MANTENIMIENTO PREDICTIVO BASADO EN MACHINE LEARNING: UNA REVISIÓN SISTEMÁTICA DE LA LITERATURA Y PERSPECTIVAS EN LA INDUSTRIA 4.0
PREDICTIVE MAINTENANCE BASED ON MACHINE LEARNING: A SYSTEMATIC LITERATURE REVIEW AND PERSPECTIVES IN INDUSTRY 4.0
Sofia Tapia1, Gustavo Aguilera1, Luis Rojas1, José García2 (1) Universidad de La Serena, Facultad de Ingeniería, Departamento de Ingeniería Civil Mecánica, La Serena 1720169, Chile; (2) Doctorado en Industria Inteligente, Facultad de Ingeniería, Pontificia Universidad Católica de Valparaíso, Valparaíso 2362804, Chile
Resumen
En el marco de la Industria 4.0, el mantenimiento predictivo (PdM) emerge como componente esencial para maximizar la disponibilidad de activos y garantizar la excelencia operacional. La explosión de datos de sensores y la complejidad creciente de los sistemas productivos exigen enfoques analíticos avanzados. Esta revisión sistemática examina literatura donde se aplican técnicas de aprendizaje automático (ML) al PdM en sectores como energía eólica, ferrocarriles, manufactura e infraestructuras. Se analizan algoritmos utilizados, escenarios de despliegue, métricas de rendimiento y resultados reportados. Redes neuronales, máquinas de vectores de soporte y métodos de conjuntos dominan la detección de fallas, estimación de vida útil remanente y planificación de intervenciones. Los estudios muestran mejoras en precisión pronóstica, reducción de tiempos de paro y disminución de costos. Se concluye que el ML actúa como habilitador del PdM orientado a datos, reforzando confiabilidad y sostenibilidad, y se identifican líneas de investigación para estrategias de mantenimiento inteligente futuro.
Abstract
Within the framework of Industry 4.0, predictive maintenance (PdM) emerges as an essential component to maximize asset availability and ensure operational excellence. The explosion of sensor data and the increasing complexity of production systems require advanced analytical approaches. This systematic review examines literature where machine learning (ML) techniques are applied to PdM in sectors such as wind energy, railroads, manufacturing and infrastructure. Algorithms used, deployment scenarios, performance metrics and reported results are analyzed. Neural networks, support vector machines and ensemble methods dominate fault detection, remaining life estimation and intervention planning. Studies show improvements in prognostic accuracy, downtime reduction and cost reduction. It is concluded that ML acts as an enabler of data-driven PdM, enhancing reliability and sustainability, and lines of research for future intelligent maintenance strategies are identified.
Palabras clave: mantenimiento predictivo, Industria 4.0, aprendizaje automático, mantenimiento basado en datos Keywords: predictive maintenance, Industry 4.0, machine learning, data-driven maintenance