El enfoque predictivo de la inteligencia artificial como herramienta para el mantenimiento de maquinaria industrial: una mirada desde la Industria 4.0

Resumen

En la industria de la manufactura, el mantenimiento es una tarea fundamental para garantizar la disponibilidad y eficiencia de la maquinaria utilizada en el proceso productivo. A través del tiempo, los procesos de mantenimiento se han realizado de forma empírica, basados en la experiencia de los operadores, y principalmente como respuesta a las fallas presentadas en tiempos de operación, generando altos costos para la organización debido a la necesidad de detener la producción mientras se realizan las reparaciones correspondientes y a los tiempos necesarios para el mantenimiento. En [1] y [2] se argumenta que los costos del servicio de mantenimiento [3] (costos de reparación, transporte, incumplimiento, mano de obra, entre otros) se podrían disminuir significativamente al contar con un sistema de planificación del mantenimiento [4], analizan en detalle el contenido y la composición de costos de varias tareas de mantenimiento de una red eléctrica, con el objetivo de determinar los impactos en el ciclo de vida del mantenimiento.

Descargas

La descarga de datos todavía no está disponible.

Biografía del autor/a

Alonso Toro Lazo, Universidad Católica de Pereira

Ingeniero de Sistemas y Telecomunicaciones de la Universidad Católica de Pereira (Colombia), Magíster en Gestión y Desarrollo de Proyectos de Software de la Universidad Autónoma de Manizales (Colombia), Ph.D en Big Data Management en la Universidad de Salerno (Italia). Actualmente es profesor auxiliar de tiempo completo de la Facultad de Ciencias Básicas e Ingeniería en la Universidad Católica de Pereira e investigador Asociado del grupo de investigación Entre Ciencia e Ingeniería de la misma universidad. Entre sus principales áreas de investigación se encuentran la ingeniería de software, el aseguramiento de la calidad del software (SQA), el testing automatizado, Big data y tecnologías de la industria 4.0 (principalmente Inteligencia Artificial y Analítica de datos, Internet de las cosas para la industria –IIoT y Sistemas Ciber-físicos -CPS). El Prof. Toro es autor de más de 25 artículos en revistas indexadas y miembro de comités académicos internacionales como el CICCSI (Argentina), PMI capítulo Italia e IEEE Latinoamérica.                                   

ORCID: https://orcid.org/0000-0001-7593-8026.

Citas

Y. Liu, Y. Hu, J. Wen, y Y. Tang, «An Overview on Smart Maintenance Service Scheduling System and Theoretical Basis for Agricultural Machinery», en 2018 IEEE International Conference on Internet of Things (iThings) and IEEE Green Computing and Communications (GreenCom) and IEEE Cyber, Physical and Social Computing (CPSCom) and IEEE Smart Data (SmartData), Halifax, NS, Canada, jul. 2018, pp. 766-771. doi: 10.1109/Cybermatics_2018.2018.00151.

G. Nota, F. D. Nota, D. Peluso, y A. Toro Lazo, «Energy Efficiency in Industry 4.0: The Case of Batch Production Processes», Sustainability, vol. 12, n.o 16, Art. n.o 16, ene. 2020, doi: 10.3390/su12166631.

T. Jiang y C. Yu, «Analysis and improvement of equipment maintenance management fee allocation efficiency based on DEA theory», en 2021 International Conference on E-Commerce and E-Management (ICECEM), Dalian, China, sep. 2021, pp. 99-104. doi: 10.1109/ICECEM54757.2021.00028.

S. Zhang et al., «Impacts of Various Maintenance Tasks on Life-cycle Costs of a Power Grid Project», en 2020 International Conference on Smart Grids and Energy Systems (SGES), nov. 2020, pp. 888-892. doi: 10.1109/SGES51519.2020.00163.

L. Jiadi, H. Yang, L. Huan, Z. Xinli, y L. WenJing, «Research on Data Center Operation and Maintenance Management Based on Big Data», en 2020 International Conference on Computer Engineering and Application (ICCEA), mar. 2020, pp. 124-127. doi: 10.1109/ICCEA50009.2020.00033.

J. Jingyi, «Research on equipment maintenance Information Management based on big data», en 2020 International Conference on Big Data and Informatization Education (ICBDIE), abr. 2020, pp. 39-43. doi: 10.1109/ICBDIE50010.2020.00016.

Z. A. Bukhsh y I. Stipanovic, «Predictive Maintenance for Infrastructure Asset Management», IT Prof., vol. 22, n.o 5, pp. 40-45, sep. 2020, doi: 10.1109/MITP.2020.2975736.

R. Rosati et al., «From knowledge-based to big data analytic model: a novel IoT and machine learning based decision support system for predictive maintenance in Industry 4.0», J. Intell. Manuf., vol. 34, n.o 1, pp. 107-121, may 2022, doi: 10.1007/s10845-022-01960-x.

Z. M. Çınar, A. Abdussalam Nuhu, Q. Zeeshan, O. Korhan, M. Asmael, y B. Safaei, «Machine Learning in Predictive Maintenance towards Sustainable Smart Manufacturing in Industry 4.0», Sustainability, vol. 12, n.o 19, Art. n.o 19, ene. 2020, doi: 10.3390/su12198211.

J. Passlick, S. Dreyer, D. Olivotti, L. Grützner, D. Eilers, y M. H. Breitner, «Predictive maintenance as an internet of things enabled business model: A taxonomy», Electron. Mark., vol. 31, n.o 1, pp. 67-87, mar. 2021, doi: 10.1007/s12525-020-00440-5.

A. Bousdekis, D. Apostolou, y G. Mentzas, «Predictive Maintenance in the 4th Industrial Revolution: Benefits, Business Opportunities, and Managerial Implications», IEEE Eng. Manag. Rev., vol. 48, n.o 1, pp. 57-62, 2020, doi: 10.1109/EMR.2019.2958037.

G. Nota, D. Peluso, y A. T. Lazo, «The contribution of Industry 4.0 technologies to facility management», Int. J. Eng. Bus. Manag., vol. 13, pp. 1-14, ene. 2021, doi: 10.1177/18479790211024131.

Publicado
2024-05-17
Cómo citar
Toro Lazo, A. (2024). El enfoque predictivo de la inteligencia artificial como herramienta para el mantenimiento de maquinaria industrial: una mirada desde la Industria 4.0. Entre Ciencia E Ingeniería, 18(35), 7-8. https://doi.org/10.31908/19098367.3130
Sección
Editorial