Please use this identifier to cite or link to this item:
https://rinacional.tecnm.mx/jspui/handle/TecNM/9610Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.author | Molina Salgado, José Luis | - |
| dc.creator | Molina Salgado, José Luis%738786 | - |
| dc.date.accessioned | 2025-04-01T22:31:42Z | - |
| dc.date.available | 2025-04-01T22:31:42Z | - |
| dc.date.issued | 2025-02-14 | - |
| dc.identifier.uri | https://rinacional.tecnm.mx/jspui/handle/TecNM/9610 | - |
| dc.description | En la industria moderna, los fallos inesperados en equipos críticos, tales como los rodamientos industriales, pueden generar altos costos y comprometer la eficiencia operativa. El mantenimiento predictivo surge como una solución esencial al permitir anticipar fallas y mejorar la planificación del mantenimiento. Sin embargo, la eficacia de los modelos de predicción basados en Machine Learning (ML) está limitada por la calidad de los datos utilizados. Esta tesis busca abordar este desafío al proponer una metodología que optimiza el preprocesamiento de datos sensoriales, considerando sus características de origen y contexto. El trabajo se desarrolla a través de cuatro etapas clave: identificación y recopilación de datos relevantes, procesamiento de la información para eliminar ruido y resaltar patrones útiles, ajuste iterativo para perfeccionar las técnicas aplicadas y validación de los modelos predictivos con algoritmos tales como: Decision Trees, Random Forest y Neural Networks. Los datos utilizados provienen de sensores de vibración seleccionados de un conjunto de datos reales, los que reflejan el estado de los rodamientos en diferentes muestras. Los resultados obtenidos muestran que el enfoque propuesto mejora notablemente la precisión y fiabilidad de las predicciones, permitiendo a las empresas reducir costos operativos, minimizar tiempos de inactividad y maximizar la vida útil de sus activos. Además, esta tesis ofrece una herramienta adaptable que puede ser explorada en otros entornos industriales, abriendo posibilidades para su implementación y mejora en contextos más amplios dentro del mantenimiento predictivo. | es_MX |
| dc.language.iso | spa | es_MX |
| dc.publisher | Tecnológico Nacional de México | es_MX |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0 | es_MX |
| dc.subject | info:eu-repo/classification/cti/7 | es_MX |
| dc.subject.other | Mantenimiento predictivo, aprendizaje automático, industria 4.0, vida útil restante. | es_MX |
| dc.title | Mantenimiento Predictivo Utilizando Machine Learning | es_MX |
| dc.type | info:eu-repo/semantics/doctoralThesis | es_MX |
| dc.contributor.director | López Sánchez, Máximo%89655 | - |
| dc.contributor.director | Santaolaya Salgado, René%122463 | - |
| dc.folio | 247 | es_MX |
| dc.rights.access | info:eu-repo/semantics/openAccess | es_MX |
| dc.publisher.tecnm | Centro Nacional de Investigación y Desarrollo Tecnológico | es_MX |
| Appears in Collections: | Tesis de Doctorado en Computación | |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| DC_Jose_Luis_Molina_Salgado_2025.pdf | Tesis | 2.13 MB | Adobe PDF | View/Open |
| DC_Jose_Luis_Molina_Salgado_2025_c.pdf Restricted Access | Cesión de derechos | 405.18 kB | Adobe PDF | View/Open Request a copy |
This item is protected by original copyright |
This item is licensed under a Creative Commons License
