Logotipo del repositorio
Logotipo del repositorio
 

Propuesta de implementación de Inteligencia Artificial para mejorar la confiabilidad de los equipos rotativos en el sector industrial en Cartagena, Colombia

Vista sencilla de ítem
datacite.rightshttp://purl.org/coar/access_right/c_f1cf
dc.contributor.advisorMontaño, Víctor Manuel
dc.contributor.advisorMartínez Palmera, Olga
dc.contributor.authorHernández Reyes, Francisco Javier
dc.contributor.authorValdivieso Padilla, Omar de Jesús
dc.contributor.authorLizcano Ortiz, Carlos Fernando
dc.contributor.authorToncel Rosado, Javier Andrés
dc.contributor.authorBarrios Plata, José Miguel
dc.contributor.authorVelásquez Suárez, Karina
dc.date.accessioned2025-06-10T13:37:08Z
dc.date.available2025-06-10T13:37:08Z
dc.date.issued2025
dc.description.abstractLa operación de equipos rotativos es clave para la eficiencia y reducción de costos, lo que resalta la necesidad de aplicar nuevas técnicas de mantenimiento frente a los métodos tradicionales, que presentan altos índices de fallas. Objetivo: Formular una propuesta de solución basada en Inteligencia Artificial (IA) para mejorar la confiabilidad de los equipos rotativos en el sector industrial de Cartagena considerando su viabilidad técnica, económica y organizacional. Materiales y métodos: Se realizó un estudio descriptivo de enfoque mixto para conocer la eficiencia de las técnicas de mantenimiento convencionales y la percepción sobre la implementación de IA para mejorar la confiabilidad de los equipos. Resultados: Se utilizó una muestra de 17 expertos en el área de mantenimiento de equipos rotativos. Se estudiaron dos variables: 1. Solución basada en inteligencia artificial. 2. Confiabilidad de los equipos rotativos en un entorno industrial. Se realizó el análisis según los objetivos específicos, se obtuvo que el 42,9% de los expertos están totalmente de acuerdo con que las maquinarias presentan fallas frecuentes y solo el 0.9% está en desacuerdo, además, el 57,7% estaba de acuerdo con que la utilización de IA mejoraría los procesos operativos, asimismo, el 1,2% no estaba de acuerdo, lo cual respalda que la utilización de IA supone una mejora para el mantenimiento. Conclusiones: Este estudio proporciona la percepción de expertos en el área industrial sobre la utilización IA para el mantenimiento de los equipos, demostrando que podría ser un factor diferencial en la confiabilidad y la eficiencia operativa.spa
dc.description.abstractThe operation of rotating equipment is key to achieving efficiency and reducing costs, highlighting the need to implement new maintenance techniques over traditional methods, which show high failure rates. Objective: To formulate a solution proposal based on Artificial Intelligence (AI) to improve the reliability of rotating equipment in the industrial sector in Cartagena, considering its technical, economic, and organizational feasibility. Materials and Methods: A descriptive study with a mixed-methods approach was conducted to evaluate the efficiency of conventional maintenance techniques and the perception of AI implementation to enhance equipment reliability. Results: A sample of 17 experts in rotating equipment maintenance was used. Two variables were studied: (1) AI-based solution, and (2) Reliability of rotating equipment in an industrial setting. The analysis was carried out according to the specific objectives. Results showed that 42.9% of the experts strongly agreed that machinery frequently experiences failures, while only 0.9% disagreed. Additionally, 57.7% agreed that AI implementation would improve operational processes, while only 1.2% disagreed. These findings support the notion that AI represents an improvement for maintenance strategies. Conclusions: This study provides insight into the perception of industry experts regarding the use of AI in equipment maintenance, demonstrating its potential as a differentiating factor in improving reliability and operational efficiency.eng
dc.format.mimetypepdf
dc.identifier.urihttps://hdl.handle.net/20.500.12442/16661
dc.language.isospa
dc.publisherEdiciones Universidad Simón Bolívarspa
dc.publisherFacultad de Ingenieríasspa
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 Internationaleng
dc.rights.accessrightsinfo:eu-repo/semantics/embargoedAccess
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subjectInteligencia artificialspa
dc.subjectEquipos rotativosspa
dc.subjectMantenimiento predictivospa
dc.subjectConfiabilidadspa
dc.subject.keywordsArtificial intelligenceeng
dc.subject.keywordsRotating equipmenteng
dc.subject.keywordsPredictive maintenanceeng
dc.subject.keywordsReliabilityeng
dc.titlePropuesta de implementación de Inteligencia Artificial para mejorar la confiabilidad de los equipos rotativos en el sector industrial en Cartagena, Colombiaspa
dc.type.driverinfo:eu-repo/semantics/other
dc.type.spaOtros
dcterms.referencesSMRP. (2022). Best Practices for Predictive Maintenance. Society for Maintenance & Reliability Professionals.eng
dcterms.referencesISO 17359:2018. Condition monitoring and diagnostics of machines – General guidelines. International Organization for Standardization.eng
dcterms.referencesJardine, A. K. S., Lin, D., & Banjevic, D. (2006). A review on machinery diagnostics and prognostics implementing condition-based maintenance. Mechanical Systems and Signal Processing, 20(7), 1483–1510. https://doi.org/10.1016/j.ymssp.2005.09.012eng
dcterms.referencesMobley, R. K. (2002). An Introduction to Predictive Maintenance (2nd ed.). Butterworth Heinemaneng
dcterms.referencesISO 13374-1:2016. Condition monitoring and diagnostics of machines — Data processing, communication and presentation. International Organization for Standardization.eng
dcterms.referencesISO 14224:2016. Petroleum, petrochemical and natural gas industries – Collection and exchange of reliability and maintenance data for equipment. International Organization for Standardization.eng
dcterms.referencesKumar, U. et al. (2019). Reliability and Maintainability in Operations Management. Springer.eng
dcterms.referencesAPI Standard 686. (2017). Recommended Practice for Machinery Installation and Installation Design. American Petroleum Institute.eng
dcterms.referencesMobley, R. K. (2002). Maintenance Fundamentals. Butterworth-Heinemann.eng
dcterms.referencesZonta, T., da Costa, C. A., da Rosa Righi, R., de Lima, M. J. da Trindade, E. S., & 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.2020.106889eng
dcterms.referencesWuest, T., Weimer, D., Irgens, C., & Thoben, K.-D. (2016). Machine learning in manufacturing: Advantages, challenges, and applications. Production & Manufacturing Research, 4(1), 23–45. https://doi.org/10.1080/21693277.2016.1192517eng
dcterms.referencesRussell, S., & Norvig, P. (2021). Artificial Intelligence: A Modern Approach (4th ed.). Pearson.eng
dcterms.referencesBousdekis, A., Magoutas, B., Apostolou, D., & Mentzas, G. (2020). A review of data driven decision-making methods for industry 4.0 maintenance applications. Journal of Manufacturing Systems, 56, 310–321. https://doi.org/10.1016/j.jmsy.2020.06.006eng
dcterms.referencesHaykin, S. (2009). Neural Networks and Learning Machines (3rd ed.). Pearson Education.eng
dcterms.referencesMosavi, A., Salimi, M., Faizollahzadeh Ardabili, S., Rabczuk, T., & Varkonyi-Koczy, A. R. (2019). State of the Art of Machine Learning Models in Energy Systems, a Systematic Review. Energies, 12(7), 1301. https://doi.org/10.3390/en12071301 AWS. (s.f.). ¿Qué es el aprendizaje automático? Obtenido de AWS: https://aws.amazon.com/es/what-is/machine-learning/eng
dcterms.referencesEcopetrol S.A. (6 de 4 de 2020). Ecopetrol. Obtenido de Ecopetrol: https://www.ecopetrol.com.co/wps/portal/Home/es/NuestraEmpresa/QueHacemos/RefinacionYPetroquimicaspa
dcterms.referencesGoogle. (2025). Google Maps. Obtenido de Google Maps.spa
dcterms.referencesLydon, B. (04 de 2019). International Society of Automation. Obtenido de Intech: https://www.isa.org/intech-home/2019/march-april/features/rami-4-0-reference architectural-model-for-industeng
dcterms.referencesMendoza, I. D. (2005). Diseño e implementación de la ruta de tribología operativa para el cuidado básico de los equipos rotativos en Ecopetrol S.A - Gerencia Complejo Barrancabermeja. Bucaramanga: Universidad de Santander.spa
dcterms.referencesWadhwani, P., & Jaiswal, S. (11 de 2024). Tamaño del mercado de IA y aprendizaje automático en petróleo y gas: por oferta, por operación, por aplicación, por uso final, pronóstico de crecimiento, 2025-2034. Global Market Insights.spa
dcterms.referencesSingh, R. (17 de 10 de 2024). RichestSoft. Obtenido de Costo y desglose del desarrollo de la integración de IA: https://richestsoft.com/es/blog/ai-integration-development-cost/spa
oaire.versioninfo:eu-repo/semantics/acceptedVersion
sb.investigacionConfiabilidad operacional y tecnologías inteligentesspa
sb.programaEspecialización en Gerencia de Proyectosspa
sb.sedeSede Barranquillaspa

Archivos

Bloque original
Mostrando 1 - 2 de 2
No hay miniatura disponible
Nombre:
PDF_Resumen.pdf
Tamaño:
329.31 KB
Formato:
Adobe Portable Document Format
Descargar
No hay miniatura disponible
Nombre:
PDF.pdf
Tamaño:
1.73 MB
Formato:
Adobe Portable Document Format
Descargar
Bloque de licencias
Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
license.txt
Tamaño:
2.93 KB
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar

Colecciones

Especialización

Universidad Simón Bolívar: Todos los derechos reservados / Sistema de biblioteca