colombiaen
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2
dc.rights.localAbierto (Texto Completo)spa
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/2.5/co/
dc.subject.keywordLatin America
dc.subject.keywordBarriers
dc.subject.keywordImplementation Cases
dc.subject.keywordMachine Learning
dc.subject.keywordPredictive Maintenance
dc.subject.keywordIndustrial Sector
dc.subject.keywordTechniques
dc.subject.lembMantenimiento de plantas industriales - América Latina
dc.subject.lembMantenimiento industrial - Machine Learning
dc.subject.lembMantenibilidad (Ingeniería) - Sector industrial
dc.subject.lembMantenimiento predictivo - Técnicas
dc.subject.lembTesis y Disertaciones académicas
dc.subject.proposalAmérica Latina
dc.subject.proposalBarreras
dc.subject.proposalCasos de implementación
dc.subject.proposalMachine Learning
dc.subject.proposalMantenimiento predictivo
dc.subject.proposalSector industrial
dc.subject.proposalTécnicas
dc.titleRevisión del Mantenimiento Predictivo Potenciado por Machine Learning en el Sector Industrial de América Latina: Situación Actual, Desafíos y Tendencia
dc.typebachelor thesis
dc.type.categoryFormación de Recurso Humano para la Ctel: Trabajo de grado de Especialización
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1f
dc.type.coarversionhttp://purl.org/coar/version/c_ab4af688f83e57aaspa
dc.type.driveinfo:eu-repo/semantics/bachelorThesisspa
dc.type.localTrabajo de gradospa
dc.type.versioninfo:eu-repo/semantics/acceptedVersionspa

Archivos

Bloque original

Mostrando 1 - 3 de 3
Miniatura
Nombre:
2025henryromero.pdf
Tamaño:
1.39 MB
Formato:
Adobe Portable Document Format
Descargar
Miniatura
Nombre:
Autorización Coordinación
Tamaño:
146.29 KB
Formato:
Adobe Portable Document Format
Descargar
Miniatura
Nombre:
Autorización Estudiante
Tamaño:
192.42 KB
Formato:
Adobe Portable Document Format
Descargar

Bloque de licencias

Mostrando 1 - 1 de 1
Miniatura
Nombre:
license.txt
Tamaño:
807 B
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar

Colecciones

Especialización Gerencia de Mantenimiento y Gestión de Activos