Applsci 10 07922 V2.en - Es

Traducido del inglés al español - www.onlinedoctranslator.
com
aplicado
ciencias
Artículo
El uso de métodos de inteligencia artificial para evaluar la Ef

Efectividad de la implementación del concepto de
mantenimiento ajustado en empresas manufactureras
Katarzyna Antosz1 , Lukász Pasko2 y Arkadiusz Gola3,*

1 Departamento de Procesos de Fabricación e Ingeniería de Producción, Facultad de Ingeniería Mecánica y
Aeronáutica, Universidad Tecnológica de Rzeszow, Al. Powstańcow Varsovia 8, 35-959 Rzeszow, Polonia;
kcktmiop@prz.edu.pl
2 Departamento de Ciencias de la Computación, Facultad de Ingeniería Mecánica y Aeronáutica,
Universidad Tecnológica de Rzeszow, Al. Powstańcow Varsovia 8, 35-959 Rzeszow, Polonia;
lpasko@prz.edu.pl
3 Departamento de Informatización y Robotización de la Producción, Facultad de Ingeniería Mecánica,
Universidad Tecnológica de Lublin, ul. Nadbystrzycka 36, 20-618 Lublin, Polonia
* Correspondencia: a.gola@pollub.pl
---- -
Recibido: 19 de octubre de 2020; Aceptado: 6 de noviembre de 2020; Publicado: 8 de noviembre de 2020 ---
Abstracto:El aumento del rendimiento y la eficacia de los procesos de mantenimiento es un objetivo continuo de las
empresas de producción. Se enfatiza en la eliminación de fallas inesperadas, que generan costos excesivos y
pérdidas de producción. Los elementos que influyen en la eficiencia del mantenimiento no son sólo la elección de
una estrategia de conservación adecuada sino también el uso de métodos y herramientas apropiados para apoyar el
proceso de toma de decisiones en esta área. El problema de investigación, que se consideró en el artículo, es un
medio insuficiente para evaluar el grado de implementación del mantenimiento eficiente. Este problema no sólo da
como resultado la posibilidad de lograr una alta eficiencia de las máquinas explotadas, sino que, sobre todo, influye
en el proceso de decisión y en la formulación de la política de mantenimiento de una empresa. El propósito de este
trabajo es presentar la posibilidad de utilizar sistemas inteligentes para apoyar los procesos de toma de decisiones
en la implementación del concepto de mantenimiento lean, que permita aumentar la eficiencia operativa de la
infraestructura técnica de la empresa. En particular, se utilizaron métodos de inteligencia artificial para buscar
relaciones entre actividades específicas realizadas bajo la implementación del mantenimiento lean y los resultados
obtenidos. Para el análisis se utilizaron árboles de decisión y la teoría de conjuntos aproximados. Los árboles de
decisión se realizaron para el valor promedio del indicador de efectividad general del equipo (OEE). Se utilizó la teoría
del conjunto aproximado para evaluar el grado de utilización de la estrategia de mantenimiento eficiente. Se
generaron reglas de decisión basadas en los algoritmos propuestos, utilizando el software RSES, y se evaluó su
corrección.
Palabras clave:proceso de toma de decisiones; mantenimiento eficiente; eficacia; árboles de decisión; teoría aproximada de conjuntos
1. Introducción
Obtener la confiabilidad y calidad adecuadas de los productos requiere métodos adecuados de gestión
empresarial, producción y los medios necesarios para su implementación [1]. Estos métodos permiten la
coordinación e integración de todas las funciones de la empresa [2]. Uno de los elementos que influyen en la
alta calidad de un producto es el estado de las máquinas tecnológicas mantenidas en las empresas [3–5]. Su
idoneidad y condición técnica determinan en gran medida la calidad y competitividad de un producto.
La gestión del mantenimiento es un tema crítico entre las actividades de gestión de las organizaciones de
fabricación [6–8]. Por ello, en los últimos años se han realizado intensos esfuerzos para proponer y
Aplica. Ciencia.2020,10, 7922; doi:10.3390/app10217922 www.mdpi.com/journal/applsci

Aplica. Ciencia.2020,10, 7922 2 de 23
mejorar las estrategias de mantenimiento que apuntan a extender la vida útil de cada equipo existente,
aumentar su disponibilidad y garantizar mayores niveles de confiabilidad [9–11].
En las últimas décadas, el mantenimiento se consideraba un mal necesario en la gestión de una organización,
porque se limitaba a las funciones apropiadas que normalmente se realizan en situaciones de emergencia, como una
falla de una máquina. Sin embargo, esta práctica ya no es aceptable, porque el papel del mantenimiento ha sido
reconocido como un elemento estratégico de generación de ingresos para la organización [1].
El proceso de mantenimiento en las empresas no siempre se llevó a cabo de una manera que garantizara la
minimización de los desembolsos y al mismo tiempo maximizara los efectos logrados en los procesos de servicio y
mantenimiento. En la práctica, obtener el máximo beneficio del funcionamiento de un sistema tecnológico de
máquina requiere una solución óptima a una serie de tareas [12,13]. Para un mayor número de máquinas, crea la
necesidad de un modelado de sistemas adecuado, investigación de simulación y optimización de tareas parciales y
complejas basadas en los criterios de optimización adoptados [14]. En consecuencia, la empresa debe establecer un
sistema de mantenimiento que permita realizar estas actividades de forma óptima desde el punto de vista de la
provisión de recursos y su eficacia [15]. Estas actividades suelen realizarse de acuerdo con una estrategia de
explotación específica que se ha desarrollado con el desarrollo de los sistemas de producción. La mayoría de las
empresas con capital extranjero lograron organizar un mantenimiento eficaz [dieciséis]. Sin embargo, las pequeñas y
medianas empresas todavía están buscando el método adecuado para su reorganización, así como la forma adecuada
de supervisar las máquinas y equipos tecnológicos que permitan mejorar su eficacia y utilizarlos en un proceso de
fabricación. Es por eso que algunas organizaciones han comenzado a implementar métodos y herramientas lean en el
área de mantenimiento definido como mantenimiento lean.17]. El mantenimiento eficiente es una estrategia de
mantenimiento proactivo cuyo objetivo principal es respaldar la confiabilidad de la manera más efectiva y rentable
posible, lo que significa mantener los costos al mínimo y al mismo tiempo garantizar una alta eficiencia y
productividad. Esta filosofía se basa principalmente en el concepto de mantenimiento productivo total (TPM), cuya
idea es involucrar a todos los empleados de todos los niveles de la organización en las tareas de mantenimiento y
gestión.18].
Este artículo presenta las posibilidades de utilizar sistemas inteligentes para apoyar los procesos de toma de
decisiones en la implementación del concepto de mantenimiento eficiente. El objetivo del artículo es indicar los
métodos y herramientas de mantenimiento eficiente que tienen el mayor impacto en el aumento de la eficacia de la
empresa. Los resultados de la investigación obtenidos indican qué métodos y herramientas de mantenimiento lean
deberían implementarse en la empresa en primer lugar para aumentar la eficiencia, la calidad y la disponibilidad de
sus procesos de producción. Este problema es particularmente importante desde el punto de vista de las pequeñas y
medianas empresas, que no siempre cuentan con los recursos humanos o financieros adecuados para implementar
conceptos modernos en una amplia gama. La metodología utilizada en el trabajo se basa en el uso de métodos de
inteligencia artificial (árboles de decisión, teoría de conjuntos aproximados), que permite identificar factores que
influyen en la efectividad de la implementación del mantenimiento lean por parte de las empresas. El segundo
capítulo del artículo contiene los antecedentes. Sección3Describe la formulación del problema y la metodología.
Sección4presenta los resultados de la investigación sobre el uso del indicador de efectividad general del equipo (OEE)
en las empresas y el concepto de uso de métodos de inteligencia artificial (IA) para evaluar la efectividad de la
implementación del concepto de mantenimiento eficiente. El trabajo se resume con conclusiones y una propuesta de
trabajo futuro.
2. Revisión de la literatura
2.1. Lean Manufacturing como base del Lean Maintenance
La industria global en el siglo XXI motiva a las empresas a buscar e implementar un sistema de producción más
competitivo. Muchos de ellos implementan o planean implementar la manufactura esbelta. La filosofía de fabricación
ajustada se utiliza principalmente en la industria para aumentar la eficiencia y la productividad. Fue desarrollado en la
década de 1990 y se basa principalmente en el Sistema de Producción Toyota (TPS).19].
La base de este concepto es la eliminación de pérdidas innecesarias que tienen un impacto significativo en la
productividad y los beneficios. Estas pérdidas se pueden dividir en tres tipos principales: Muda, Mura y Muri.
Muda identifica siete tipos de desperdicio, que incluyen transporte, suministros, movimiento redundante,
espera, sobreproducción, sobreprocesamiento y defectos. Mura significa desnivel, falta de uniformidad e
irregularidad y es la razón de la existencia de cualquiera de los siete desechos. Finalmente, Muri significa
sobrecarga, más allá del poder de uno, exceso, imposible o irracional y puede resultar de Mura y, en algunos
casos, puede ser causado por una eliminación excesiva de Muda del proceso [20–22].
La producción utilizando la filosofía de manufactura esbelta debe consistir en reducir la cantidad de pérdidas
relacionadas con personas, inventario, tiempo de comercialización y espacio de producción, para obtener una demanda
altamente reactiva para las necesidades de los clientes, mientras se producen productos de alta calidad de la manera más
eficiente. y rentable [23]. La manufactura esbelta puede ser un mecanismo de reducción de costos y, si se implementa
adecuadamente, la convertirá en una organización de clase mundial.24] y, lo que es más importante, la fabricación ajustada
se puede utilizar en todas las industrias [19,25].
Muchas organizaciones se han embarcado en la práctica de utilizar “herramientas ajustadas” principalmente
para eliminar la producción desperdiciada. Es ampliamente reconocido que las organizaciones que han aplicado
métodos de manufactura esbelta tienen importantes ventajas en costos y calidad sobre aquellas que continúan
utilizando la manufactura tradicional.23]. Resulta que las organizaciones prestan cada vez más atención al
mantenimiento, razón por la cual algunas organizaciones han comenzado a practicar el mantenimiento ajustado
además de la fabricación ajustada.
El mantenimiento eficiente es un concepto que implementa actividades destinadas a aumentar la eficacia de la
infraestructura técnica. Estas actividades están relacionadas con la eliminación de pérdidas en mantenimiento, tales
como [18,19]:
• Obras improductivas: ejecución de obras que no aumentan la confiabilidad de la

infraestructura técnica;
• Retrasos en la ejecución de obras—esperando la disponibilidad de infraestructura técnica para
realizar acciones preventivas;
• Movimientos innecesarios: viajes innecesarios a tiendas con repuestos y búsqueda de las herramientas
necesarias para realizar el trabajo;
• Mala gestión de inventario: falta de tener una cantidad adecuada de repuestos necesarios en un momento
específico;
• Reelaboración: repetición de tareas debido a la mala calidad del desempeño;
• Uso insuficiente de recursos: uso inadecuado de los recursos y habilidades disponibles de los equipos de mantenimiento;
• Mal uso de la máquina: mal funcionamiento o estrategias operativas intencionales que conducen a trabajos de
mantenimiento que no es necesario realizar;
• Gestión de datos ineficaz: recopilar datos que son inútiles y no los que son importantes.
Durán et al. [26] muestran la conexión entre las fuentes de desperdicio en la fabricación ajustada y el
mantenimiento ajustado (Tabla1).
Tabla 1.Relaciones entre fuentes de desperdicio en manufactura esbelta y mantenimiento esbelto.
Desperdicio en la fabricación ajustada Desperdicio en el mantenimiento eficiente
transporte de materiales transporte de repuestos y herramientas

implementación de mantenimiento no requerido
fabricación de bienes no requeridos
actividades (sobre mantenimiento)
esperando entre operaciones o en el curso de la espera entre acciones de mantenimiento
una operación o procedimientos
existencias de materiales existencias excesivas de repuestos
exceso de procesamiento actividades de mantenimiento excesivas o demasiado frecuentes
productos no conformes rehacer
La eliminación del desperdicio se lleva a cabo con mayor frecuencia mediante la implementación de herramientas lean
como 5S, trabajo estandarizado, Kaizen, Poka-Yoke y mapeo del flujo de valor (VSM) [27,28]. Se aplican más comúnmente para
hacer que los procesos de producción sean más efectivos y para reducir el tiempo de entrega o el costo de
producción, pero también se pueden aplicar para operaciones de mantenimiento. Como ejemplos más comunes de aplicación
de herramientas lean en el área de mantenimiento se pueden distinguir la implementación del trabajo estandarizado para los
operadores de mantenimiento, el sistema Andon para iniciar el mantenimiento correctivo o el uso de VSM para identificar y
eliminar desperdicios en las operaciones de mantenimiento.29]. Sin embargo, los elementos fundamentales de la filosofía
lean y el mantenimiento productivo total (TPM) deben implementarse antes de la aplicación de herramientas específicas.30].
2.2. Sistemas de apoyo a la decisión en la gestión del mantenimiento
El problema del apoyo a los procesos de decisión en la gestión del mantenimiento ha sido tema de
numerosos estudios desde hace más de una docena de años. Bashiri, Badri y Hejazi [31] y Zhaoyang, Jianfeng,
Zongzhi, Jianhu y Weifeng [32] destacó el papel del mantenimiento basado en riesgos en el proceso de gestión
del mantenimiento. Cruz y Rincón señalan que el proceso de mantenimiento está en riesgo por fallas en los
equipos [33]. Rinaldi, Portillo, Khalid, Henriques, Thies, Gato y Johanning enfatizaron la importancia de la
confiabilidad cuantitativa, la disponibilidad y la mantenibilidad en las primeras etapas de diseño.34]. Además,
Wang, Furst, Cohen, Keil, Ridgway y Stiefel predijeron el riesgo de falla del equipo utilizando el método Monte
Carlo [35], mientras que en trabajos posteriores propusieron enfoques para monitorear las interrupciones y el
riesgo utilizando ontologías y sistemas multiagente [36].
Taghipour, Banjevic y Jardine han propuesto un método para identificar y priorizar dispositivos críticos
para mitigar fallas funcionales [37]. Li, Parikh, He, Qian et al. incorporó técnicas de aprendizaje automático en
el proceso de predicción de fallas, teniendo en cuenta el análisis de datos históricos y en tiempo real [38].
Jamshidi, Rahimi, Aitkadi y Ruiz utilizaron modos de falla difusos y análisis de efectos para priorizar la
operación de maquinaria, equipos y clasificación [39], mientras que Carnero y Gómez sugirieron el uso de un
modelo multicriterio para aumentar la eficiencia del proceso de mantenimiento [40].
Zeineb, Malek, Ahmand Ikram y Faouzi, teniendo en cuenta el coste total de propiedad, utilizaron el
método del proceso de jerarquía analítica (AHP) para establecer un programa de mantenimiento óptimo
y adecuado.41]. Además, Durán, Capaldo y Durán Acevedo discutieron el proceso de jerarquía analítica
difusa para realizar tareas de diagnóstico y prescripción.27].
Lin, Yuan y Tovilla utilizan un modelo de cadena continua de Markov en un modelo de decisión estocástico que
combina la efectividad de las actividades de mantenimiento y los cambios naturales de estado [42]. Jasiulewicz-
Kaczmarek y Żywica utilizan el cuadro de mando integral y balanceado difuso no aditivo en el proceso de
mantenimiento [43]. En [44], los autores propusieron un modelo de cuadro de mando que permite monitorear el
proceso de mantenimiento en una empresa. Finalmente, Kosicka, Gola y Pawlak también enfatizaron la importancia de
las tecnologías de TI modernas en el proceso de toma de decisiones de mantenimiento [45].
Aunque la literatura sobre el tema presenta muchas soluciones que apoyan la toma de decisiones en la
gestión del mantenimiento, no se presentan sistemas inteligentes que se dediquen a apoyar la implementación
del concepto de mantenimiento eficiente. Por el momento, Antosz, Pasko y Gola presentaron algunos
resultados limitados durante el 13º Taller de la IFAC sobre Sistemas de Fabricación Inteligentes (Oshawa, ON,
Canadá) [46]. Esto explica por qué el problema de investigación que se consideró en el artículo es un medio
insuficiente para evaluar el grado de implementación del mantenimiento eficiente. Este problema no sólo da
como resultado la posibilidad de lograr una alta eficiencia de las máquinas explotadas, sino que, sobre todo,
influye en el proceso de decisión y en la formulación de la política de mantenimiento de una empresa. En el
contexto del trabajo realizado, se presentó la metodología de evaluación del mantenimiento lean.
3. La Metodología de Trabajo
La investigación se llevó a cabo en dos etapas. La primera etapa del estudio consideró la recopilación de
información sobre los sistemas de gestión de infraestructura técnica, en particular, los métodos y
herramientas de mantenimiento eficiente, así como la capacidad de identificar los factores que afectan la
eficiencia de su aplicación. Esta etapa en detalle incluye:
• Identificación del grado de uso de métodos y herramientas específicos del concepto de mantenimiento
eficiente en empresas manufactureras;
• Identificación de los resultados obtenidos por las empresas productivas que están implementando el concepto de
mantenimiento lean;
• Identificación de los factores que afectan los resultados obtenidos tras la implementación del concepto de
mantenimiento lean en las empresas;
• Indicación de la relación entre las actividades realizadas como parte de la implementación del concepto
de mantenimiento eficiente y los resultados alcanzados.
La metodología de trabajo detallada se presenta en la Figura1.
Figura 1.La metodología de trabajo detallada de la investigación.
Los estudios se llevaron a cabo en 150 empresas manufactureras de la voivodía de Podkarpackie (Polonia). Para
analizar los resultados obtenidos se utilizaron métodos de investigación tanto cualitativos como cuantitativos.
Además, un análisis estadístico con la prueba de chi cuadrado de los resultados obtenidos nos permitió identificar los
factores que influyen en la efectividad de la implementación del mantenimiento lean. En la segunda fase del estudio,
se propuso el concepto de utilizar métodos de inteligencia artificial (IA) para evaluar la eficacia de la implementación
del concepto de mantenimiento eficiente.
Se utilizaron métodos de inteligencia artificial para buscar la relación entre actividades específicas realizadas
bajo la implementación del mantenimiento lean y los resultados obtenidos. Para el análisis se utilizaron árboles de
decisión y la teoría de conjuntos aproximados. Se realizaron árboles de decisión para la variable del valor promedio
del indicador OEE. Los árboles de decisión permitieron generar reglas de decisión que pueden ser la base para
determinar las direcciones y efectos de la implementación del mantenimiento eficiente en empresas manufactureras.
Se utilizó la teoría del conjunto aproximado para evaluar el grado de uso del concepto de mantenimiento eficiente.
4. La Evaluación del Mantenimiento Lean EfConcepto de efectividad en las empresas
4.1. Uso del indicador OEE en las empresas: resultados del estudio
El objetivo de la primera etapa de la investigación fue recopilar información sobre el uso de métodos y
herramientas de mantenimiento eficiente en las empresas, como el mantenimiento productivo total (TPM), el
intercambio de matrices en un solo minuto (SMED), 5S y el indicador OEE. La investigación, que se llevó a cabo
en dos etapas, la etapa I (2010-2014) y la etapa II (2014-2017), abarcó 150 empresas de producción de la región
de Podkarpackie. Al clasificar las empresas encuestadas se tuvieron en cuenta los siguientes criterios: tamaño
de la organización, producción, tipo, industria, tipo de propiedad, capital, condición de la empresa y tipo de
máquinas poseídas. Entre las empresas analizadas se encontraban aquellas que realizaban varios tipos de
producción o operaban en varias industrias. Entre las empresas analizadas, el grupo más numeroso eran las
grandes empresas (etapa I: 46%, etapa II: 52%). El siguiente grupo eran las medianas empresas (etapa I: 27%,
etapa II: 32%). Entre las empresas encuestadas, las de
predominó la industria procesadora de metales (etapa I: 22,77%, etapa II: 22,41%), seguida por la industria de
la aviación (etapa I: 23,76%, etapa II: 24,14%) y la industria automotriz (etapa I: 18,81%, etapa II : 20,69%)
(Figura2). La mayoría eran empresas privadas (etapa I: 94%, etapa II: 98%) con capital polaco (etapa I: 44%,
etapa II: 2%) o capital mayoritariamente extranjero (etapa I: 44%, etapa II: 25%). ) (Cifra3).
Figura 2.Estructura de las empresas de investigación encuestadas: tipo de industria.
Figura 3.Estructura de las empresas de investigación encuestadas: propiedad y capital.
La producción unitaria dominó entre las empresas encuestadas (etapa I: 28,44%, etapa II: 28%) y la
producción de lotes bajos y medianos, respectivamente (etapa I: 24,77%, etapa II: 24%) y (etapa I: 21,10%). %,
estadio II: 28%) (Figura4).
Figura 4.Estructura de las empresas de investigación encuestadas: tipo de producción.

Aplica. Ciencia.2020 7 de 23
Para la investigación se utilizó el método de encuesta. Los cuestionarios diseñados nos permitieron obtener los
datos de la misma forma de todos los encuestados que los realizaron de forma independiente. En la encuesta
participaron representantes de los mandos medios y altos, así como los trabajadores directamente responsables del
proceso de supervisión de máquinas y dispositivos tecnológicos y los operadores de máquinas seleccionados. La
encuesta se realizó en forma de preguntas cerradas conjuntas, que incluían una lista de respuestas preparadas y
proporcionadas con anticipación presentadas al encuestado con un ítem de respuesta múltiple en el que se podía
elegir más de una opción. Además, se podrían dar otras respuestas si no estuvieran entre las opciones brindadas.
En el marco de la encuesta realizada, se analizó exhaustivamente la identificación de las medidas

utilizadas para la evaluación de la eficacia de los métodos y herramientas de LM implementados, así como los
beneficios de su uso observados por las empresas. El ámbito de los estudios realizados fue la recopilación de
información sobre los tipos de medidas utilizados para la evaluación de la eficacia del funcionamiento de las
máquinas. El indicador OEE es una de las medidas recomendadas en la literatura. Al evaluar la efectividad de
las máquinas poseídas y la implementación del método TPM, este parámetro es crucial. Sin embargo, como
muestran los estudios, no siempre se utiliza [47,48]. El indicador OEE fue una de las principales áreas de
estudio. El objetivo de los estudios fue investigar si el indicador OEE se calcula en las empresas y cómo cambió
su valor después de la implementación del método TPM.
Cifra5muestra que la mayoría de las empresas analizadas aún no aplican el indicador OEE (etapa II:
60,38%, estadio I: 73,96%). Sólo un pequeño porcentaje de las empresas utiliza este indicador para todas las
máquinas (etapa II: 7,55%, etapa I: 5,21%).
Figura 5.¿Se calcula el indicador de efectividad general del equipo (OEE)?—resultados del estudio.
Cifra6muestra el tamaño de las empresas donde no se utiliza este indicador. La segunda etapa de los
estudios indica que el indicador es el que menos se utiliza en las medianas empresas (etapa I: 7,55%, etapa II:
5,21%). Sin embargo, su uso aumentó significativamente en las microempresas (etapa I: 10,26%, etapa II:
5,88%).
Además, este indicador no se utiliza con mayor frecuencia en las empresas con producción unitaria (etapa I:
29,49%, etapa II: 29,41%), así como en las de producción de lotes medianos (etapa I: 23,08%, etapa II: 29,41%). %) fue
identificado. Su uso aumentó significativamente en la producción en masa (etapa I: 8,97%, etapa II: 2,94%). Además, el
indicador no se utiliza con mayor frecuencia en las empresas de la industria aeronáutica, de procesamiento de
metales y de automoción. Sin embargo, todas las empresas de la industria alimentaria que participaron en la segunda
etapa de los estudios declararon su postulación. Una cuestión crucial durante los estudios realizados fue obtener
información sobre la tasa de cálculo del indicador OEE. El ritmo de obtención de dicha información es fundamental,
porque los valores del indicador OEE nos informan de forma continua sobre la productividad de las máquinas
poseídas. Si la información se recopila con poca frecuencia, no será posible reaccionar rápidamente en los casos en
que disminuya el uso de las máquinas.
Figura 6.El porcentaje de empresas que no utilizan el indicador OEE: el tamaño de la empresa.
Los estudios realizados muestran que en muchas empresas el indicador OEE se calcula una vez al mes (etapa I:
26,09%, etapa II: 25,00%). Sin embargo, cada vez más a menudo el indicador OEE se calcula una vez por turno (un
aumento de más del 17%), con menos frecuencia una vez al día (una disminución de más del 16%). Los resultados
obtenidos muestran que las grandes empresas calculan el valor OEE una vez por turno con mayor frecuencia, las
medianas una vez al mes y las pequeñas y microempresas una vez a la semana. La velocidad de cálculo del indicador
no difiere significativamente en el caso de máquinas convencionales y numéricas (la mayoría de las veces una vez por
turno). Comparando los resultados del estudio de las etapas I y II, la tasa de cálculo cambió de una vez por mes a una
vez por semana para las máquinas descritas como “otras”.
Otro elemento de los estudios realizados fue la recolección de información, que consideró el valor del indicador
OEE. Su valor es importante porque nos permite realizar inicialmente un análisis general de la efectividad de las
máquinas poseídas. El valor superior al 85% se considera el valor a nivel mundial de este indicador [49]. Al analizar los
resultados obtenidos, se constató que el número de empresas que declararon un valor promedio del indicador OEE en
el nivel 50–70% (etapa I: 18,18%, etapa II: 33,33%) y en el nivel 30– El 50% (estadio I: 9,09%, estadio II: 25,00%)
aumentó significativamente. En la etapa II de los estudios, ninguna de las empresas analizadas declaró valores de OEE
inferiores al 30%. Los valores más altos del indicador OEE, superiores al 70%, se obtienen en las grandes empresas de
máquinas numéricas, en la industria aeronáutica y automovilística con importante capital extranjero. Los valores más
bajos del indicador OEE, por debajo del 30%, se obtienen en pequeñas empresas con máquinas denominadas “otras”,
en la industria de procesamiento de metales de capital polaco.
4.2. Identificación de factores que influyen en la EfEfectividad de la implementación del mantenimiento Lean
El objetivo de esta etapa fue identificar los factores que influyen en el valor de OEE en las empresas analizadas.
Para los análisis proporcionados, se utilizó la prueba estadística de chi-cuadrado. Para las siguientes hipótesis se
propusieron hipótesis cero (H0), lo que significa que no existe una diferencia significativa en las soluciones utilizadas
en empresas particulares y hipótesis alternativas H1, ya que sí existe una diferencia en las soluciones utilizadas en
empresas particulares.
Estas hipótesis se pueden escribir como
H0 = pag1=p2=p3= ... ... = pnorte (1)
y
(H1) = p1, pag2, pag3, ... ... , pagnorte (2)
El obtenidopag-valor decidió aceptar o rechazar H0, y por tanto aceptar la Hipótesis alternativa
H1. Si:
1. pag-valor < 0,05: se rechaza H0; por tanto, se acepta la Hipótesis alternativa H1.
2. pag-valor≥0,05: se acepta H0.
Mesa2muestra las hipótesis de investigación planteadas para los valores del indicador OEE así como los resultados
obtenidospag-valores.
Tabla 2.Hipótesis de investigación: los efectos obtenidos al implementar los métodos y herramientas de
mantenimiento eficiente.
Hipótesis Hipótesis
pag-Valor
Número OEE
No hay diferencia en los valores de las medidas obtenidas en las empresas.
Hipótesis 1 0,588
de diferentes tamaños

Hipótesis 2 de diferentes tipos de producción (SB—lotes pequeños, UP—producción unitaria, 0.316
MB: lote mediano, LB: lote grande, MP: producción en masa)
Hipótesis 3 0.041
de diferentes industrias

Hipótesis 4 0,048
de propiedad diferente

Hipótesis 5 0.967
en diferentes condiciones

Hipótesis 6 0.235
de diferente capital

Hipótesis 7 0,339
con diferentes tipos de máquinas propias

Hipótesis 8 0.422
que están implementando5Smétodo

Hipótesis 9 0.535
que están implementando elSMEDmétodo
Hipótesis 10 0.348
que utilizan Kanban para repuestos

Hipótesis 11 0,854
con diferentes formas de supervisión

Hipótesis 12 0.305
con diferentes tipos de supervisión
Hipótesis 13 0.025
con diferente tiempo medio de reparación

Hipótesis 14 0.707
con un número diferente de acciones que previenen tiempos de inactividad no planificados
Para las Hipótesis 3 y 4 analizadas, existe una diferencia estadísticamente validada en el valor del
indicador OEE (pag-valor OEE = 0,041 y OEE = 0,048 (hipótesis H0 rechazada, hipótesis H1 aceptada). Esto
significa que, en las empresas estudiadas, el valor de la OEE depende del tipo de propiedad y del sector
empresarial. En el caso de la hipótesis 13 en cuestión, también existe una diferencia validada estadísticamente
en el valor del indicador OEE (pag-valor OEE = 0,025,pag-valor LA = 0,005: hipótesis H0 rechazada, hipótesis H1
aceptada). Es decir, en las empresas estudiadas, el valor del OEE depende del tiempo medio de reparación. Los
resultados detallados de los estudios obtenidos se presentaron en el trabajo [50].
Sobre esta base se llegaron a las siguientes conclusiones: los factores que influyen en el uso de métodos
y herramientas de mantenimiento eficiente son, por ejemplo, la industria y el capital propio. Los análisis
presentados permitieron resaltar las actividades reales realizadas en la gestión de la infraestructura técnica y
los problemas existentes y, así, la posibilidad de identificar factores que aumentan la eficiencia del
mantenimiento eficiente. Cabe señalar que los estudios a menudo mostraron que factores únicos
no tienen un impacto significativo en las áreas estudiadas, aunque su interacción con otros factores puede
tener un impacto sustancial en el área analizada. Sin embargo, el problema es que analizar un proceso con
muchas variables es muy difícil. Por lo tanto, en la segunda etapa del estudio, se propuso el concepto de
utilizar métodos de inteligencia artificial (IA) para evaluar la efectividad de la implementación del concepto de
mantenimiento eficiente.
5. Sistema Inteligente para Apoyar el Proceso de Toma de Decisiones en la Gestión Lean del Mantenimiento
5.1. Selección de variables de decisión en el proceso de evaluación
Para evaluar la eficacia de las herramientas de mantenimiento eficiente, se identificaron los factores que
influyen en la variable dependiente. En la investigación sobre la evaluación de la efectividad de las herramientas de
mantenimiento lean se determinó una variable dependiente y 19 variables explicativas (predictores). En la
investigación realizada se asumió una variable dependiente: el valor promedio del indicador OEE.
Debido a la gran variedad (combinación) de opciones de respuesta, se introdujeron tres indicadores
adicionales en las empresas encuestadas: indicador de estrategia de mantenimiento (MSI), número de
actividades preventivas (NPA) y número de actividades TPM (NTPMA). El número NPA es el número de acciones
para evitar tiempos de inactividad no planificados, calculado como el valor total de las acciones realizadas
simultáneamente por la empresa. Durante el proceso de encuesta (recolección de datos), la empresa podría
elegir varias actividades entre las siguientes:
1. Implementación del servicio autónomo (por parte del operador).

2. Implementación de mantenimiento preventivo.
3. Actividades de previsión basadas en el estado de las máquinas (por ejemplo, análisis de vibraciones).
4. Capacitación adicional del operador.
5. Formación adicional de los empleados del servicio de mantenimiento.
6. Dotar a los servicios de mantenimiento de instrumentos especializados (por ejemplo, para medir vibraciones,
para medir el nivel de ruido).
7. Cambio de máquinas por nuevas.
8. Modernización de máquinas.
9. Incrementar el número de empleados de los servicios de mantenimiento.
10. Subcontratar algunas actividades de mantenimiento a empresas externas.
Dependiendo de cuántas actividades realice la empresa al mismo tiempo, el indicador puede variar
de 1 a 10. Además, durante el proceso de encuesta (recopilación de datos), la empresa podría elegir
varias actividades implementadas como parte de la implementación de el método TPM, recomendado en
la literatura sobre el tema, de lo siguiente:
1. Formación de empleados seleccionados.

2. Formación de todos los empleados.
3. Implementación en un área piloto seleccionada (posición, línea, etc.).
4. Talleres de TPM en la zona piloto seleccionada (stand, línea, etc.).
5. Evaluación de las máquinas en cuanto al cumplimiento de los requisitos de seguridad y salud.
6. Evaluación del estado técnico de las máquinas.
7. Identificación de no conformidades en máquinas.
8. Elaboración del cronograma de inspección.
9. Elaboración de un cronograma de renovación.
10. Desarrollo del alcance del servicio preventivo (para servicios de mantenimiento).
11. Desarrollo del alcance del servicio autónomo (para el operador).
∑11
i=1Xi
NTPMA= ∗100% (3)
máximonúmero de actividades
Dependiendo del valor obtenido, el indicador tuvo cuatro niveles: bajo, medio, alto y muy alto (Tabla
3).
Tabla 3.Los niveles del indicador de número de actividades de TPM (NTPMA).
El valor del indicador NTPMA 0–25% 26–50% 51–75% Más del 75%
Nivel Bajo Medio Alto Muy alto
El último índice desarrollado es el índice MSI. Con este indicador es posible determinar qué
estrategia de gestión de infraestructura técnica aplica la empresa. Durante el estudio (recopilación de
datos), la empresa pudo elegir varias actividades que definieran las actividades realizadas
implementadas bajo las estrategias de mantenimiento correctivo (CM), mantenimiento preventivo (PM) y
mantenimiento basado en la condición (CBM). Para definir el índice de posibles variantes de respuesta se
introdujeron valores numéricos que van del 1 al 7 (Tabla4). El valor más bajo se le dio a la acción
implementada de acuerdo con la estrategia CM como la estrategia menos efectiva. Sin embargo, se
adoptó la eficiencia más alta (valor 7) para la operación: monitoreo continuo del estado de todas las
máquinas (p. ej., ruido, vibraciones, temperatura) (CBM).
Tabla 4.Estrategia de mantenimiento: actividades realizadas.
Estrategia de mantenimiento: actividades realizadas Valor

Sólo los fallos se eliminan de forma regular (CM) 1
Inspecciones durante el período de garantía (PM) 2
Inspecciones programadas por los servicios de mantenimiento (PM) 3
Inspecciones y reparaciones programadas realizadas por los servicios de mantenimiento (PM) 4
Evaluación del estado de la máquina por parte del operador antes de comenzar a trabajar: mantenimiento
5
autónomo (PM)
Monitoreo continuo del estado de máquinas seleccionadas (p. ej., ruido, vibración, temperatura) (CBM) 6
Monitoreo continuo del estado de todas las máquinas (p. ej., ruido, vibración, temperatura) (CBM) 7
El valor del indicador MSI se calcula como la suma del valor de las actividades por el número de
actividades implementadas (4).
∑norte
i=1Xi
MSI = (4)
norte
El indicador MSI puede tomar valores del 1 al 7. El valor 1 significa principalmente la estrategia CM,
valor 3,5: estrategia de PM, valor 7: estrategia de CBM. Cuando el valor del ratio es <3,5, significa la
implementación de una estrategia mixta, principalmente CM-PM; cuando >3,5, significa la implementación
principalmente de una estrategia mixta PM-CBM. Al mismo tiempo, cuando se acerca al valor de 3,5, PM es la
estrategia predominante. Para garantizar la adecuación del indicador adoptado, se analizaron las variantes de
la estrategia implementadas por las empresas examinadas. Para los valores individuales del indicador se
asignaron variantes de la estrategia implementada (secuencia de acciones implementadas). La distribución de
variantes de las estrategias implementadas (distribución cercana a la distribución normal) nos permite
confirmar la validez del indicador adoptado (Tabla5).
Tabla 5.Los valores del indicador del indicador de estrategia de mantenimiento (MSI).
El valor
de MSI 1 1.5 2 2.5 3 3.5 4 4.5 5 5.5 6 6.5 7
Indicador
Más que
Rango 1,00–1,24 1,25–1,74 1,75–2,24 2,25–2,74 2,75–3,24 3,25–3,74 3,75–4,24 4,25–4,74 4,75–5,24 5,25–5,74 5,75–6,24 6,25–6,74
6.75
1 12 13 125 3 2345 23456 36 456 457 6 7
14 235 245 457 1367 2567 57
Mantenimiento
23 12345 236 4 3456 3457
estrategia
15 235 345 346
(comprendió
135 245 2457
24 35
comportamiento)
CM CM—PM PM MP—CBM CBM

Para realizar los análisis se utilizó el sistema Statistica Data Miner. Este sistema permite la preparación de datos en
forma de un conjunto de entrenamiento y prueba, guía intuitiva a través del procedimiento de construcción y ajuste del
modelo y una visualización clara de los resultados de las pruebas.
5.2. Árboles de decisión en la evaluación de la EfEfectividad del Mantenimiento Lean
Debido a la naturaleza cualitativa de las variables dependientes, se utilizaron árboles de decisión de clasificación
con el uso del algoritmo de árboles de clasificación y regresión (CART).
No todas las empresas encuestadas utilizaron las mismas soluciones, métodos y herramientas, por lo que
el criterio principal para seleccionar este método fue su insensibilidad a la aparición de observaciones atípicas,
que se cree provienen de una población diferente, y la posibilidad de su uso efectivo en conjuntos de datos
caracterizados por numerosas deficiencias en las variables independientes. Además, las siguientes ventajas de
los árboles de clasificación CART determinaron la elección del método:
• Teniendo en cuenta dependencias no monótonas mediante divisiones sucesivas respecto de una

misma variable;
• Interpretación sencilla de los resultados en comparación con otros métodos;
• Idoneidad para tareas, donde el conocimiento a priori de qué variables se relacionan y cómo
son inciertos e intuitivos;
• No paramétrico y no lineal;
• Estimar y clasificar la importancia de los predictores individuales (variables de entrada) en el proceso de
dar forma al valor de la variable dependiente;
• Muy útil para cuestiones de clasificación.
El árbol CART para una variable dependiente, un valor medio del indicador OEE, fue diseñado para 24 empresas
del grupo de empresas estudiado, que habían analizado este indicador e implementado el método TPM. Se asumieron
las siguientes variables explicativas (predictores): tamaño de la empresa, tipo de producción, industria, tipo de
propiedad, capital, condición de la empresa, tipo de máquina, implementación de 5S, actividades de 5S,
implementación de SMED, forma de supervisión, estrategia de mantenimiento, acciones emprendidas para prevenir
imprevistos. tiempos de inactividad (número de acciones preventivas—NPA), clasificación de máquinas, clasificación
de repuestos, acciones dentro de la implementación del TPM (indicador NTPMA) y tiempo medio de reparación. Al
crear el árbol se asumió lo siguiente: costos iguales de la clasificación incorrecta, coeficiente de Gini, regla de parada y
un criterio de tamaño mínimo en el nodo dividido norte≥2, que permitirá un análisis detallado de una estructura de
árbol y una validación cruzada diez veces como medida de calidad. Para el análisis se eligió un árbol que consta de 12
nodos divididos y 13 nodos finales. Para evaluar la calidad del árbol elegido, se realizó su validación para un nuevo
conjunto de datos. Se pueden definir trece reglas de decisión para el árbol creado, que tiene 13 nodos finales. A
continuación se presentan las reglas de decisión elegidas, para las cuales se alcanzaron los valores más altos de OEE
(más del 85 % y para el rango del 70 al 85 %) con el uso de métodos y herramientas de mantenimiento eficiente
adicionales. Las reglas de decisión establecidas en base al árbol de decisión son:
1. Si una empresa representa la industria metalúrgica, la aviación o la industria papelera y maderera, no realiza
supervisión parcial mediante subcontratación, posee un indicador MSI de nivel ,4,5 y realiza clasificación
de máquinas, entonces alcanza un valor medio de el indicador OEE superior al 85% (nodo 12).
2. Si una empresa representa una industria distinta a la de transformación de metales, aviación o papel y
madera. posee un indicador MSI en el nivel de 3,5 a 5,6 y un número NPA > 3, y el tiempo medio de
reparación es inferior a 1 h, entonces alcanza un valor medio del indicador OEE dentro del rango de 70 a
85%.
3. Si una empresa representa una industria distinta de la de procesamiento de metales, aviación o papel y
madera y posee un indicador MSI en un nivel distinto al de 3,5 a 5,6 y un indicador NTPMA en cualquier
nivel que no sea alto, entonces alcanza una media valor del indicador OEE dentro del rango de 70 a 85%.
4. Si una empresa representa una industria distinta a la de procesamiento de metales, aviación o papel y
madera, posee un indicador MSI en cualquier nivel distinto al de 3.5 a 5.6a y un indicador NTPMA en un
nivel alto, y realiza la supervisión por su cuenta. con el servicio a través de subcontratación, entonces
alcanza un valor medio del indicador OEE dentro del rango del 70 al 85%.
5. Si una empresa representa una industria distinta de la de procesamiento de metales, aviación o papel y
madera, posee un indicador MSI en cualquier nivel distinto al de 3,5 a 5,6 y un indicador NTPMA en un
nivel distinto al alto, y realiza supervisión en un de otra manera que por sí sola con el servicio a través de
subcontratación, entonces alcanza un valor medio del indicador OEE superior al 85%.
Para evaluar las reglas de toma de decisiones generadas, se llevó a cabo nuevamente una investigación en 20
empresas seleccionadas al azar. Luego, se diseñó y fabricó un sistema experto (utilizando PC-Shell, un shell de sistema
experto del software Aitech Sphinx), teniendo en cuenta las reglas de decisión generadas. Luego, se probó la
capacidad de clasificación general de las reglas de decisión generadas utilizando medidas cualitativas. Se utilizaron
dos bloques (aspectos y reglas) para desarrollar la base de conocimientos en el sistema. El bloque de aspecto se
utilizó para declarar los atributos de decisión y sus valores. Por otro lado, las variables explicativas ubicadas en los
nodos del árbol de decisión son los atributos de decisión. Los resultados de la inferencia del sistema estuvieron
representados por el atributo de resultado (atributo objetivo). Finalmente, el valor del atributo recibido "valor OEE" se
presenta en una ventana separada. El análisis de calidad consistió en desarrollar matrices binarias de errores de
clasificadores determinados para las clases que aparecen con mayor frecuencia en los estudios realizados. En las
matrices binarias desarrolladas (matrices de confusión) (Tabla6), la clase analizada en un momento determinado se
asumió como positiva, mientras que el resto de clases se trataron como negativas.
Tabla 6.Matriz de confusión.
Clases previstas
Clases reales
Positivo Negativo
Positivo TP (verdadero positivo) FN (falso negativo)

Negativo FP (falso positivo) TN (Verdadero negativo)
Mesas7y8presenta matrices de confusión para el clasificador: el valor de OEE para las dos
clases más emergentes: 30–50% y 70–85%.
Tabla 7.Matriz de confusión para el valor clasificador del indicador OEE: clase 30–50%.
Clases previstas
Clases reales
Positivo Negativo
Positivo 7 0
Negativo 0 13
Tabla 8.Matriz de confusión para el valor clasificador del indicador OEE: clase 70–85%.
Clases previstas
Clases reales
Positivo Negativo
Positivo 5 1
Negativo 2 12
Con base en la matriz de confusión, los indicadores numéricos presentados en la Tabla9puede ser designado. En
detalle, estos indicadores han sido presentados y discutidos, entre otros, en los trabajos [51–53].
Tabla 9.Indicadores utilizados para probar la calidad de los clasificadores [54].
Indicador Designación Fórmula
Acc Exactitud Acc= TP+Tennesse

TP+Tennesse+FP+FN
FP+FN
Errar Tasa de error general Errar= TP+Tennesse+FP+FN
TPR Tasa de verdaderos positivos TPR= TP

TP+FN
TNR Tasa de verdaderos negativos TNR= Tennesse
Tennesse+FP
PPV Valor predictivo positivo PPV= TP

TP+FP
VPN Valor predictivo negativo VPN= Tennesse
Tennesse+FN
FPR Tasa de falsos positivos

FP
FPR=FP+Tennesse=1-TNR
FDR Tasa de falso descubrimiento FDR=FP+TPFP
FNR Tasa de falsos negativos FNR= FN
TP+FN=1-TPR
MCC Coeficiente de correlación de Mateo MCC=√ TP×Tennesse−FP×FN

(TP+FN)(TP+FP)(FN+Tennesse)(FP+Tennesse)
F1 Puntuación F1
F1 =2×PPV×TPR
PPV+TPR
j Estadístico J de Youden j=TPR+TNR−1
A partir de las matrices binarias desarrolladas, para cada una de ellas se calcularon los valores de los doce
indicadores que muestran la calidad de los clasificadores. Mesa10presenta los resultados de las clases de clasificador
resaltadas.
Tabla 10.Indicadores utilizados para probar la calidad de los clasificadores.
Indicadores Acc TPR TNR PPV VPN MCC F1 j Errar FPR FDR FNR
Clasificador: un promedio Marcado

30–50% 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 0,00 0,00 0,00 0,00
valor OEE clase 70–85% 0,85 0,83 0,86 0,71 0,92 0,66 0,77 0,69 0,15 0,67 0,29 0,17
El indicador obtenido valora la evaluación de una medida de clasificación, por ejemplo, de un error (Err) en el
nivel de 0,00 y 0,15, demostró la gran utilidad de los clasificadores desarrollados y, por tanto, su posibilidad de ser
aplicados por las empresas manufactureras para una evaluación eficaz. de la implementación de métodos y
herramientas de mantenimiento eficiente.
5.3. La teoría de los conjuntos aproximados para respaldar la evaluación del mantenimiento eficiente
La teoría de conjuntos aproximados es una de las ramas de exploración de datos de más rápido crecimiento. Permite un
acercamiento formal a todos los fenómenos relacionados con el procesamiento del conocimiento, por lo que se utiliza como
metodología en el proceso de descubrimiento de conocimiento a partir de datos. En particular, se puede utilizar para probar
la imprecisión y la incertidumbre en el proceso de análisis de datos. Permite encontrar la relación entre variables explicativas
(atributos condicionales) y variables explicadas (atributos de decisión), lo que facilita apoyar la toma de decisiones basada en
datos. También se utiliza para reducir la dimensionalidad, consistente en eliminar del conjunto de datos aquellas variables
explicativas que no afectan significativamente a las variables explicadas. El conocimiento derivado de datos basados en la
teoría de conjuntos aproximados se registra en forma de reglas de decisión.55]. Los detalles sobre la descripción formal de la
teoría aproximada de conjuntos se pueden encontrar, entre otros, en el trabajo [56]. A menudo, el objetivo del sistema de
toma de decisiones basado en conjuntos aproximados es buscar reglas ocultas, y por tanto implícitas, que no han funcionado
bien durante la selección realizada por un experto (o expertos) [55–57]. Los conjuntos aproximados se utilizan para procesar
los llamados datos poco claros mediante el uso de reglas de inferencia intuitivas. Se pueden utilizar para buscar dependencias
ocultas en los datos de entrada, incluido el apoyo a la toma de decisiones en el ámbito de casos que se pueden describir con
atributos discretos.
En este artículo, se utilizó la teoría del conjunto aproximado para evaluar el grado de uso del mantenimiento eficiente.
Para la evaluación se utilizó el mismo conjunto de datos de entrada que en los árboles de decisión. Debido a la presencia de
los llamados datos incompletos, el uso de conjuntos aproximados mejoró la precisión de la solución. Se utilizaron varios tipos
de algoritmos para interferir con las reglas.
El uso de la teoría de conjuntos aproximados y, por tanto, de datos incompletos, aumentó el número de
empresas analizadas de 24 incluidas en los árboles de decisión a 34. Otras 10 empresas analizadas se
caracterizaron por un conjunto de variables, para las cuales al menos una variable no tenía un valor específico
(sin respuesta). Al utilizar tablas de decisión en la teoría de conjuntos aproximados, es posible incluir más datos
al generar reglas. Esto permite la identificación de nuevas dependencias entre las variables. Para realizar la
evaluación se validaron las reglas. Para generar reglas de decisión sobre la base de la teoría de conjuntos
aproximados, se utilizó el software Rough Set Exploration System (RSES). El software fue desarrollado en el
Instituto de Matemáticas de la Universidad de Varsovia.
El software RSES permite generar reglas de decisión mediante cuatro algoritmos: algoritmo exhaustivo,
algoritmo genético, algoritmo de cobertura y módulo de aprendizaje a partir de ejemplos versión 2 (LEM2).
Fueron descritos en las obras [57,58]. Además, el software contiene otras opciones que, por ejemplo, asignan
reducciones para un sistema informático determinado. Una reducción es un conjunto de atributos R, donde R⊂
A, que permite diferenciar pares de objetos en un sistema informático, y al mismo tiempo, ningún otro
subconjunto propio de R posee esta propiedad. Las reducciones se calculan con un algoritmo exhaustivo o
genético. A partir de las reducciones asignadas también es posible crear reglas de decisión.
Para cada una de las clases de decisión, el software RSES calcula tres indicadores que indican la calidad de
la clasificación:
• Precisión: la proporción entre objetos clasificados correctamente de una clase determinada y todos los objetos que pertenecen a esta
clase;
• Cobertura: la proporción entre los objetos clasificados en una clase determinada con reglas de decisión y todos los objetos que
pertenecen a esta clase;
• Tasa de verdaderos positivos: la proporción entre los objetos clasificados correctamente de una clase determinada y todos los objetos que
se clasificaron en esta clase.
La precisión y la cobertura también se calculan conjuntamente para todas las clases de decisiones (para todo el
conjunto de reglas). Las reglas de decisión para la variable descrita "un valor OEE promedio" se generaron
mediante los cuatro algoritmos disponibles en RSES. El esquema del estudio realizado se muestra en la Figura.7. El
símbolo OEE designa una tabla de decisiones que contiene 34 objetos estudiados (empresas). Cada objeto se describe
mediante 17 variables explicativas: tamaño de la empresa, tipo de producción, industria, tipo de propiedad, capital,
acciones tomadas para prevenir tiempos de inactividad no planificados (número NPA—indicador MSI), categoría de
máquina, categoría de repuestos, acciones en la implementación de TPM ( indicador NTPMA) y tiempo medio de
reparación. La variable descrita "un valor medio de OEE" desempeñó en el estudio el papel de un atributo de decisión.
Los símbolos restantes en el esquema se describen en la Tabla11.
Al formular las reglas de decisión, los parámetros de los algoritmos genéticos y de cobertura se eligieron de tal
manera que la precisión y cobertura del conjunto creado fueran iguales a 1. Tabla12 Incluye información sobre una
serie de reglas en cada uno de los cuatro conjuntos de reglas. Para cada una de las reglas, se calcula una coincidencia
de reglas. Es igual al número de objetos del conjunto de aprendizaje y que coinciden con el precursor de la regla.
Figura 7.El esquema para la variable explicada es “un valor OEE promedio”.
Tabla 11.Descripción del esquema de estudio (Figura3).
Símbolo Nombre del símbolo Descripción

OEE_ExhAlg Un conjunto de reglas de decisión generadas con un algoritmo exhaustivo.
Un conjunto de reglas de decisión generadas con un algoritmo exhaustivo

OEE_GenAlg
que trabaja en modo exacto con un tamaño de población igual a 10.
Un conjunto de reglas de decisión generadas con un algoritmo de cobertura con

OEE_CovAlg
el parámetro de cobertura es igual a 0,0001.
Un conjunto de reglas de decisión generadas con el algoritmo LEM2 con el

OEE_LEM2
parámetro de cobertura igual a 1.
Una matriz de confusión que incluye los resultados de la clasificación elaborada con un conjunto de reglas.
de donde conduce la flecha en el esquema/diagrama. La clasificación se realiza sobre la
objetos de la tabla de decisiones OEE.
Tabla 12.El número de reglas en cada uno de los conjuntos creados para la variable descrita "un valor promedio de OEE".
Nombre de un conjunto de reglas Número de reglas

OEE_ExhALg 2606
OEE_GenAlg 325
OEE_CovAlg 55
OEE_LEM2 21
Cada uno de los cuatro conjuntos de reglas se utilizó para clasificar los datos de la tabla de decisiones de la OEE.
La clasificación se realizó mediante un método de votación estándar. La forma de dicha votación es la siguiente.
F permite: h del generador ed Las reglas determinan el valor de una variable descrita para la consideración.
cada uno d
objeto (una empresa). El valor de coincidencia calculado de reglas particulares se trata durante la votación como una
importancia: cuanto mayor sea la coincidencia de una regla determinada, más importante es su voto. Por eso influye
más en el resultado final de la votación que la votación de la regla con menor coincidencia. Finalmente, al objeto se le
asigna el valor de una variable explicativa que ganó la votación ponderada.
El resultado de la clasificación se presentó en forma de matriz de confusión. La matriz de confusión que incluye
los resultados de la clasificación lograda por el conjunto de reglas generado por un algoritmo exhaustivo se presenta
en la Figura8. Las filas de la matriz corresponden a las clases de decisión reales (los valores de la variable descrita). Sin
embargo, las columnas de la matriz son el resultado de la clasificación realizada mediante las reglas generadas. Los
34 objetos que se encuentran en el tablero de decisiones fueron clasificados correctamente. Se refleja en los valores
ubicados únicamente en la diagonal principal de la matriz de confusión. El último
Tres columnas en la figura descrita muestran la información sobre el número de objetos que pertenecen a una
determinada clase de decisión (nº de objetos), precisión y cobertura. La última fila de la tabla es la tasa de verdaderos
positivos calculada para cada clase individualmente. La parte inferior de la ventana presenta el número de todos los
objetos estudiados y la precisión y cobertura calculadas para todas las clases de decisión en conjunto.
Figura 8.Matriz de confusión para las reglas generada por un algoritmo exhaustivo.
También se crearon matrices de confusión para los resultados de clasificación basados en los tres conjuntos de
reglas restantes. Cada una de estas matrices incluyó los mismos resultados (precisión = 1), como la matriz presentada
en la Figura4, lo que indica que no hay errores de clasificación también para otras clasificaciones.
La evaluación de las reglas de decisión desarrolladas (árboles de decisión y teoría de conjuntos aproximados) se realizó
en las siguientes etapas: generación de una tabla de decisión y matriz de confusión; desarrollo de un sistema experto basado
en las reglas de decisión generadas; uso de los resultados del estudio obtenidos para probar la capacidad de clasificación
general; uso de los resultados obtenidos del estudio para probar la capacidad de clasificación general de las reglas de toma
de decisiones utilizando el sistema experto desarrollado; y evaluación cualitativa de los resultados obtenidos mediante
medidas de calidad de clasificación.
Los resultados de las encuestas realizadas a 20 empresas de la voivodato de Podkarpackie se utilizaron para
validar las reglas de toma de decisiones. Entre las empresas analizadas, el grupo más numeroso incluía grandes
empresas (85%) de la industria de la aviación (50%). La mayoría de ellas eran empresas privadas (95%), con capital
mayoritario extranjero (85%). Entre las empresas encuestadas predominó la producción en grandes series (45%). A
partir de los resultados obtenidos se elaboró una tabla de decisiones. La tabla de decisiones creada se introdujo en
el sistema RSES. Nos permitió crear una matriz de confusión para la variable explicativa “un valor promedio de OEE”.
La cobertura máxima calculada para todas las clases de decisión en total que equivale a 1 y una precisión de 0,30 para
la variable explicativa "un valor promedio de OEE" se lograron utilizando un conjunto de reglas generadas por un
algoritmo genético (Figura9).
Higo
ture 9.Matriz de confusión para las reglas generadas por una generación. algoritmo ético h
metro.
para c llevar a cabo el siguiente tedad de válido ación, una exp Se desarrolló el sistema ert. ed en
El toma de decisiones g reglas generan mi

d por al algori thms w mi re implementar la base de conocimientos que
fue creado para las necesidades del sistema. La base de conocimientos para el sistema experto se desarrolló con el
software PC-Shell, que forma parte de la suite de inteligencia artificial integrada Aitech SPHINX y el software Aitech
HybRex.
Para probar la calidad general del clasificador para todos los algoritmos, se utilizan matrices de confusión
(Tablas13–dieciséis) fueron usados. Estas matrices se desarrollaron comparando los resultados obtenidos por
las empresas estudiadas con el resultado generado por el sistema experto desarrollado. La clasificación se
realizó nuevamente según el siguiente método de votación:
• La conformidad del valor de clase real y el valor de clase previsto se consideró como resultado válido;
• Los casos en los que el valor de la clase predicho por un sistema experto era una clase menor que el valor de clase real
se permitieron como resultado válido, por ejemplo, la clase real está en un rango de 30 a 50 % y el valor predicho es de
10 a 30 %. En la práctica, esto significa que una empresa puede esperar que las variables proyectadas estén en un nivel
mínimo del 10% al 30%. Sin embargo, de hecho, puede ser mayor.
Tabla 13.Matriz de confusión para las reglas generada por un algoritmo exhaustivo.
Predicho
Más bajo que Más que No. de
30–50% 50–70% 70–85% Exactitud Cobertura
30% 85% obj.
Menos del 30% 0 0 3 2 0 5 0 1
30–50% 0 3 0 1 1 5 0,6 1
50–70% 0 0 0 1 0 1 0 1
Actual 70–85% 0 0 0 7 1 8 0,875 1
Más del 85% 0 0 0 0 1 1 1 1
Tasa positiva verdadera 0 1 0 0,64 0,33
Tabla 14.Matriz de confusión para las reglas generadas por un algoritmo genético.
Predicho
30% 85% obj.
Menos del 30% 1 0 0 3 1 5 0,2 1
30–50% 0 0 1 2 1 5 0 0,8
50–70% 0 0 1 0 0 1 1 1
Actual 70–85% 0 0 0 5 3 8 0,625 1
Más del 85% 0 0 0 0 1 1 1 1
Tasa positiva verdadera 1 0 0,5 0,5 0,17
Tabla 15.Matriz de confusión para las reglas generadas por un algoritmo de cobertura.
Predicho
Más bajo Más que No. de
del 30% 85% obj.
Menos del 30% 1 0 2 1 1 5 0,2 1
30–50% 0 1 1 1 2 5 0,2 1
50–70% 0 0 1 0 0 1 1 1
Actual 70–85% 3 1 0 3 1 8 0,75 1
Más del 85% 0 0 1 0 0 1 0 1
Tasa positiva verdadera 0,25 0,5 0,2 0,6 0
Tabla 16.Matriz de confusión para LEM2: reglas generadas.
Predicho
30% 85% obj.
Menos del 30% 1 0 0 0 1 5 0,5 0,4
30–50% 0 1 0 0 2 5 0.333 0,6
50–70% 1 0 0 0 0 1 0 1
Actual 70–85% 2 0 0 3 0 8 0,6 0,625
Más del 85% 0 0 0 0 0 1 0 0
Tasa positiva verdadera 0,25 1 0 1 0
Al analizar matrices de confusión particulares, cabe señalar que los mejores resultados para las clases
más comunes (30–50% y 70–85%) del valor de precisión se obtuvieron para las reglas generadas por un
algoritmo exhaustivo. El valor de precisión fue de 0,6 y 0,875, respectivamente. Para evaluar con precisión la
calidad de los clasificadores basados en matrices binarias, se calcularon los valores de los doce indicadores
para cada una de las matrices según la Tabla9.
6. Análisis de los Resultados Obtenidos
Para evaluar los resultados obtenidos, se compararon los valores de los indicadores utilizados para probar la
calidad de los clasificadores. En la mesa17, se presentó una comparación de los valores obtenidos para los modelos
adquiridos con árboles de decisión (DT) y la teoría de conjuntos aproximados (RST). Los indicadores de Acc a J deben
adquirir los valores más altos posibles hasta 1, mientras que los restantes deben adquirir el valor más bajo posible
hasta 0. El color verde indica los valores de los indicadores que obtuvieron valores más favorables para clases
particulares. El amarillo, por otro lado, indica que los valores obtenidos para indicadores particulares fueron idénticos.
Tabla 17.Comparación de los valores de los indicadores obtenidos para probar la calidad de los clasificadores para los modelos
obtenidos con árboles de decisión (DT) y teoría de conjuntos aproximados (RST).
Clasificador: un valor promedio de OEE
Clase marcada
Indicadores
30–50% 70–85%
primero primero
DT DT
LEM2 Exh.Alg. General Alg. Cov.Alg. LEM2 Exh.Alg. General Alg. Cov.Alg.
Acc 1.00 0,90 0,90 0,79 0,75 0,85 0,90 0,75 0,58 0,65
TPR 1.00 1.00 0,60 0.00 0,20 0,83 1.00 0,88 0,62 0,37
TNR 1.00 0,88 1.00 1.00 0,94 0,86 0,86 0,67 0,55 0,83
PPV 1.00 0,60 1.00 0.00 0,50 0,71 0,75 0,64 0,50 0,60
VPN 1.00 1.00 0,88 0,79 0,78 0,92 1.00 0,89 0,67 0,67
MCC 1.00 0,73 0,73 0.00 0,20 0,66 0,80 0,53 0,17 0,24
F1 1.00 0,75 0,75 0.00 0,29 0,77 0,86 0,74 0,56 0,46
j 1.00 0,88 0,60 0.00 0,13 0,69 0,86 0,54 0,17 0,20
Errar 0.00 0,10 0,10 0,21 0,25 0,15 0,10 0,25 0,42 0,35
FPR 0.00 1.00 0.00 0.00 0,20 0,67 1.00 0,80 0,62 0,29
FDR 0.00 0,40 0.00 0.00 0,50 0,29 0,25 0,36 0,50 0,40
FNR 0.00 0.00 0,40 1.00 0,80 0,17 0.00 0,12 0,38 0,62
Leyenda:
- valores de los indicadores que obtuvieron resultados más favorables,
- valores del indicador que obtuvieron los mismos resultados.
Al analizar los resultados presentados en la tabla, cabe señalar que el primer indicador (precisión—Acc)
muestra que el clasificador desarrollado con DT para la clase 30–50% asigna objetos a esta clase a la que
realmente pertenecen (Acc = 1 ) con mayor probabilidad. Por el contrario, el valor Acc más bajo obtenido para el
clasificador RST fue un algoritmo genético para la clase 70-85% (Acc = 0,58). La sensibilidad (TPR) de los
clasificadores se presenta de forma ligeramente diferente. La capacidad de detectar objetos de la clase
resaltada es la más alta para el algoritmo LEM2 para ambas clases resaltadas y para DT en la clase del 30 al
50%. La capacidad más baja para un algoritmo genético en la clase del 30 al 50% (TPR = 0,00). Al analizar la
especificidad (TNR), se puede ver que, para la clase resaltada del 30% al 50%, los resultados son los más altos
(TNR = 1,00) para los algoritmos DT, exhaustivos y genéticos. La precisión (PPV) es igualmente la más alta para
la clase resaltada de 30 a 50 % para DT y algoritmos exhaustivos (PPV = 1), y la más baja, nuevamente, para la
clase resaltada de 30 a 50 % para un algoritmo genético. El valor predictivo negativo (NVP), o la probabilidad de
que el objeto reconocido por un clasificador como no resaltado pertenezca a la clase real no resaltada, es el
más alto en el caso del algoritmo LEM2 para ambas clases resaltadas.
y DT en la clase del 30 al 50% (NVP = 1). Es el más bajo para la clase de 70 a 85% para algoritmos
genéticos y de cobertura (NPV = 0,67).
Los resultados de los valores comparados de la medida del coeficiente de correlación de Matthew (MCC)
(coeficiente de correlación entre las clases reales y las clases proyectadas por el modelo) indican que el mejor
resultado se logró en la clase del 30-50% para DT (MCC = 1) . El resultado más bajo fue para un algoritmo genético en
la clase del 70-85% (MCC = 0,17). Al analizar los resultados obtenidos para F1 (media armónica de precisión y
sensibilidad de un modelo) y J (suma de sensibilidad y especificidad reducida en 1) para todos los modelos, se puede
observar que el mejor clasificador es DT en la clase de 30-50%, mientras que lo peor es un algoritmo genético para la
misma clase.
El resto de indicadores deberían tomar los valores más bajos posibles. Un error de clasificador general (Err) es
más favorable en caso de utilizar el clasificador DT para la clase del 30 al 50% (Err = 0,00), y el peor para la clase del 70
al 85% es un algoritmo genético. El indicador FPR (probabilidad de falsas alarmas, es decir, los objetos asignados
incorrectamente a una clase resaltada, entre todos los objetos realmente no resaltados) y el indicador FDR
(probabilidad de falsas alarmas entre todos los objetos reconocidos por el clasificador como resaltados) logran el
mejores valores para la clase de 30-50% (FPR = 0 y FDR = 0). Sin embargo, los mejores valores de FNR (la probabilidad
de perder los objetos resaltados, es decir, su asignación por parte del clasificador a la clase no resaltada) también se
obtuvieron para la clase del 30-50% (FNR = 0).
7. Conclusiones
El principal problema de investigación que se consideró en el artículo fue la falta de medios para evaluar el grado de
implementación del mantenimiento eficiente. Para encontrar la solución al problema identificado se utilizaron métodos de
inteligencia artificial como los árboles de decisión y la teoría de conjuntos aproximados. Al analizar los resultados
presentados, cabe señalar que los modelos generados con la teoría de conjuntos aproximados lograron resultados mucho
mejores que en los árboles de decisión. Las reglas de decisión generadas por DT mostraron mejores valores para todos los
indicadores para el clasificador para la clase del 30 al 50%. Sin embargo, se lograron mejores valores para la clase del 70-85%
para RST, principalmente para el algoritmo LEM2. La cantidad de reglas generadas por el algoritmo LEM2 es la más pequeña
en comparación con los otros algoritmos. Esto muestra que no se necesita una gran cantidad de reglas para obtener buenos
resultados de predicción en el problema investigado.
Los indicadores resultantes para probar la calidad de los clasificadores confirmaron la alta utilidad de las reglas de
decisión generadas, tanto las que utilizan árboles de decisión como la teoría de conjuntos aproximados. Las dependencias
desarrolladas nos permiten evaluar qué resultados puede esperar una empresa determinada después de la implementación
de métodos y herramientas de mantenimiento eficiente específicos, y qué métodos y herramientas de mantenimiento
eficiente deben usarse para lograr los objetivos previstos. Estas dependencias pueden ser la base para determinar las
direcciones y efectos de la implementación del mantenimiento eficiente en las empresas manufactureras. Además, un
sistema experto en forma de aplicación software, desarrollado a partir de las dependencias generadas (reglas de decisión),
permite seleccionar las acciones adecuadas para obtener los mejores resultados tras implementar el mantenimiento lean.
Los estudios presentados pueden ser utilizados por las empresas para construir y organizar procesos de
mantenimiento, seleccionar una estrategia de acción adecuada, pero sobre todo, mejorar las actividades ya
implementadas en esta área. Aunque la investigación se realizó en un área limitada, se basó en suposiciones,
principios y objetivos comunes para implementar el concepto de mantenimiento eficiente en la empresa. Por lo tanto,
las soluciones presentadas son útiles para uso práctico por parte de todas las empresas de producción para
pronosticar y evaluar la efectividad de la implementación de métodos y herramientas de mantenimiento eficiente,
independientemente de la región.
Además, los resultados positivos obtenidos durante la realización del estudio descrito llevan a la
conclusión de que las actividades en estas áreas deben continuar. En particular, deberían realizarse estudios
que consideren la evaluación de la eficacia del uso de otros métodos y herramientas recomendados en la
literatura dentro de la implementación del mantenimiento eficiente; la posibilidad de ampliar la funcionalidad
diseñada en una aplicación informática; y el uso de otros métodos de exploración de datos para generar reglas
de decisión y comparar su calidad de clasificación.
Contribuciones de autor:KA proporcionó los antecedentes teóricos y sustantivos para la investigación proporcionada
y concibió y diseñó los experimentos; LP realizó una verificación experimental del enfoque propuesto; AG proporcionó
orientación técnica y realizó una revisión crítica de este documento. Todos los autores han leído y aceptado la versión
publicada del manuscrito.
Fondos:Esta investigación no recibió financiación externa. Conflictos de interés:
Los autores declaran no tener ningún conflicto de intereses.
Referencias
1. Jasiulewicz-Kaczmarek, M.; gola, A. Tecnologías de mantenimiento 4.0 para una sostenibilidad

Fabricación: descripción general.IFAC-PapersOnLine2019,52, 91–96. [Referencia cruzada]
2. Danilczuk, W.; Gola, A. Planificación de la demanda de materiales asistida por computadora utilizando sistemas ERP y tecnología de inteligencia
empresarial.Aplica. Computadora. Ciencia.2020,dieciséis, 42–55.
3. Gornicka, D.; Burduk, A. Mejora de los procesos productivos con el uso de modelos de simulación. Intel. Sistema.
Computadora.2018,657, 265–274.
4. Kotowska, J.; Markowski, M.; Burduk, A. Optimización del suministro de componentes para la producción en masa con el uso
del algoritmo de colonia de hormigas. En actas de la 1.ª Conferencia Internacional sobre Sistemas Inteligentes en
Ingeniería de Producción y Mantenimiento (ISPEM), Wroclaw, Polonia, 18 de agosto de 2017; Volumen 637, págs. 347–
357.
5. Valis, D.; Mazurkiewicz, D. Aplicación de procesos de impuestos seleccionados para el modelado de degradación del cinturón minero de largo alcance
utilizando datos en tiempo real.Arco. Civilización. Mec. Ing.2018,18, 1430-1440. [Referencia cruzada]
6. Sa Ribeiro, DR; Forcellini, FA; Pereira, M.; Xavier, FA Una visión general sobre la implementación del mantenimiento
lean en los procesos de fabricación.J. Sistema Lean.2019,4, 44–59.
7. Mouzani, IA; Bouami, D. La integración de la fabricación ajustada y el mantenimiento ajustado para mejorar la eficiencia de la
producción.En t. J. Mech. Pinchar. Ing. Res. Desarrollo.2019,9, 593–604.
8. Antosz, K. Mantenimiento: identificación y análisis de la brecha de competencias.Exploat. Niezawodn. Mantenimiento. Confiable. 2018,20, 484–
494. [Referencia cruzada]
9. Sobaszek, Ł.; Gola, A.; Świć, A. Predicción de fallas de máquinas basada en el tiempo en sistemas de fabricación de múltiples
máquinas.Exploat. Niezawodn.2020,22, 52–56. [Referencia cruzada]
10. Prabowo, HA; Adesta, EYT Un estudio sobre el mantenimiento productivo total (TPM) y las herramientas de fabricación ajustada y
su impacto en el rendimiento de la fabricación.En t. J. Tecnología reciente. Ing.2019,7, 39–43.
11. Loska, A. Evaluación de la explotación de objetos técnicos seleccionados utilizando métodos taxonómicos.Exploat. Niezawodn.
Mantenimiento. Confiable.2013,15, 1–8.
12. Szwarc, E.; Bocewicz, G.; Banaszak, Z.; Wikarek, J. Planificación de la asignación de competencias sólida ante el ausentismo inesperado del
personal.Exploat. Niezawodn. Mantenimiento. Confiable.2019,21, 440–450. [Referencia cruzada]
13. Sobaszek, Ł.; Gola, A.; Kozłowski, E. Aplicación de la función de supervivencia en una programación sólida de trabajos de
producción. En Actas de la Conferencia Federada sobre Ciencias de la Computación y Sistemas de Información (FEDCSIS)
de 2017, Praga, República Checa, 3 a 6 de septiembre de 2017; Ganzha, M., Maciaszek, M., Paprzycki, M., Eds.; IEEE:
Nueva York, NY, EE. UU., 2017; págs. 575–578.
14. Gola, A.; Kłosowski, G. Desarrollo de un modelo de manipulación de materiales controlado por computadora mediante lógica difusa
y algoritmos genéticos.Neurocomputación2019,338, 381–392. [Referencia cruzada]
15. Jasiulewicz-Kaczmarek, M.; Saniuk, A. ¿Cómo hacer que los procesos de mantenimiento sean más eficientes utilizando herramientas lean? Adv.
Intel. Sistema. Computadora.2018,605, 9–20.
16. Antosz, K.; Stadnicka, D. Los resultados del estudio sobre la identificación de las actividades realizadas en la gestión de la
infraestructura técnica en grandes empresas.Exploat. Niezawodn. Mantenimiento. Confiable.2014, dieciséis, 112-119.
17. Ramos, E.; Mesia, R.; Alba, C.; Miyashiro, R. Aplicación del mantenimiento eficiente para optimizar los procesos de fabricación en la cadena de
suministro: el caso de una imprenta peruana.En t. J. Gestión de la cadena de suministro.2020,9, 264–281.
18. Clarke, G.; Mulryan, G.; Liggan, P. Mantenimiento eficiente. Un enfoque basado en riesgos, ingeniería farmacéutica. ohf.
revista ISPE2010,30, 1–6.
19. Womack, J.; Jones, DT; Roos, D.La máquina que cambió el mundo; Rawson Associates: Nueva York, NY, EE. UU.,
1990.
20. Ohno, T.Sistema de producción Toyota: más allá de la producción a gran escala; Productivity Press: Nueva York, NY, EE.
UU., 1988.
21. Womack, J.; Jones, D.Pensamiento Lean: destierre el desperdicio y cree riqueza en su empresa; Simon & Schuster Inc.: Londres,
Reino Unido, 2003.
22. Melton, T. Los beneficios de la fabricación ajustada. Lo que el pensamiento lean tiene para ofrecer a las industrias de procesos. Química. Ing.
Res. Des.2005,83, 662–673. [Referencia cruzada]
23. Pavnaskar, SJ; Gershenson, JK; Jambekar, AB Esquema de clasificación para herramientas de fabricación ajustada.En t. J. Prod. Res.
2003,41, 3075–3090. [Referencia cruzada]
24. Papadopoulu, TC; Ozbayrak, M. Leanness: Experiencias del viaje hasta la fecha.J. Manuf. Tecnología. Gestionar. 2005,dieciséis, 784–
806. [Referencia cruzada]
25. Billesbach, TJ Un estudio de la implementación del justo a tiempo en los Estados Unidos.Pinchar. Gestión de inventario. J.
1991,32, 1–4.
26. Durán, O.; Capaldo, A.; Acevado, PAD Mantenimiento Lean aplicado para mejorar la eficiencia del mantenimiento en
centrales termoeléctricas.Energías2017,10, 1653. [Referencia cruzada]
27. Jasiulewicz-Kaczmarek, M. Sostenibilidad: Orientación en la gestión del mantenimiento. Caso de estudio. En
EcoProducción y Logística-Cuestiones Ambientales en Logística y Manufactura; Golinska, P., Ed.; Springer: Berlín/
Heidelberg, Alemania, 2013; págs. 135-154.
28. Leksic, I.; Stefanic, N.; Veza, I. El impacto del uso de diferentes herramientas de fabricación ajustada en la reducción de residuos. Adv. Pinchar.
Ing. Gestionar.2020,15, 81–92. [Referencia cruzada]
29. Levitt, J.Mantenimiento eficiente; Prensa industrial: Nueva York, NY, EE. UU., 2008.
30. Baluch, N.; Abdulá, CS; Mohtar, S. TPM y mantenimiento LEAN: una revisión crítica.Interdisciplina. J.
Contemporáneo. Res. Autobús.2012,4, 850–857.
31. Bashiri, M.; Badri, H.; Hejazi, TH Selección de la estrategia de mantenimiento óptima mediante el método de asignación lineal
interactiva difusa.Aplica. Matemáticas. Modelo.2011,35, 152-164. [Referencia cruzada]
32. Zhaoyang, T.; Jianfeng, L.; Zongzhi, W.; Jianhu, Z.; Weifeng, H. Una evaluación de la estrategia de mantenimiento mediante
inspección basada en riesgos.Seguro. Ciencia.2011,49, 852–860.
33. Cruz, AM; Rincón, AMR Subcontratación del mantenimiento de dispositivos médicos: ¿Se han olvidado la investigación sobre gestión
de operaciones y las teorías de gestión de la comunidad de ingeniería médica? Una revisión cartográfica.EUR. J. Ópera. Res.2012,
221, 186-197. [Referencia cruzada]
34. Rinaldi, G.; Portillo, JCC; Khalid, F.; Henriques, JCC; Thiés, PR; Gato, LMC; Johanning, L. Análisis multivariado de las
caracterizaciones de confiabilidad, disponibilidad y mantenibilidad de una granja convertidora de energía de las olas
Spar-Buoy.J. Ocena Ing. Mar. Energía2018,4, 199–215. [Referencia cruzada]
35. Wang, B.; Furst, E.; Cohen, T.; Keil, Oregón; Ridgway, M.; Stiefel, R. Estrategias de gestión de equipos médicos. Biomédica.
Instrumento. Tecnología.2006,40, 233–237. [Referencia cruzada]
36. Bayar, N.; Darmoul, S.; Hajri-Gabouj, S.; Pierreval, H. Uso de ontologías diseñadas inmunes para monitorear las interrupciones en
los sistemas de fabricación.Computadora. Indiana2016,81, 67–81. [Referencia cruzada]
37. Taghipour, S.; Banjevic, D.; Jardine, A. Priorización de equipos médicos para decisiones de mantenimiento.J. Ópera. Res. Soc.2011,62
, 1666–1687. [Referencia cruzada]
38. Li, HF; Parikh, D.; Él, Q.; Qian, por; Li, ZG; Colmillo, DP; Hampapur, A. Mejora de la velocidad de la red ferroviaria: un enfoque de
aprendizaje automático para el mantenimiento predictivo.Transporte. Res. C Emer.2014,45, 17-26. [Referencia cruzada]
39. Jamshidi, A.; Rahimi, SA; Aitkadi, D.; Ruiz, A. Un marco integral de mantenimiento basado en riesgos difusos para la priorización de
dispositivos médicos.Aplica. Computación suave.2015,32, 322–334. [Referencia cruzada]
40. Carnero, MC; Gomez, A. Un enfoque de toma de decisiones multicriterio aplicado a la mejora de las políticas de mantenimiento en
organizaciones sanitarias.BMC Med. Informar. Decide. Mak.2016,dieciséis, 47. [Referencia cruzada]
41. Zeineb, BH; Malek, M.; Ahmad, AH; Ikram, K.; Faouzi, M. Técnicas cuantitativas para la gestión del mantenimiento
de equipos médicos.EUR. J. Ind. Ing.2017,10, 703–723.
42. Lin, P.; Yuan, X.-X.; Tovilla, E. Modelado integrador del deterioro del rendimiento y la eficacia del mantenimiento de activos de
infraestructura con datos de condición faltantes.Computadora. Civilización asistida. Infraestructura. Ing.2019, 34, 677–695. [
Referencia cruzada]
43. Jasiulewicz-Kaczmarek, M.; Żywica, P. El concepto de evaluación del desempeño de la sostenibilidad del mantenimiento mediante la
integración del cuadro de mando integral con una integral difusa no aditiva.Exploat. Niezawodn.2018,20, 650–661. [Referencia
cruzada]
44. Rodriguez-Padial, N.; Marin, M.; Domingo, R. Una aproximación para evaluar la toma de decisiones tácticas en mantenimiento
industrial.Fabricación Procedia.2017,13, 1051-1058. [Referencia cruzada]
45. Kosicka, E.; Gola, A.; Pawlak, J. Soporte basado en aplicaciones para el mantenimiento de máquinas.IFAC-PapersOnLine 2019,52,
131-135. [Referencia cruzada]
46. Antosz, K.; Pasko, L.; Gola, A. El uso de sistemas inteligentes para apoyar el proceso de toma de decisiones en la gestión del
mantenimiento eficiente.IFAC-PapersOnLine2019,52, 148-153. [Referencia cruzada]
47. Antosz, K.; Stadnicka, D. TPM en grandes empresas: resultados del estudio.En t. J. Ind. Manuf. Ing.2013,7, 2101–2108.
48. Stadnicka, D.; Antosz, K. Efectividad general del equipo: Análisis de diferentes formas de cálculos y mejoras. En
Avances en la fabricación. Apuntes de conferencias en ingeniería mecánica; Hamrol, A., Ciszak, O., Legutko, S.,
Jurczyk, M., Eds.; Springer: Cham, Alemania, 2018.
49. Scodanibbio, C. TPM de clase mundial: cómo calcular la eficiencia general del equipo. Carlo Scodanibbio
2008/2009. 2009. Disponible en línea:www.scodanibbio.com(consultado el 17 de agosto de 2020).
50. Antosz, K.Metodyka Modelowania, Oceny i Doskonalenia Koncepcji Mantenimiento Lean; Oficyna Wydawnicza
Politechniki Rzeszowskiej: Rzeszow, Polonia, 2019.
51. Costa, EP; Lorena, AC; Carvalho, ACPLF; Freitas, AA Una revisión de las medidas de evaluación del desempeño para
clasificadores jerárquicos. EnMétodos de evaluación para el aprendizaje automático II: artículos del taller AAAI-2007;
Prensa AAAI: Palo Alto, CA, EE. UU., 2007; págs. 182-196.
52. Fawcelt, T. Una introducción al análisis de la República de China.Reconocimiento de patrones. Letón.2006,27, 861–874. [Referencia cruzada]
53. Sokolova, M.; Lapalme, G. Un análisis sistemático de medidas de desempeño para tareas de clasificación. inf. Proceso.
Gestionar.2009,45, 427–437. [Referencia cruzada]
54. Pasko, Ł.; Setlak, G. Badanie jakości predykcyjnej segmentacji rynku.Zesz. Nauk. Politecnológico. Śląskiej Ser. Informar.
2016,37, 83–97.
55. Pawlak, Z.Conjuntos aproximados: aspectos teóricos del razonamiento sobre datos; Biblioteca de Teoría y Decisión D;
Springer: Dordrecht, Países Bajos, 1991.
56. Beaubouefa, T.; Petryb, FE; Arorac, G. Medidas de incertidumbre de la teoría de la información para conjuntos aproximados y bases de datos
relacionales aproximadas.inf. Ciencia.1998,109, 185-195. [Referencia cruzada]
57. Bazán, JG; Nguyen, SA; Nguyen, SH; Synak, P.; WroBléwski, J. Algoritmos de conjunto aproximado en problemas de clasificación. En
Métodos y aplicaciones aproximados: nuevos desarrollos en el descubrimiento de conocimientos en sistemas de información,
estudios sobre borrosidad y computación blanda; Polkowski, L., Tsumoto, S., Lin, TY, Eds.; Physica-Verlag HD: Heidelberg,
Alemania, 2000; págs. 49–88.
58. Grzymala-Busse, JW Una nueva versión del sistema de inducción de reglas LERS.Fundam. Informar.1997,31, 27–39. [Referencia
cruzada]
Nota del editor:MDPI se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones
institucionales.
©2020 por los autores. Licenciatario MDPI, Basilea, Suiza. Este artículo es un artículo de
acceso abierto distribuido bajo los términos y condiciones de la licencia Creative Commons
Attribution (CC BY) (http://creativecommons.org/licenses/by/4.0/).

Applsci 10 07922 V2.en - Es

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Applsci 10 07922 V2.en - Es

Cargado por

Copyright:

Formatos disponibles

Traducido del inglés al español - www.onlinedoctranslator.

El uso de métodos de inteligencia artificial para evaluar la Ef

Katarzyna Antosz1 , Lukász Pasko2 y Arkadiusz Gola3,*

Aplica. Ciencia.2020,10, 7922; doi:10.3390/app10217922 www.mdpi.com/journal/applsci

2.1. Lean Manufacturing como base del Lean Maintenance

• Obras improductivas: ejecución de obras que no aumentan la confiabilidad de la

Tabla 1.Relaciones entre fuentes de desperdicio en manufactura esbelta y mantenimiento esbelto.

Desperdicio en la fabricación ajustada Desperdicio en el mantenimiento eficiente

transporte de materiales transporte de repuestos y herramientas

2.2. Sistemas de apoyo a la decisión en la gestión del mantenimiento

La metodología de trabajo detallada se presenta en la Figura1.

Figura 1.La metodología de trabajo detallada de la investigación.

4. La Evaluación del Mantenimiento Lean EfConcepto de efectividad en las empresas

Figura 2.Estructura de las empresas de investigación encuestadas: tipo de industria.

Figura 3.Estructura de las empresas de investigación encuestadas: propiedad y capital.

Figura 4.Estructura de las empresas de investigación encuestadas: tipo de producción.

En el marco de la encuesta realizada, se analizó exhaustivamente la identificación de las medidas

H0 = pag1=p2=p3= ... ... = pnorte (1)

No hay diferencia en los valores de las medidas obtenidas en las empresas.

No hay diferencia en los valores de las medidas obtenidas en las empresas.

No hay diferencia en los valores de las medidas obtenidas en las empresas.

No hay diferencia en los valores de las medidas obtenidas en las empresas.

No hay diferencia en los valores de las medidas obtenidas en las empresas.

No hay diferencia en los valores de las medidas obtenidas en las empresas.

No hay diferencia en los valores de las medidas obtenidas en las empresas.

No hay diferencia en los valores de las medidas obtenidas en las empresas.

No hay diferencia en los valores de las medidas obtenidas en las empresas.

No hay diferencia en los valores de las medidas obtenidas en las empresas.

5.1. Selección de variables de decisión en el proceso de evaluación

1. Implementación del servicio autónomo (por parte del operador).

1. Formación de empleados seleccionados.

Tabla 3.Los niveles del indicador de número de actividades de TPM (NTPMA).

Tabla 4.Estrategia de mantenimiento: actividades realizadas.

Estrategia de mantenimiento: actividades realizadas Valor

CM CM—PM PM MP—CBM CBM

5.2. Árboles de decisión en la evaluación de la EfEfectividad del Mantenimiento Lean

• Teniendo en cuenta dependencias no monótonas mediante divisiones sucesivas respecto de una

Tabla 6.Matriz de confusión.

Positivo TP (verdadero positivo) FN (falso negativo)

Tabla 9.Indicadores utilizados para probar la calidad de los clasificadores [54].

Indicador Designación Fórmula

Acc Exactitud Acc= TP+Tennesse

TPR Tasa de verdaderos positivos TPR= TP

PPV Valor predictivo positivo PPV= TP

FPR Tasa de falsos positivos

MCC Coeficiente de correlación de Mateo MCC=√ TP×Tennesse−FP×FN

Tabla 10.Indicadores utilizados para probar la calidad de los clasificadores.

Clasificador: un promedio Marcado

se clasificaron en esta clase.

Tabla 11.Descripción del esquema de estudio (Figura3).

Símbolo Nombre del símbolo Descripción

Un conjunto de reglas de decisión generadas con un algoritmo exhaustivo

Un conjunto de reglas de decisión generadas con un algoritmo de cobertura con

Un conjunto de reglas de decisión generadas con el algoritmo LEM2 con el

Nombre de un conjunto de reglas Número de reglas

El toma de decisiones g reglas generan mi

Tabla 16.Matriz de confusión para LEM2: reglas generadas.

6. Análisis de los Resultados Obtenidos

Clasificador: un valor promedio de OEE

- valores de los indicadores que obtuvieron resultados más favorables,

- valores del indicador que obtuvieron los mismos resultados.

Fondos:Esta investigación no recibió financiación externa. Conflictos de interés:

Los autores declaran no tener ningún conflicto de intereses.