Predicción de fallas en equipos industriales mediante modelos de machine learning usando el dataset AI4I 2020

Abstract

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