Sistema asistido para la decisión estratégica y planificación de procesos de mantenimiento en plantas industriales

• Autores: Néstor Rodríguez Padial
• Directores de la Tesis: Marta Maria Marín Martín (dir. tes.), Rosario Domingo Navas (dir. tes.)
• Lectura: En la UNED. Universidad Nacional de Educación a Distancia ( España ) en 2020
• Idioma: español
• Tribunal Calificador de la Tesis: Miguel Ángel Sebastián Pérez (presid.), Roberto Álvarez Fernández (secret.), Julio Blanco Fernández (voc.)
• Programa de doctorado: Programa de Doctorado en Tecnologías Industriales por la Universidad Nacional de Educación a Distancia
• Materias:
  • Ciencias tecnológicas
    • Tecnología industrial
      • Ingeniería de mantenimiento
    • Tecnología médica
• Enlaces
  • Tesis en acceso abierto en: hdl.handle.net
• Resumen

  • En un mercado globalizado, como en el contexto actual, los departamentos de mantenimiento se consideran claves para asegurar la función requerida de los sistemas productivos con bajos costes durante sus ciclos de vida. Esta situación plantea disponer de un sistema que asista a los expertos involucrados en departamentos de mantenimiento en su toma de decisiones y en la planificación de mantenimiento con fines estratégicos, considerando a su vez los objetivos tácticos y operativos, alineados entre sí, de forma que la toma de decisiones sea eficaz.

    El objetivo general de esta Tesis Doctoral es la propuesta de diseño e implementación de un sistema de apoyo a la toma de decisiones y desarrollo de planes de mantenimiento personalizado a una planta productiva. La ventaja competitiva del sistema propuesto implica menor tiempo dedicado respecto a la toma de decisiones clásica, está basado en gran cantidad de datos recopilados de la planta, en métodos de éxito y con formato conductivo, empleando algoritmos de inteligencia artificial. El esquema del sistema de apoyo a la decisión propuesto se ha diseñado con una arquitectura modular y presenta refinamiento por mejora continua. Cada uno de los tres módulos que componen el sistema de apoyo a la decisión propuesto, presenta objetivos con distintos alcances (estratégico, táctico y operativo), además de una combinación de distintas metodologías y técnicas a integrar eficazmente para construir el mismo.

    El principal objetivo, con alcance estratégico, integra las metodologías de cuadro de mando integral y proceso analítico jerárquico, involucrando indicadores claves de rendimiento del negocio industrial. El sistema de apoyo a la decisión ha sido modelado para identificar el área clave, como resultado entre cuatro áreas productivas propuestas por un panel de expertos.

    El segundo objetivo, con alcance táctico, persigue inferir el comportamiento a medio plazo que exhibirá el área clave, en términos de fiabilidad. En este módulo, el sistema presenta dos fases; una exploratoria de datos con el uso algoritmos de reducción de dimensionalidad, y una predictiva empleando algoritmos de aprendizaje automático. Como resultado para el área estratégica se descubren patrones en órdenes de trabajo y se predicen indicadores de mantenimiento.

    El tercer objetivo, con alcance operativo, persigue compilar y explotar el conocimiento histórico en cuanto a fallos y averías adquirido en la planta industrial a través del capital intelectual humano procedente de grupos de trabajo conformados al efecto. Se diseña una aplicación informática desarrollada al efecto para conducir el proceso completo de mantenimiento centrado en fiabilidad empleando razonamiento basado en casos. Integrando esta nueva funcionalidad en los módulos estratégico y táctico del sistema de apoyo a la decisión, se consigue alinear los objetivos operativos con los objetivos tácticos y estratégicos anteriormente citados, aumentando la eficacia en la toma decisional de la empresa y en el diseño del plan de mantenimiento de la planta.

    Palabras Clave: Mantenimiento; Proceso Analítico Jerárquico (AHP); Cuadro de Mando Integral (BSC); Indicadores Clave de Rendimiento (KPI); Sistemas de Apoyo a la Decisión (DSS); Tablas Dinámicas; Aprendizaje Automático (ML), Análisis de Componentes Principales (PCA); Mantenimiento Centrado en Fiabilidad (RCM), Razonamiento Basado en Casos (CBR)