Modelo Machine Learning con transformación logarítmica y validación cruzada para estimar la confiabilidad en un sistema de molienda de Cemento

Abstract

En el presente trabajo de tesis, se desarrolla y propone un modelo innovador de estimación de la confiabilidad para equipos industriales aplicado a un caso de estudio dentro de un sistema de equipos de molienda de cemento. Este modelo incorpora de aprendizaje automático situándose en la vanguardia de los estudios contemporáneos en el ámbito de la ingeniería de confiabilidad. A través de este enfoque, se busca mejorar la precisión en la estimación de la confiabilidad empleando una metodología que realiza la comparación entre métodos estadísticos convencionales, como los modelos de distribución normal, exponencial, lognormal y Weibull, y la integración del modelo innovador híbrido Crow-AMSAA incluyendo métodos de machine learning al ofrecer herramientas analíticas más robustas para la gestión de mantenimiento y prolongación de vida útil de sistemas productivos en la industria del cemento. La métrica de evaluación, precisión y eficacia de cada modelo de estimación de confiabilidad fue realizada por medio de las medidas de Error medio cuadrado (MSE), Error promedio absoluto (MAE), y coeficiente de determinación (R^2). Los resultados de la comparación obtenida mostraron que el modelo hibrido propuesto ofrece estimar la confiabilidad de equipos de forma más precisa. Esta mejora en la precisión asegura que las proyecciones de tiempos entre fallas para la toma de decisiones sean más exactas y estén estrechamente alineados con las condiciones operativas reales del sistema de manufactura industrial.