https://repository.unad.edu.co/handle/10596/2575 2026-07-04T05:32:53Z https://repository.unad.edu.co/handle/10596/82826 Predicción de fallas en equipos industriales mediante modelos de machine learning usando el dataset AI4I 2020 En la actualidad, la industria manufacturera enfrenta problemas relacionados con la ocurrencia de fallas inesperadas en los equipos de producción, las cuales generan tiempos de inactividad no planificados, incrementos en los costos de mantenimiento y disminución en la eficiencia operativa. En muchos casos, las organizaciones aún adoptan enfoques reactivos, interviniendo los equipos únicamente después de que se presenta la falla, lo que limita la capacidad de anticipación y la toma de decisiones estratégicas basadas en datos. En este contexto, el mantenimiento predictivo surge como una alternativa clave para mejorar la confiabilidad de los procesos industriales mediante el uso de técnicas de analítica de datos y aprendizaje automático. Este proyecto desarrolló y evaluó un modelo predictivo orientado a la detección temprana de fallas en equipos industriales mediante técnicas de machine learning, empleando el dataset público AI4I 2020, el cual contiene datos relevantes sobre variables operativas de maquinaria industrial, tales como temperatura del aire, temperatura del proceso, velocidad de rotación, torque y desgaste de herramienta, así como indicadores asociados a fallas de los equipos. Este conjunto de datos permite abordar el problema desde un enfoque supervisado, facilitando la construcción de modelos de clasificación capaces de identificar patrones asociados a la ocurrencia de fallas. La metodología adoptada se basó en el estándar CRISP-DM, ampliamente utilizado en proyectos de ciencia de datos industriales. En la fase de comprensión del negocio (definición de objetivos y KPIs asociados a disponibilidad y eficiencia operativa), comprensión de los datos (análisis exploratorio y verificación de consistencia de etiquetas), preparación (limpieza, transformación, codificación, normalización y selección de variables), modelado (entrenamiento y comparación de modelos supervisados), evaluación (validación cruzada estratificada y métricas alineadas al costo asimétrico de errores), y despliegue (servicio de inferencia y visualización para soporte decisional). En modelado se implementaron y compararon modelos de regresión logística, Random Forest y XGBoost; se incluyeron técnicas para tratar el desbalance y ajuste de hiperparámetros. En la evaluación se enfatizó el recall para reducir los falsos negativos, es decir, las fallas reales no detectadas, junto con F1-score, accuracy, precision y ROC-AUC. El desarrollo de este modelo predictivo evidencia el potencial de las técnicas de machine learning para apoyar la optimización de los procesos de mantenimiento, al permitir identificar patrones asociados a fallas y aportar información útil para la toma de decisiones. Palabras clave: Predicción, fallas, análisis, mantenimiento, predictivo 2026-06-26T00:00:00Z https://repository.unad.edu.co/handle/10596/82823 Análisis comparativo de posicionamiento indoor vs outdoor con Esp32-s3 DW3000 mediante arquitectura big data en Aws Este trabajo presenta el diseño, la implementación y la evaluación de un sistema experimental de posicionamiento basado en tecnología Ultra-Wideband (UWB), utilizando un módulo ESP32-S3 DW3000 y una arquitectura de Big Data desplegada en Amazon Web Services (AWS). El propósito central es comparar la precisión del posicionamiento en escenarios indoor y outdoor, aplicando un pipeline completo que incluye captura embebida, ingesta en la nube, almacenamiento estructurado y análisis matemático avanzado mediante multilateración. El proyecto se articula en tres dimensiones: el desarrollo de hardware y firmware embebido capaz de realizar el intercambio UWB entre un tag y cuatro anchors para obtener las distancias, y posteriormente transmitir dichos valores a la nube mediante MQTT y TLS; la construcción de una arquitectura IoT–Big Data compuesta por AWS IoT Core, Kinesis Firehose, Amazon S3 y Athena, que permite una ingesta confiable y consultas eficientes; y el procesamiento de datos en Python/Google Colab, aplicando técnicas de curado, interpolación, suavizado, detección de segmentos estables, multilateración híbrida y estimación de error espacial. La calibración reveló un factor de ajuste aproximado de 1.4 para el lote particular de módulos utilizados, necesario para alinear las mediciones UWB con la escala real definida por la grilla experimental. Los resultados experimentales evidencian diferencias marcadas en estabilidad y precisión entre los entornos indoor y outdoor. Los ambientes interiores muestran mayor continuidad y coherencia temporal, mientras que los exteriores, aunque capaces de producir errores puntuales muy bajos, presentan mayor dispersión debido a la debilidad de las reflexiones y a variaciones del canal. El estudio demuestra que la precisión depende tanto de la geometría de los anchors como del procesamiento aplicado, y confirma que la integración de UWB con infraestructura cloud y análisis reproducible constituye un marco sólido para aplicaciones de localización en IoT, robótica y sistemas distribuidos. Este estudio aporta un enfoque experimental reproducible que integra hardware UWB real, arquitectura IoT–Big Data y multilateración híbrida, permitiendo evaluar limitaciones prácticas que no suelen documentarse en estudios teóricos. Los resultados demuestran que, mediante calibración y procesamiento adecuado, es posible obtener precisiones útiles incluso con hardware económico. 2026-04-23T00:00:00Z https://repository.unad.edu.co/handle/10596/82762 Diseño y evaluación de un pipeline ETL low-code en KNIME para mejorar la eficiencia del proceso de preparación y la calidad de datos en escenarios empresariales tipo PYME En muchas pequeñas y medianas empresas, la información requerida para generar reportes y apoyar procesos de análisis no se encuentra consolidada en una única fuente ni bajo criterios homogéneos de estructura y calidad. Con frecuencia, los datos de ventas, inventario, productos, clientes y abastecimiento se administran en archivos planos, hojas de cálculo o exportaciones parciales de sistemas transaccionales, lo que obliga a ejecutar tareas manuales repetitivas de integración, limpieza, estandarización y validación. Esta situación incrementa los tiempos de preparación, dificulta la trazabilidad del proceso y eleva el riesgo de errores que afectan la calidad del conjunto de datos utilizado para análisis. En respuesta a esta problemática, el presente proyecto diseñó, implementó y evaluó un pipeline ETL con enfoque low-code utilizando KNIME, orientado a automatizar la preparación de datos comerciales en un escenario empresarial tipo PYME. El trabajo se desarrolló sobre un entorno de datos estructurado con tablas de clientes, productos, proveedores, ventas, compras, inventario y movimientos de inventario. Sobre estas estructuras se indujeron inconsistencias frecuentes en procesos manuales, tales como valores faltantes, duplicados, formatos inválidos, errores de codificación y llaves inconsistentes, con el fin de simular condiciones realistas de trabajo. Metodológicamente, el estudio comprendió la caracterización del escenario de datos, la definición del modelo objetivo, el diseño del diccionario de datos y de las reglas de calidad, la construcción del flujo ETL en KNIME y la evaluación comparativa entre un procedimiento manual de preparación y el flujo automatizado. La comparación se apoyó en métricas de eficiencia, particularmente el tiempo de preparación, y en métricas de calidad de datos, como completitud, unicidad, consistencia y validez. Como resultado, se obtuvo un flujo ETL replicable, documentado y aplicable a contextos similares, capaz de reducir el esfuerzo operativo asociado a la preparación manual de datos y de mejorar la calidad del conjunto de datos resultante para fines analíticos. Entre los productos obtenidos se encuentran el workflow en KNIME, los datasets de entrada y salida, el reporte de métricas y las evidencias técnicas de ejecución del prototipo. 2026-05-26T00:00:00Z https://repository.unad.edu.co/handle/10596/82757 Aplicación de la metodología CRISP-DM para la identificación temprana de anomalías en eventos de Infección Respiratoria Aguda Grave (IRAG) Inusitada en Bogotá El presente proyecto de grado desarrolla un sistema de vigilancia sindrómica inteligente para la identificación temprana de anomalías epidemiológicas por Infecciones Respiratorias Agudas (IRA) en Bogotá, abarcando el periodo 2009-2024. Ante las limitaciones de los métodos estadísticos tradicionales, que suelen ser reactivos y dependientes de grandes volúmenes de casos, esta investigación propone un cambio de paradigma hacia una vigilancia basada en el riesgo y el perfil demográfico. Bajo la metodología CRISP-DM, el estudio integró técnicas avanzadas de ciencia de datos en tres dimensiones críticas: Normalización Estratégica: Se neutralizó el sesgo histórico de reportes masivos en adultos mediante una ponderación por relevancia etaria, permitiendo que el sistema priorice la vulnerabilidad en la primera infancia e infancia. Modelado y Benchmarking: Se implementó el algoritmo de aprendizaje no supervisado Isolation Forest, validando su robustez mediante una comparación (benchmarking) con el modelo Local Outlier Factor (LOF). Este proceso permitió identificar un "Core de Inestabilidad" de alta confianza y caracterizar 886 eventos anómalos que rompen la estacionalidad y el perfil esperado en la ciudad. Validación Operativa: Al contrastar los resultados con el estándar epidemiológico tradicional (+2σ), el modelo demostró una precisión del 18.06% en la captura de picos de volumen, pero, fundamentalmente, reveló un 82% de alertas adicionales invisibles para la estadística convencional. Los resultados culminan en la identificación de Nodos y periodos centinela, proporcionando a la Secretaría Distrital de Salud una herramienta de auditoría dirigida y optimización de recursos. En conclusión, el sistema no solo identifica brotes conocidos, sino que actúa como un centinela preventivo que detecta rupturas silenciosas en la firma epidemiológica, fortaleciendo la toma de decisiones y la protección de la población pediátrica en el Distrito Capital. Palabras clave: Vigilancia Sindrómica, Aprendizaje No Supervisado, Isolation Forest, CRISP-DM, Salud Pública, IRA, Anomalías Epidemiológicas, Bogotá. 2026-05-26T00:00:00Z