AI4Time estrategia en analítica de datos para el sector de mantenimiento industrial

Abstract

Esta investigación aborda la optimización del mantenimiento predictivo en el sector hidrocarburos mediante la aplicación de técnicas de Machine Learning (ML) sobre datos históricos transaccionales de mantenimiento, como órdenes de trabajo e inspecciones. El objetivo principal es mejorar la predicción de fallas y la planificación de intervenciones para aumentar la confiabilidad operativa (MTBF, disponibilidad) y la eficiencia en el uso de recursos, enfrentando desafíos como la trazabilidad deficiente de la información y decisiones reactivas que generan altos costos y paradas no planificadas. Bajo un enfoque cuantitativo y diseño no experimental, se analizaron más de 1.230 activos industriales registrados en SAP PM entre 2020 y 2024, integrando principios de gobernanza y calidad de datos. La metodología utilizada se basa en el modelo ASUM-DM para proyectos de analítica, complementado con análisis de confiabilidad tradicional mediante el modelo de distribución de Weibull y modelos de ML (clasificación y regresión) como Random Forest, los cuales fueron evaluados mediante métricas ROC y AUC. Además, se aplicó una encuesta al personal de mantenimiento para contextualizar y validar las prácticas actuales. Los resultados incluyen modelos predictivos robustos, un prototipo funcional de dashboard en Power BI con visualización de KPIs críticos (MTBF, MTTR, Backlog, alertas tempranas), y recomendaciones estratégicas para su implementación. Se concluye que el uso de ML permite transformar datos históricos subutilizados en inteligencia accionable, fomentando una gestión de mantenimiento más proactiva y confiable. Asimismo, se destaca la importancia de la calidad de los datos de entrada y la integración fluida con los flujos de trabajo existentes como factores clave para el éxito del modelo.