Abstract
La investigación tuvo como propósito analizar la aplicación del mantenimiento predictivo basado en Inteligencia Artificial en equipos electromecánicos, con el objetivo de reducir los riesgos ambientales generados por fallas operativas y deterioros no detectados de manera oportuna. El estudio se orientó a demostrar cómo el uso de modelos de redes neuronales permitió anticipar averías, optimizar el rendimiento de los equipos y disminuir los impactos ambientales ocasionados por paradas inesperadas o fugas de materiales contaminantes. Para alcanzar los objetivos planteados, se aplicó un enfoque metodológico mixto que combinó la observación experimental, el análisis de datos históricos y el modelado computacional. Se instalaron sensores de vibración, temperatura, presión, corriente eléctrica y flujo, integrados en sistemas de monitoreo en tiempo real basados en plataformas SCADA y redes IoT. Los datos recopilados fueron procesados utilizando herramientas de código abierto, principalmente TensorFlow y Python, las cuales facilitaron la construcción de modelos predictivos mediante redes neuronales del tipo Long Short-Term Memory (LSTM) y Multilayer Perceptron (MLP). Estas arquitecturas fueron seleccionadas por su capacidad para detectar patrones temporales complejos y predecir fallas incipientes en componentes electromecánicos. Los resultados mostraron que el mantenimiento predictivo con Inteligencia Artificial permitió reducir en un 35 % las fallas críticas, mejorar la eficiencia energética y disminuir significativamente los incidentes con posible impacto ambiental. Además, se observó una optimización en la planificación de mantenimientos y una reducción en los costos operativos. En conclusión, se determinó que la integración de redes neuronales LSTM y MLP, junto con sensores inteligentes y sistemas de monitoreo continuo, representó una estrategia eficaz y sostenible para fortalecer la seguridad operativa, aumentar la vida útil de los equipos y contribuir a la protección del medio ambiente en entornos industriales.