Taller de analítica predictiva en mantenimiento y confiabilidad con IA generativa — parte 1: construir con IA la primera base de analítica predictiva
Grinda Natalia Sierra González
Docente de ingeniería mecánica y electromovilidad — INACAP, Sede Puente Alto
Sesión disponible en:
RESUMEN DE SESIÓN:
La mayoría de los equipos de mantenimiento y confiabilidad acumula años de datos operacionales que nunca se convierten en una estimación útil de vida útil remanente. El problema no es la falta de datos — es no saber, en la práctica, cómo pasar de una tabla de sensores a un modelo que sostenga una decisión de planificación.
Esta es la parte 1 de dos talleres toolbox independientes sobre el mismo caso de aplicación: cada participante recorre, con apoyo de inteligencia artificial generativa, el camino completo de datos crudos a un modelo funcional. No es necesario tomar la parte 2 para aprovechar esta sesión de forma completa.
Trabajando sobre datos históricos de dos molinos SAG organizados en siete campañas de desgaste por equipo (cerca de 18 mil registros por molino, 11 variables operacionales), el participante inspecciona la estructura real del dataset, define variables predictoras y objetivo, construye un modelo de regresión de referencia para estimar vida útil remanente (RUL) y evalúa su desempeño con métricas estándar (MAE, RMSE, R²). La inteligencia artificial generativa se usa para acelerar la programación, no para automatizar el criterio: cada salida debe verificarse contra los datos antes de aceptarse.
Los participantes aprenderán a construir y verificar, de principio a fin, una línea base reproducible de analítica predictiva para vida útil remanente, y saldrán con una plantilla aplicable a cualquier activo de proceso continuo donde exista una variable de degradación, condición o vida útil — sin depender de una industria, un activo ni un proveedor de software en particular. Quien continúe con la parte 2 llevará esa línea base un paso más allá, hacia modelos capaces de aprender relaciones no lineales.
