2024-03-29T12:08:31Zhttps://riubu.ubu.es/oai/requestoai:riubu.ubu.es:10259/68922022-10-19T06:42:41Zcom_10259.4_104com_10259_2604col_10259_6848
Repositorio Institucional de la Universidad de Burgos
author
Morales Sánchez, Francisco José
author
Reyes Gutiérrez, Antonio
author
Caceres Sánchez, Noelia
author
Romero Pérez, Luis Miguel
author
García Benítez, Francisco
2022-09-16T10:52:16Z
2022-09-16T10:52:16Z
2021-07
978-84-18465-12-3
http://hdl.handle.net/10259/6892
10.36443/10259/6892
Las técnicas de mantenimiento predictivo persiguen disminuir la aparición de fallos
imprevistos, y la ejecución de las intervenciones correctivas necesarias que deben llevarse
a cabo con anterioridad a la aparición de los fallos.
Esta comunicación presenta una metodología, que permite automatizar la predicción de
alertas de mantenimiento en infraestructuras lineales de transporte, aplicada al caso de una
red de carreteras. Combina información cuantitativa del estado del activo junto con datos
de las intervenciones de mantenimiento operativos e históricos, haciendo uso de técnicas
de analítica de datos y modelos de aprendizaje automático.
Una vez los modelos se encuentran entrenados, se infiere el estado del activo en el
escenario futuro de interés, y las tareas de mantenimiento necesarias para evitar una
degradación posterior o desajustes de las condiciones de seguridad y/o confortabilidad. La
metodología genera una lista priorizada correspondiente a las alertas generadas por todos
los activos de la infraestructura monitorizada.
La parte científica de esta comunicación presenta: i) el análisis de la información mínima
necesaria para obtener predicciones de alertas, y de las intervenciones de mantenimiento
más probables asociadas a ellas en redes de carreteras; ii) el diagrama de flujo esquemático
del conjunto de herramientas desarrollado para predecir alertas de mantenimiento; iii) el
procedimiento metodológico utilizado, para activar alertas y predecir las intervenciones
más probables, necesario para resolver estas alertas; iv) la metodología para determinar la
fiabilidad y el nivel de severidad de alertas frente a falsos positivos y negativos.
La parte empírica del artículo recoge la descripción y resultados de un caso piloto de red de
carreteras.
Finalmente, se extraen conclusiones sobre el enfoque del procedimiento propuesto y la
capacidad predictiva alcanzada.
spa
Infraestructuras
Infrastructures
Técnicas de aprendizaje automático para la predicción de intervenciones de mantenimiento en infraestructuras lineales de carretera
info:eu-repo/semantics/conferenceObject
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
URL
https://riubu.ubu.es/bitstream/10259/6892/1/Morales_CIT2021_731-747.pdf
File
MD5
2a7ffe700c755f0418e809bd8dc26180
775388
application/pdf
Morales_CIT2021_731-747.pdf