Browsing by Subject "Mantenimiento predictivo"

Now showing 1 - 2 of 2
  • Thumbnail Image
    Item
    Construcción de un modelo que permita identificar fallas en generadores de centrales hidroeléctricas
    (Pontificia Universidad Javeriana Cali, 2023) Rodríguez Amaya, Adrián; Pérez Aponte, David Andrés; Pabón, María Constanza
    Las indisponibilidades no planeadas en la generación eléctrica representan multas para las empresas generadoras de energía, por parte del administrador del mercado mayorista; el modelo propuesto permitirá identificar, predecir fallas en generadoras de centrales hidroeléctricas, y ayudar a los ingenieros de operación a programar mantenimientos proactivos. En el presente trabajo se analizaron las variables involucradas en un conjunto de datos descargados del SCADA de la operación de las unidades de generación, seleccionando los atributos más relevantes para la construcción de un modelo que identificó posibles fallas en los generadores eléctricos de una central hidroeléctrica, este conocimiento se aplicó en el contexto local para beneficio de la industria con el fin de reducir el impacto económico causado por las fallas, mediante el uso de la ciencia de datos.
  • Thumbnail Image
    Item
    Mantenimiento preventivo en equipos hoteleros con base en ocupación, daños históricos y reservas futuras
    (Pontificia Universidad Javeriana Cali, 2026) De la Ossa Pabón, Carlos Eduardo; Pabón Burbano, María Constanza
    En el sector hotelero, la operatividad continua de las áreas generadoras de ingresos es esencial. La interrupción no planificada o la entrega de una experiencia deficiente puede resultar en costos significativos a corto y largo plazo. Este proyecto desarrolló un modelo de predicción del momento de fallo de equipos hoteleros, utilizando la ocupación histórica del hotel, reservas futuras y datos históricos de mantenimiento como indicadores clave. Se trabajó con datos reales del sistema Nuvola, plataforma SaaS de gestión hotelera, correspondientes a cuatro hoteles independientes en Estados Unidos con periodos de operación entre 2020 y 2026. Dada la limitación de los datos reales (ausencia de clasificación preventiva/correctiva y de indicadores de condición), se diseñaron tres escenarios de análisis: (1) datos reales con las variables disponibles, (2) datos sintéticos calibrados con perfiles de madurez por hotel que incluyen el campo condicion_post, y (3) escenario ideal que agrega variables físicas de vida útil de los equipos. La metodología siguió el framework CRISP-DM e implementó, desde cero en Python, análisis de supervivencia mediante Kaplan-Meier, regresión logística con regularización L2 y una validación cruzada Leave-One-Hotel-Out (LOHO-CV) diseñada específicamente para respetar la independencia entre propiedades hoteleras. Los resultados del Escenario 1 con datos reales muestran un AUC LOHO de 0.724. La comparación de seis técnicas de aprendizaje automático — regresión logística, LR con feature engineering, SVM lineal, SVM con kernel RBF, Random Forest y Gradient Boosting— confirma que el Gradient Boosting obtiene el mejor AUC (0.738), aunque la diferencia entre técnicas es menor que la varianza interhotel (±0.15), evidenciando que el volumen del dataset es la limitación principal. El sistema fue desplegado localmente mediante una API REST con FastAPI y Docker, permitiendo el ingreso de datos en tiempo real sobre la ocupación y las variables identificadas. Los resultados demuestran la viabilidad técnica del enfoque predictivo para la gestión de mantenimiento hotelero, y establecen un esquema mínimo de datos que los hoteles deben registrar para implementar modelos similares.