Sistema de inteligencia artificial interpretable basado en lógica difusa para la toma de decisiones en mantenimiento predictivo centrada en el conocimiento experto cuando existe una escasez de datos

Abstract

La disponibilidad de los equipos móviles determina la productividad en la minería a rajo abierto, y el costo de las detenciones no planificadas ha convertido al mantenimiento predictivo en una preocupación estratégica. Llevarlo a la práctica obliga a enfrentar dos limitaciones que los enfoques basados en datos rara vez resuelven al mismo tiempo. La primera es que los modelos de inteligencia artificial más potentes funcionan como cajas negras, de modo que el personal técnico no puede auditar ni justificar decisiones costosas a partir de lo que esos modelos entregan. La segunda es que las faenas de baja madurez digital pocas veces conservan los registros históricos de calidad que esos modelos necesitan para funcionar. El avance hacia la Industria 5.0 añade una condición más, que la inteligencia artificial extienda el juicio del especialista en lugar de sustituirlo. Esta memoria aborda ese escenario mediante una arquitectura de inteligencia artificial explicable (XAI), centrada en el ser humano, para el soporte a la toma de decisiones de mantenimiento predictivo bajo escasez de datos. El sistema formaliza el conocimiento experto con un cuestionario técnico y organiza el razonamiento en un núcleo de inferencia difusa jerárquica de tipo Mamdani que estima un Índice de Riesgo de Falla (IRF) sobre una escala interpretable, integrando un índice operacional de riesgo, índices de riesgo por subsistema y un índice total de subsistemas. Su aporte está en la forma en que se combinan tres mecanismos. Un módulo de propagación causal del riesgo, basado en DEMATEL, pondera la importancia estructural de cada subsistema. Una agregación híbrida entre el peor caso y el promedio ponderado evita subestimar los componentes críticos y una priorización explicable devuelve cada recomendación a la evidencia física que la sustenta, con puntos definidos donde interviene el experto a lo largo del ciclo. Aplicado a un cargador frontal de accionamiento diésel-eléctrico en operación a rajo abierto, el sistema entrega un IRF de nivel medio, señala al sistema hidráulico como el subsistema más crítico y al motor diésel como el de mayor peso estructural, y produce un ranking de criticidad con recomendaciones trazables. Un análisis de sensibilidad confirma que esa lectura se mantiene ante variaciones razonables de los parámetros del modelo. El enfoque constituye así una herramienta de soporte a la decisión interpretable, confiable y aplicable en contextos de instrumentación limitada, en sintonía con los principios de la Industria 5.0.