Propuesta de modelo de sensorización de máquinas convencionales del taller MM – SJ para el pronóstico de fallas bajo el paradigma de Industria 4.0

Abstract

El objetivo general de este trabajo es proponer un modelo de seguimiento de señales de operación de máquinas fresadoras convencionales, compatible con el modelo para el pronóstico de fallas desarrollado para el Taller Metalmecánico del DIMEC San Joaquín, bajo el paradigma de la Industria 4.0. En primer lugar, se contextualiza el trabajo mediante una revisión exhaustiva del estado del arte, en la cual se abordan las principales tecnologías habilitadoras de la Industria 4.0, mantenimiento y el desarrollo del Mantenimiento Predictivo 4.0. Asimismo, se examinan los algoritmos de Machine Learning con mayor aplicación en este campo, destacando su potencial para la detección temprana de fallas y la estimación de vida útil remanente. Posteriormente, se definen los elementos que componen el modelo de seguimiento de señales de operación y pronóstico de fallas. Se continúa con un levantamiento del estado actual del mantenimiento en el Taller Metalmecánico, evaluando su nivel de madurez en tres dimensiones clave. Este diagnóstico permite identificar brechas existentes y proponer mejoras concretas para avanzar en la transformación digital del taller. En la siguiente etapa, se establecen los requerimientos técnicos necesarios para la implementación del modelo, especificando sensores, protocolos de comunicación y software de gestión, con el fin de asegurar la compatibilidad con la infraestructura digital ya implementada en el taller. Como última etapa, se desarrolla(...).

The general objective of this work is to propose a signal monitoring model for conventional milling machines, compatible with the fault prognosis model previously developed for the Metalworking Workshop at DIMEC San Joaquín, under the Industry 4.0 paradigm. First, the study is contextualized through a comprehensive state of the art review that addresses the main enabling technologies of Industry 4.0, maintenance, and the development of Predictive Maintenance 4.0. In addition, the machine learning algorithms most widely applied in this field are examined, highlighting their potential for early fault detection and the estimation of remaining useful life. Subsequently, the elements that compose the signal monitoring and fault prognosis model are defined. The analysis then continues with an assessment of the current state of maintenance at the Metalworking Workshop, evaluating its maturity level across three key dimensions. This diagnosis makes it possible to identify existing gaps and to propose concrete improvements to advance the workshop’s digital transformation. In the next stage, the technical requirements necessary for the implementation of the model are established, specifying sensors, communication protocols, and management software, with the aim of ensuring compatibility with the digital infrastructure already deployed in the workshop. As a final stage(...).