Mejora del Mantenimiento Productivo Total mediante Aprendizaje Automático para la predicción de fallas

Autores/as
DOI:
https://doi.org/10.47456/bjpe.v12i5.53118
Palabras clave:
Mantenimiento industrial, mantenimiento predictivo, TPM, aprendizaje automático, predicción de fallas
Resumen

Cuando se tratan correctamente, los datos pueden generar información valiosa. El avance tecnológico ha contribuido al desarrollo de herramientas para analizar grandes volúmenes de datos, junto con algoritmos capaces de identificar patrones y realizar predicciones basadas en métodos estadísticos. En este estudio, se investigan formas de aplicar análisis de datos y métodos basados en aprendizaje automático utilizando una base de datos sintética 'AI4I' para fallas de motores. El método utilizado en este trabajo consistió en pasar por todas las etapas de la aplicación del aprendizaje automático, desde la selección y tratamiento de datos, visualizaciones, y la creación de cinco modelos predictivos utilizando diferentes algoritmos y sus interpretaciones. Python fue utilizado como lenguaje de programación. Finalmente, fue posible comparar el rendimiento de los diferentes algoritmos y concluir que el método de Random Forest demostró ser más eficiente, con una precisión de casi 100%, indicando que este modelo es efectivo para la base de datos específica.

Biografía del autor/a
  1. Gabriel Sotello de Oliveira, Universidad Estatal Paulista

    -

  2. José Roberto Dale Luche, Universidad Estatal Paulista

    Professor no Departamento de Produção da FEG-UNESP. Doutor e Mestre em Engenharia de Produção, com ênfase em Pesquisa Operacional. Possui especialização em Banco de Dados. Graduado em Engenharia de Produção, Análise e Desenvolvimento de Sistemas e Licenciatura em Matemática (R2). Atua como pesquisador e desenvolvedor nas áreas de Realidade Mista, Machine Learning, Sistemas de Informação e Pesquisa Operacional. É docente no cusro de Especialização em Engenharia de Produção da FEG-UNESP. http://lattes.cnpq.br/4951999338304665 https://orcid.org/0000-0001-5302-7301

  3. Aneirson Francisco da Silva, Universidad Estatal Paulista

    Bolsista de produtividade em Pesquisa PQ CNPq Nível C. Professor associado MS-5.3 e Livre Docente em Métodos de Otimização e Simulação na Universidade Estadual Paulista ''Júlio de Mesquita Filho'' FEG-UNESP. Ministrando as disciplinas: História da Ciência e Metodologia Científica; Gestão da Produção e Gerência para a produtividade, competitividade industrial, métodos quantitativos avançados em sistemas produtivos e Engenharia Econômica e Sistemas de Custos e nos cursos de Pós-Graduação Stricto Sensu ministrou a disciplina de Simulação de Sistemas e, ministra atualmente a disciplina Métodos de Otimização e Simulação-MOS. No curso de Pós-graduação Lato Sensu- ministra a disciplina de viabilidade econômica e Metodologia Científica. Vice- Coordenador do Grupo de Pesquisa GOL - Grupo de Otimização e Logística da FEG - UNESP, cadastrado no CNPq.Pós Doutorado em Estatística Experimental e Otimização - USP. Doutor em Engenharia Mecânica-UNESP-GUARATINGUETÁ-SP. Mestre em engenharia de produção, pela Universidade Federal de Itajubá- UNIFEI. Pós-graduado em Engenharia Econômica, pela Universidade Federal de Uberlândia-UFU. http://lattes.cnpq.br/2151242493491034 http://orcid.org/0000-0002-2215-0734

  4. Leandro Carlos Fernandes, Universidad Estatal Paulista

    Possui graduação em Engenharia Elétrica pelo Instituto Nacional de Telecomunicações (1993), mestrado em Engenharia Elétrica pela Universidade Federal de Itajubá (1996) e doutorado em Engenharia Eletrônica e Computação pelo Instituto Tecnológico de Aeronáutica (2002). Professor Assistente Doutor da Universidade Estadual Paulista Júlio de Mesquita Filho tendo experiência no projeto de circuitos integrados analógicos e digitais sendo que os projetos digitais são modelados e sintetizados com o auxílio da linguagem de programação para hardware VHDL tendo como alvo componentes programáveis após o encapsulamento CPLD/FPGA. http://lattes.cnpq.br/9338079447464341 

  5. Claudia Regina de Freitas, Universidad Estatal Paulista

    Possui graduação em Psicologia pela Universidade de Taubaté (2010) e em Pedagogia pela Faculdade Anhanguera de São José dos Campos (2023). É mestre em Ciências pela Universidade Federal de São Paulo UNIFESP (2013) e doutora em Saúde Coletiva pela Faculdade de Ciências Médicas da UNICAMP (2019). Pós- doutorado pela UNESP (2025). Possui mais de 10 anos de experiência como docente no ensino superior, com atuação em diversos cursos de graduação. Foi coordenadora de curso de graduação em Psicologia em instituição privada; professora auxiliar I no Departamento de Psicologia da Universidade de Taubaté (UNITAU); e professora substituta do Departamento de Engenharia de Produção da Faculdade de Engenharia e Ciências da UNESP - Campus de Guaratinguetá. Atualmente, é docente no Departamento de Engenharia de Produção da Faculdade de Engenharia e Ciências da UNESP - Campus de Guaratinguetá, ministrando disciplinas da área de Engenharia Organizacional e Psicologia organizacional e do trabalho. Atua em pesquisas com foco em ergonomia cognitiva, processos de ensino-aprendizagem e desempenho de estudantes universitários em cursos de Engenharia, e temas interdisciplinares que envolvem psicologia, saúde coletiva, educação e engenharia, com produção científica voltada à interface entre saúde mental, aprendizagem e práticas pedagógicas no ensino superior. É também membro do Grupo de Pesquisa em Psicodiagnóstico e Avaliação Psicológica (GP-PAP) da Universidade de Taubaté. https://lattes.cnpq.br/4470269242002606 https://orcid.org/0000-0001-8078-9213

Referencias

Ahuja, I. P. S. & Khamba, J. S. (2008). Total productive maintenance: literature review and directions. International Journal of Quality & Reliability Management, 25(7), 709-56. https://doi.org/10.1108/02656710810890890

UCI Machine Learning Repository. (2020). AI4I 2020 predictive maintenance dataset [Dataset]. University of California, Irvine. https://doi.org/10.24432/C5HS5C

Altalhan, M., Algarni, A., & Alouane, M. T. H. (2025). Imbalanced data problem in machine learning: a review. IEEE Access. https://doi.org/10.1109/ACCESS.2025.3531662

Bezerra, F. E., Freitas, C. R. de, Vale, T. F., Alves, M. J., Sales, W. F., & Araújo, A. M. (2024). Impacts of feature selection on predicting machine failures by machine learning algorithms. Applied Sciences, 14(8), 3337. https://doi.org/10.3390/app14083337

Chawla, N. V., Bowyer, K. W., Hall, L. O., & Kegelmeyer, W. P. (2002). SMOTE: synthetic minority over-sampling technique. Journal of Artificial Intelligence Research, 16, 321-57. https://doi.org/10.1613/jair.953

Fayyad, U., Piatetsky-Shapiro, G., & Smyth, P. (1996). From data mining to knowledge discovery in databases. AI Magazine, 17(3), 37-54. https://doi.org/10.1609/aimag.v17i3.1230

Ferreira, I. T., Freitas, C. R. de, & Luche, J. R. D. (2024). Integração e automação de data lakes com Python para análises em dashboards. Revista de Gestão e Secretariado, 15(9), e4105. https://doi.org/10.7769/gesec.v15i9.4105

Fioreto, V. D. L., Freitas, C. R. de, & Luche, J. R. D. (2024). Aplicação de modelos de aprendizado de máquina para a predição da temperatura do rotor em motores PMSM. Revista de Gestão e Secretariado, 15(8), e3981. https://doi.org/10.7769/gesec.v15i8.3981

Goyal, C. (2021). Importance of cross validation: Are evaluation metrics enough? Analytics Vidhya. Recuperado de https://www.analyticsvidhya.com/blog/2021/05/importance-of-cross-validation-are-evaluation-metrics-enough/

Kumar, U., Galar, D., Parida, A., Stenström, C., & Berges, L. (2013). Maintenance performance metrics: a state-of-the-art review. Journal of Quality in Maintenance Engineering, 19(3), 233-77. https://doi.org/10.1108/JQME-05-2013-0029

Kusiak, A. (2017). Smart manufacturing must embrace big data. Nature, 544(7648), 23-5. https://doi.org/10.1038/544023a

Lei, Y., Li, N., Guo, L., Li, N., Yan, T., & Lin, J. (2018). Machinery health prognostics: a systematic review from data acquisition to RUL prediction. Mechanical Systems and Signal Processing, 104, 799-834. https://doi.org/10.1016/j.ymssp.2017.11.016

Mouhib, Z., El Biaze, H., Benabbou, L., & Charkaoui, A. (2025). Total productive maintenance and Industry 4.0: a literature-based path toward a proposed standardized framework. Applied System Innovation, 8(4), 98. https://doi.org/10.3390/asi8040098

Muchiri, P. & Pintelon, L. (2008). Performance measurement using overall equipment effectiveness (OEE): literature review and practical application discussion. International Journal of Production Research, 46(13), 3517-35. https://doi.org/10.1080/00207540601142645

Neupane, D., Gautam, A., Aryal, A., & Koju, R. (2024). Data-driven machinery fault detection: a comprehensive review. SSRN Working Paper. https://doi.org/10.1016/j.neucom.2025.129588

Song, X., Wang, W., Zhang, H., & Zhou, D. (2023). A hybrid deep learning prediction method of remaining useful life for rolling bearings using multiscale stacking deep residual shrinkage network. International Journal of Intelligent Systems, 2023(1), 6665534. https://doi.org/10.1155/2023/6665534

Tortorella, G., Sawhney, R., Jurburg, D., & Fogliatto, F. S. (2022). The impact of Industry 4.0 on the relationship between TPM and maintenance performance. Journal of Manufacturing Technology Management, 33(3), 489520. https://doi.org/10.1108/JMTM-10-2021-0399

Wu, M., Li, X., Sun, J., Wang, Z., & Hu, Y. (2024). An intelligent predictive maintenance system based on random forest for addressing industrial conveyor belt challenges. Frontiers in Mechanical Engineering, 10, 1383202. https://doi.org/10.3389/fmech.2024.1383202

Zonta, T., da Costa, C. A., Righi, R. da R., Lima, M. J. de, Trindade, E. S. da, & Li, G. P. (2020). Predictive maintenance in the industry 4.0: a systematic literature review. Computers & Industrial Engineering, 150, 106889. https://doi.org/10.1016/j.cie.2020.106889

Cover Image
Imagen de un tablero de corcho con notas adhesivas de colores sujetas con chinchetas. En el centro, una nota azul muestra la expresión en inglés “Total Productive Maintenance” escrita a mano en letras negras. Otras notas contienen esquemas, números y diagramas de flujo, sugiriendo actividades de planificación, organización y mejora continua. En la parte superior de la portada aparece el título “Melhoria da Manutenção Produtividade Total por meio de Aprendizado de Máquina na previsão de falhas”, seguido por los autores Oliveira, G. S. de, Luche, J. R. D., Silva, A. F. da, Fernandes, L. C., & Freitas, C. R. de (2026).
Descargas
Publicado
2026-07-02
Número
Vol. 12 Núm. 5 (2026): Número especial VII Simposio sobre Ingeniería de Producción (SIENPRO)
Sección
Innovación, sostenibilidad y emprendimiento: caminos para transformar la ingeniería de producción.
Licencia

Derechos de autor 2026 Oliveira, G. S. de, Luche, J. R. D., Silva, A. F. da, Fernandes, L. C., & Freitas, C. R. de

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.

Todas las obras publicadas en la Revista Brasileña de Ingeniería de Producción (BJPE) están bajo la licencia Creative Commons Atribución 4.0 Internacional (CC BY 4.0). Esto significa que: Cualquier persona puede copiar, distribuir, exhibir, adaptar, remezclar e incluso utilizar comercialmente el contenido publicado en la revista; Siempre que se reconozca debidamente a los autores y a BJPE como fuente original; No se requiere permiso adicional para la reutilización, siempre que se respeten los términos de la licencia. Esta política cumple con los principios de acceso abierto, promoviendo la amplia difusión del conocimiento científico. 🔗 Haga clic aquí para acceder a la licencia completa.

Cómo citar

Oliveira, G. S. de, Luche, J. R. D., Silva, A. F. da, Fernandes, L. C., & Freitas, C. R. de. (2026). Mejora del Mantenimiento Productivo Total mediante Aprendizaje Automático para la predicción de fallas. Brazilian Journal of Production Engineering, 12(5), 129-142. https://doi.org/10.47456/bjpe.v12i5.53118