APLICACIÓN DE APRENDIZAJE SUPERVISADO PARA LA PREDICCIÓN ÓPTIMA DE CAMBIO DE NEUMÁTICOS OTR EN CAMIONES MINEROS

[rcdlrp]

Tema: APLICACIÓN DE APRENDIZAJE SUPERVISADO PARA LA PREDICCIÓN ÓPTIMA DE CAMBIO DE NEUMÁTICOS OTR EN CAMIONES MINEROS

Integrantes:
Claudio Alejandro Valdivia Martinez
Luz Alejandra Montes Leandro
Nahúm Israel Castillo Padilla
Richard Claude De los Reyes Príncipe
Roberto José Torrejón Reyes


Resumen:
Esta investigación presenta el diseño, entrenamiento y validación de cuatro modelos de regresión supervisada —Random Forest (RF), REPTree (RT), Regresión Lineal Múltiple (LR) y Multilayer Perceptron (MLP)— para predecir la vida útil remanente (dias_restantes) de neumáticos fuera de carretera (OTR) instalados en camiones de acarreo minero. Se procesaron 74 556 inspecciones históricas (14 atributos) suministradas por NEUMA Perú, aplicando: eliminación de outliers (< 1 %), imputación de vacíos (< 0,3 %), one‑hot encoding de variables categóricas y normalización z‑score para los algoritmos sensibles a escala. La comparación de modelos con validación cruzada estratificada mostró que Random Forest obtuvo el mejor desempeño (r = 0,995; MAE = 9,11 días; RMSE = 21,29 días), superando a RT (r = 0,989; MAE = 13,67 días), MLP (r ≈ 0,94; MAE ≈ 45 días) y LR (r = 0,887; MAE = 63,55 días). Los métodos basados en árboles capturaron de forma eficiente la interacción no lineal entre presión, kilometraje y desgaste, permitiendo anticipar con semanas de antelación los cambios de neumático y optimizar inventarios y planificación de mantenimiento.
Los resultados permiten anticipar eventos críticos de mantenimiento, mejorar la asignación de recursos logísticos, optimizar el inventario de neumáticos y reducir paradas no programadas. La propuesta constituye una solución innovadora de transformación digital aplicada al mantenimiento predictivo, alineada con los principios de la minería inteligente e Industria 4.0. Este enfoque es escalable a operaciones reales mediante su integración con sistemas de monitoreo en tiempo real y plataformas ERP/CMMS.

Palabras clave: Mantenimiento Predictivo Basado en Condición, Neumáticos Fuera de Carretera (OTR), Aprendizaje Supervisado, Transformación Digital, Random Forest, REPTree, Regresión Lineal, Redes Neuronales, Machine Learning.