REVISTA DE INGENIERIA DYNA

Palabras clave:

machine learning, predictive maintenance, artificial intelligence, deep learning, data processing, data collection, aprendizaje automático, mantenimiento predictivo, inteligencia artificial, aprendizaje profundo, procesamiento de datos, recolección de datos

Tipo de artículo:

ARTICULO DE INVESTIGACION / RESEARCH ARTICLE

Sección:

ARTICULOS DE INVESTIGACION / RESEARCH ARTICLES

El mantenimiento predictivo (PdM) es un conjunto de acciones y técnicas para detectar tempranamente fallos y defectos en máquinas antes de que ocurran. El uso de técnicas de aprendizaje automático y aprendizaje profundo en el mantenimiento predictivo ha aumentado en los últimos años. A pesar de este aumento en la literatura, todavía existe una brecha en cuanto a la aplicación de tales técnicas en la industria, ya que no existen pautas claras sobre qué información utilizar en un sistema de PdM, cómo procesar la información y qué técnicas de aprendizaje automático se deben usar para obtener resultados aceptables. Esta revisión de alcance se realiza para observar el estado actual del uso del aprendizaje automático y el aprendizaje profundo en el mantenimiento predictivo en la academia y proporcionar respuestas a las preguntas relacionadas con estas pautas. Para este propósito, se lleva a cabo una revisión de la literatura de los últimos cinco años, utilizando los artículos que cubren información sobre las fuentes de información utilizadas para el PdM, el tratamiento dado a dichos datos y los métodos o técnicas de aprendizaje automático (ML) utilizados.
La base de datos Web of Science: Core Collection se utiliza como fuente de información, específicamente el Science Citation Index Expanded (SCIE). La revisión muestra que existen diferentes fuentes de información utilizadas para el aprendizaje automático y el aprendizaje profundo en el PdM, dependiendo del origen de los datos y su disponibilidad, así como si los conjuntos de datos son privados o públicos. Además, podemos observar que los datos utilizados tanto para el entrenamiento como para realizar predicciones no solo utilizan técnicas de preprocesamiento tradicionales, sino que aproximadamente una quinta parte de los artículos incluso proponen nuevas técnicas en este campo. Además, comparamos una amplia gama de técnicas y algoritmos que se utilizan en el Aprendizaje Profundo, siendo las Redes Neuronales Artificiales (ANN) las más utilizadas, y en el Aprendizaje Automático, siendo el SVM (Máquinas de Soporte Vectorial) el algoritmo más utilizado, seguido de cerca por Random Forest. Basándonos en los resultados, proporcionamos indicaciones sobre cómo aplicar el Aprendizaje Automático para Mantenimiento Predictivo en la industria.
Palabras clave: aprendizaje automático, mantenimiento predictivo, inteligencia artificial, aprendizaje profundo, procesamiento de datos, recolección de datos