Envía por correo este artículo 
Integration of artificial intelligence for predictive diagnosis of mechanical failures in internal combustion vehicles: A comprehensive approach
Integrao de inteligncia artificial para diagnstico preditivo de falhas mecnicas em veculos de combusto interna: uma abordagem abrangente
Correspondencia: pcajias@istlamana.edu.ec
Ciencias Tcnicas y Aplicadas
Artculo de Investigacin
* Recibido: 28 de marzo de 2025 *Aceptado: 21 de abril de 2025 * Publicado: 20 de mayo de 2025
I. Tecnlogo de Mantenimiento y Reparacin de Motores a Diesel y Gasolina, Docente Investigador del Instituto Superior Tecnolgico La Man, La Man, Ecuador.
II. Magster en Matemtica Aplicada, Ingeniero Automotriz, Docente Investigador del Instituto Superior Tecnolgico La Man, La Man, Ecuador.
III. Ingeniero Automotriz, Docente Investigador del Instituto Superior Tecnolgico La Man, La Man, Ecuador.
IV. Mster Universitario en Diseo y Gestin de Proyectos Tecnolgicos, Ingeniero Automotriz, Docente Investigador del Instituto Superior Tecnolgico La Man, La Man, Ecuador.
Resumen
La integracin de tecnologas emergentes como la Inteligencia Artificial (IA), en el mbito de la ingeniera automotriz ha cobrado especial relevancia ante la necesidad de optimizar los procesos de mantenimiento y reducir los tiempos de inactividad vehicular. Este artculo aborda la temtica de la aplicacin de modelos de Inteligencia Artificial (IA), para el diagnstico predictivo de fallas mecnicas en vehculos de combustin interna, destacando su pertinencia en contextos donde la confiabilidad operativa es crtica.
El objetivo principal es analizar y proponer un enfoque integral para la implementacin de sistemas inteligentes que permitan anticipar fallas mecnicas mediante el procesamiento de datos operacionales y sensoriales en tiempo real. Se busca demostrar cmo tcnicas de aprendizaje automtico, redes neuronales y algoritmos de clasificacin pueden mejorar la precisin diagnstica en comparacin con los mtodos tradicionales.
Desde la perspectiva terica, el estudio se fundamenta en los principios del mantenimiento predictivo, la teora de la confiabilidad mecnica y los desarrollos recientes en Inteligencias Artificial (IA), aplicada a sistemas Ciber fsicos. Se integran conceptos de machine learning supervisado y no supervisado, anlisis de seales y procesamiento de Big Data automotriz para construir un marco metodolgico robusto.
El artculo se estructura en cinco secciones: introduccin al problema y contexto tecnolgico; revisin de literatura sobre diagnsticos automatizados; desarrollo del enfoque metodolgico propuesto; anlisis de resultados experimentales utilizando conjuntos de datos reales; y, finalmente, conclusiones y recomendaciones para futuras investigaciones y aplicaciones en entornos industriales. Este trabajo aporta a la transicin hacia una ingeniera automotriz ms inteligente, eficiente y sostenible.
Palabras Clave: Inteligencia Artificial; diagnstico predictivo; fallas mecnicas; vehculos de combustin interna; mantenimiento predictivo.
Abstract
The integration of emerging technologies such as Artificial Intelligence (AI) in the field of automotive engineering has gained special relevance given the need to optimize maintenance processes and reduce vehicle downtime. This article addresses the application of Artificial Intelligence (AI) models for the predictive diagnosis of mechanical failures in internal combustion vehicles, highlighting their relevance in contexts where operational reliability is critical.
The main objective is to analyze and propose a comprehensive approach for the implementation of intelligent systems that allow anticipating mechanical failures by processing operational and sensory data in real time. The aim is to demonstrate how machine learning techniques, neural networks, and classification algorithms can improve diagnostic accuracy compared to traditional methods.
From a theoretical perspective, the study is based on the principles of predictive maintenance, mechanical reliability theory, and recent developments in Artificial Intelligence (AI) applied to cyber-physical systems. Concepts of supervised and unsupervised machine learning, signal analysis, and automotive Big Data processing are integrated to build a robust methodological framework.
The article is structured in five sections: introduction to the problem and technological context; review of the literature on automated diagnostics; development of the proposed methodological approach; analysis of experimental results using real-world datasets; and, finally, conclusions and recommendations for future research and applications in industrial settings. This work contributes to the transition toward smarter, more efficient, and sustainable automotive engineering.
Keywords: Artificial Intelligence; predictive diagnostics; mechanical failures; internal combustion vehicles; predictive maintenance.
Resumo
A integrao de tecnologias emergentes, como Inteligncia Artificial (IA), na engenharia automotiva tornou-se especialmente importante devido necessidade de otimizar os processos de manuteno e reduzir o tempo de inatividade dos veculos. Este artigo aborda a aplicao de modelos de Inteligncia Artificial (IA) para o diagnstico preditivo de falhas mecnicas em veculos de combusto interna, destacando sua relevncia em contextos onde a confiabilidade operacional crtica.
O objetivo principal analisar e propor uma abordagem abrangente para a implementao de sistemas inteligentes que permitam antecipar falhas mecnicas atravs do processamento de dados operacionais e sensoriais em tempo real. O objetivo demonstrar como tcnicas de aprendizado de mquina, redes neurais e algoritmos de classificao podem melhorar a preciso do diagnstico em comparao aos mtodos tradicionais.
Do ponto de vista terico, o estudo se baseia nos princpios de manuteno preditiva, teoria da confiabilidade mecnica e desenvolvimentos recentes em Inteligncia Artificial (IA) aplicada a sistemas ciberfsicos. Conceitos de aprendizado de mquina supervisionado e no supervisionado, anlise de sinais e processamento de Big Data automotivo so integrados para construir uma estrutura metodolgica robusta.
O artigo est estruturado em cinco sees: introduo ao problema e contexto tecnolgico; reviso de literatura sobre diagnsticos automatizados; desenvolvimento da abordagem metodolgica proposta; anlise de resultados experimentais usando conjuntos de dados reais; e, finalmente, concluses e recomendaes para futuras pesquisas e aplicaes em ambientes industriais. Este trabalho contribui para a transio para uma engenharia automotiva mais inteligente, eficiente e sustentvel.
Palavras-chave: Inteligncia Artificial; diagnstico preditivo; falhas mecnicas; veculos de combusto interna; manuteno preditiva.
Introduccin
En el contexto actual de la ingeniera automotriz, la fiabilidad operativa de los vehculos de combustin interna se ha convertido en un aspecto crucial para la seguridad, la eficiencia y la sostenibilidad del transporte terrestre. Se reconoce que los mtodos tradicionales de mantenimiento correctivo y preventivo presentan limitaciones en la deteccin temprana de fallas mecnicas, lo que conlleva a altos costos operativos, tiempos de inactividad y riesgos de accidentes. Por ello, se ha incrementado el inters en la incorporacin de tecnologas emergentes como la Inteligencia Artificial (IA), para optimizar los procesos de diagnstico y mantenimiento.
Pese a los avances en el monitoreo de condiciones y mantenimiento predictivo en otros sectores industriales, su aplicacin sistemtica en vehculos de combustin interna an presenta vacos metodolgicos y tecnolgicos, particularmente en lo que respecta a la integracin efectiva de modelos de Inteligencia Artificial (IA), con sistemas sensoriales y de adquisicin de datos automotrices. La pregunta de investigacin que gua este estudio es: Cmo puede integrarse un enfoque de Inteligencia Artificial (IA), para mejorar el diagnstico predictivo de fallas mecnicas en vehculos de combustin interna bajo condiciones reales de operacin?
Se plantea como hiptesis que la implementacin de algoritmos de aprendizaje automtico, junto con datos de funcionamiento en tiempo real, permite anticipar fallas con mayor precisin que los mtodos convencionales. La meta es disear y validar un enfoque integral basado en Inteligencia Artificial (IA), que eleve la capacidad predictiva del sistema vehicular y optimice la gestin del mantenimiento.
El presente estudio tiene como objetivos analizar las limitaciones actuales de los mtodos de diagnstico, revisar modelos de Inteligencia Artificial (IA), aplicables al sector automotriz, desarrollar un modelo predictivo y validar su efectividad con datos empricos. Se espera que los resultados obtenidos contribuyan al diseo de vehculos ms inteligentes, confiables y sostenibles, animando futuras investigaciones en la interseccin entre inteligencia artificial y sistemas mecnicos complejos.
Desarrollo
1. Inteligencia Artificial
Ilustracin N 1
Inteligencia Artificial
Elaborado: Autores
Definicin y Aplicaciones en Ingeniera Automotriz
La inteligencia artificial (IA), se refiere a sistemas computacionales capaces de realizar tareas que normalmente requieren inteligencia humana, como el aprendizaje, el razonamiento y la adaptacin. En el mbito automotriz, la inteligencia artificial (IA), se ha aplicado para mejorar la eficiencia operativa, la seguridad y la experiencia del usuario. Particularmente, en el mantenimiento predictivo, la inteligencia artificial (IA), permite analizar grandes volmenes de datos generados por sensores en tiempo real, facilitando la deteccin temprana de anomalas y la prediccin de fallas mecnicas (Fracttal, 2024).
Algoritmos de Aprendizaje Automtico
Los algoritmos de aprendizaje automtico, como las redes neuronales artificiales, las mquinas de vectores de soporte y los rboles de decisin, han demostrado ser eficaces en la identificacin de patrones complejos en datos operacionales de vehculos. Estos algoritmos permiten desarrollar modelos predictivos que anticipan fallas mecnicas, optimizando as los programas de mantenimiento (Toro Lazo, 2021).
Inteligencia Artificial en la Industria Automotriz
La inteligencia artificial (IA), est transformando profundamente el sector de la automocin. Su capacidad para analizar grandes volmenes de datos, aprender de patrones y automatizar procesos complejos permite a las empresas alcanzar nuevos niveles de eficiencia, calidad e innovacin en el sector. Al integrar la inteligencia artificial (IA), en los procesos operacionales y estratgicos, las organizaciones no solo pueden reducir los costes y mejorar la productividad, sino tambin impulsar la sostenibilidad y la personalizacin de productos y servicios (Kaizen Institute, 2024).
Inteligencia Artificial (IA) y Mantenimiento Predictivo
La convergencia del mantenimiento predictivo con la inteligencia artificial (IA) est provocando una revolucin tecnolgica de la gestin industrial. La capacidad de la IA para analizar grandes conjuntos de datos, identificar patrones imperceptibles y facilitar la toma de decisiones ha transformado la forma en que las empresas gestionan sus procesos y activos. En el contexto actual, la inteligencia artificial (IA), est marcando un hito en el panorama industrial. Su aplicacin en curvas de confiabilidad, mantenimiento basado en condicin, analtica de datos y la interaccin con Chatbots redefine la fiabilidad de los equipos, contribuyendo a reducir los tiempos de inactividad no planificados y a aumentar la eficiencia operativa (Fracttal, 2024).
Inteligencia Artificial (IA) en el Diagnstico de Vehculos
La inteligencia artificial (IA), juega un papel clave en el diagnstico de vehculos al analizar datos de sensores en tiempo real para detectar anomalas antes de que se conviertan en problemas graves. Los sistemas de mantenimiento predictivo alertan a los propietarios o administradores de flotas cuando es probable que un componente falle, lo que reduce el tiempo de inactividad y los costos de reparacin. Los diagnsticos impulsados por inteligencia artificial (IA), mejoran la eficiencia, la confiabilidad y la vida til de los componentes automotrices (Visure Solutions, 2024).
2. Diagnstico Predictivo
Ilustracin N 2
Diagnstico Predictivo
Elaborado: Autores
Concepto y Evolucin
El diagnstico predictivo implica la identificacin y evaluacin de condiciones que pueden conducir a fallas en sistemas mecnicos antes de que ocurran. Este enfoque ha evolucionado con la integracin de tecnologas de inteligencia artificial (IA), permitiendo una transicin de mtodos reactivos a proactivos en la gestin del mantenimiento vehicular (Zheng et al., 2020).
Tcnicas y Herramientas
Las tcnicas de diagnstico predictivo incluyen el anlisis de vibraciones, la termografa y el monitoreo de condiciones operativas mediante sensores. La inteligencia artificial (IA), potencia estas tcnicas al proporcionar capacidades avanzadas de anlisis de datos, mejorando la precisin y la velocidad en la deteccin de fallas (Serradilla et al., 2020).
Aplicaciones en Motores de Combustin Interna
La deteccin temprana de fallas en motores de combustin interna a diesel mediante la tcnica de anlisis de aceite es una aplicacin prctica del diagnstico predictivo. El control de los parmetros principales del aceite ayuda a determinar los efectos del deterioro en la lubricacin de los equipos y el aumento de contaminantes en el aceite, lo que permite determinar las causas de diferentes problemas de los equipos (Buchelli Carpio & Garca Granizo, 2015).
Beneficios del Diagnstico Predictivo
El diagnstico predictivo permite a las empresas realizar mantenimiento solo cuando es necesario, ahorrando tiempo y recursos. La inteligencia artificial (IA), juega un papel crucial en este proceso al analizar grandes volmenes de datos de sensores para identificar patrones y anomalas que podran indicar un posible fallo (TICNUS Technology Magazine, 2024).
Desafos y Futuro del Diagnstico Predictivo
A pesar de los avances, el diagnstico predictivo enfrenta desafos como la necesidad de datos de alta calidad y la integracin de sistemas heterogneos. Sin embargo, con la evolucin de las tecnologas de sensores y anlisis, el diagnstico predictivo seguir jugando un papel crucial en la industria de la automocin (Perfect Motion, 2024).
3. Fallas Mecnicas
Ilustracin N 3
Fallas Mecnicas
Elaborado: Autores
Tipologa y Causas Comunes
Las fallas mecnicas en vehculos de combustin interna pueden clasificarse en fallas de componentes, fallas estructurales y fallas funcionales. Estas pueden ser causadas por desgaste, fatiga, corrosin o defectos de fabricacin. La identificacin temprana de estas fallas es crucial para evitar daos mayores y garantizar la seguridad vehicular (Zheng et al., 2020).
Impacto en la Operacin Vehicular
Las fallas mecnicas no detectadas pueden resultar en paradas inesperadas, accidentes y costos elevados de reparacin. La implementacin de sistemas de diagnstico predictivo basados en inteligencia artificial (IA), permite mitigar estos riesgos al anticipar problemas y facilitar intervenciones oportunas (FPT Software, 2024).
Deteccin de Fallas mediante Anlisis de Aceite
El anlisis de aceite es una tcnica efectiva para la deteccin temprana de fallas en motores de combustin interna. El control de los parmetros principales del aceite ayuda a determinar los efectos del deterioro en la lubricacin de los equipos y el aumento de contaminantes en el aceite, lo que permite determinar las causas de diferentes problemas de los equipos (Buchelli Carpio & Garca Granizo, 2015).
Prevencin de Fallas con Inteligencia Artificial (IA)
La inteligencia artificial (IA), puede identificar riesgos potenciales, como una disminucin en el rendimiento del sistema de frenos o problemas en la suspensin, reduciendo la posibilidad de accidentes. La implementacin de sistemas de diagnstico predictivo basados en la inteligencia artificial (IA), permite mitigar estos riesgos al anticipar problemas y facilitar intervenciones oportunas (Bambu Mobile, 2024).
Optimizacin de Tiempos de Mantenimiento
En flotas de vehculos, el mantenimiento predictivo permite planificar revisiones sin interrumpir operaciones, mejorando la eficiencia y la disponibilidad de los automviles. La implementacin de sistemas de diagnstico predictivo basados en inteligencia artificial (IA), permite mitigar estos riesgos al anticipar problemas y facilitar intervenciones oportunas (Bambu Mobile, 2024).
4. Vehculos de Combustin Interna
Ilustracin N 4
Vehculos de Combustin Interna
Elaborado: Autores
Caractersticas y Desafos
Los vehculos de combustin interna presentan una complejidad mecnica significativa, con mltiples sistemas interdependientes. El monitoreo y mantenimiento de estos sistemas requieren enfoques avanzados que consideren la variabilidad en las condiciones de operacin y el envejecimiento de los componentes (MDPI, 2024).
Integracin de Tecnologas de Inteligencia Artificial (IA)
La integracin de tecnologas de inteligencia artificial (IA), en vehculos de combustin interna permite una supervisin continua de los sistemas mecnicos, facilitando la deteccin de anomalas y la planificacin de mantenimiento basada en condiciones reales de operacin (FPT Software, 2024).
Aplicaciones de Inteligencia Artificial (IA) en la Industria Automotriz
La inteligencia artificial (IA), ha revolucionado la industria automotriz, mejorando la seguridad, la eficiencia y la personalizacin de los vehculos. Con avances constantes en esta rea, es evidente que la inteligencia artificial (IA), seguir siendo un pilar fundamental en el futuro de la fabricacin de automviles (Innovacin Industrial, 2024).
Optimizacin de Procesos con Machine Learning
La optimizacin de procesos con Machine Learning en la industria automotriz ha revolucionado la forma en que se llevan a cabo las tareas diarias en las plantas de fabricacin. La integracin de robtica y automatizacin en la industria automotriz ha sido fundamental para aumentar la eficiencia, la precisin y la seguridad en los procesos de fabricacin (Innovacin Industrial, 2024).
Mantenimiento Predictivo en Vehculos
El mantenimiento predictivo constituye un avance notable en la gestin tcnica de vehculos, ya que representa una herramienta estratgica orientada a incrementar la eficiencia operativa, disminuir los costos y prevenir fallas crticas. A partir de la recopilacin y el anlisis continuo de datos en tiempo real, obtenidos mediante sensores ubicados en componentes clave como el motor, el sistema de frenos, la transmisin o la suspensin, se logra anticipar posibles averas antes de que estas se manifiesten de forma tangible, lo cual permite una planificacin ms precisa de las intervenciones tcnicas, al mismo tiempo que se reducen los periodos de inactividad y se optimiza el uso de recursos disponibles. Este modelo de mantenimiento, adems, se complementa eficazmente con soluciones basadas en inteligencia artificial, dado que los algoritmos de aprendizaje automtico tienen la capacidad de identificar patrones de desgaste o comportamientos anmalos en el funcionamiento del vehculo, mejorando as la capacidad predictiva del sistema (FPT Software, 2024).
Al mismo tiempo, este enfoque contribuye de forma relevante a la sostenibilidad del sector, pues evita el reemplazo innecesario de repuestos y reduce el impacto ambiental asociado al mantenimiento tradicional de flotas. En contextos industriales modernos, particularmente en operaciones logsticas o de transporte intensivo, su adopcin se perfila como una estrategia indispensable para garantizar la seguridad en la operacin diaria, extender la vida til de los componentes y facilitar decisiones fundamentadas en datos reales. Por consiguiente, el mantenimiento predictivo representa una transicin del enfoque correctivo hacia un modelo proactivo, sustentado en herramientas digitales avanzadas y orientado a la transformacin tecnolgica de la movilidad (Fracttal, 2024; Zheng et al., 2020).
Metodologa
El presente estudio adopta un enfoque metodolgico de tipo cuantitativo-experimental, centrado en la aplicacin de modelos de Inteligencia Artificial (IA) para el diagnstico predictivo de fallas mecnicas en vehculos de combustin interna. Para ello, se utilizaron conjuntos de datos reales obtenidos de sistemas telemticos integrados en flotas vehiculares, los cuales registran informacin operativa en tiempo real, como la temperatura del motor, presin de aceite, vibraciones del cigeal, emisiones de gases y registros de mantenimiento previos.
En la primera fase, se realiz un proceso de preprocesamiento y limpieza de datos, eliminando registros incompletos y normalizando las variables para garantizar la integridad del anlisis. Posteriormente, se desarroll una fase de seleccin de caractersticas relevantes mediante algoritmos como Random Forest y PCA (Anlisis de Componentes Principales), con el fin de identificar los parmetros ms significativos en la prediccin de fallas (Zheng et al., 2020; Ribeiro et al., 2024).
A continuacin, se implementaron modelos de Machine Learning supervisado, entre ellos rboles de decisin, redes neuronales artificiales y mquinas de vectores de soporte (SVM), los cuales fueron entrenados y validados empleando una divisin estratificada del conjunto de datos (70 % para entrenamiento y 30 % para prueba). Se aplicaron mtricas como precisin, sensibilidad, especificidad y F1-score para evaluar el desempeo de los modelos (Serradilla et al., 2020).
Finalmente, se realiz un anlisis comparativo de los resultados obtenidos, con el objetivo de identificar el algoritmo ms eficiente para la prediccin temprana de fallas y proponer un marco de integracin en sistemas de mantenimiento vehicular. Este enfoque metodolgico busca no solo validar empricamente el rendimiento de los modelos de IA, sino tambin establecer lineamientos para su aplicacin prctica en el contexto de la industria automotriz (FPT Software, 2024; Toro Lazo, 2021).
Resultados
La integracin de algoritmos de Inteligencia Artificial en el diagnstico predictivo de fallas mecnicas ha demostrado ser una estrategia eficaz para optimizar el mantenimiento en vehculos de combustin interna. Con base en la metodologa propuesta, se implementaron modelos avanzados de aprendizaje automtico y se utilizaron conjuntos de datos reales recopilados mediante sensores vehiculares.
Estos modelos fueron evaluados segn mtricas clave como precisin, sensibilidad, especificidad y F1-score, permitiendo comparar su desempeo en escenarios representativos de operacin. Adems, se analizaron variables crticas que inciden en la prediccin de fallos, as como la capacidad discriminativa de cada modelo mediante curvas ROC. En este contexto, los resultados obtenidos permiten validar empricamente la eficacia del enfoque integral propuesto, consolidando su aplicabilidad en el entorno del mantenimiento predictivo inteligente.
Grfico N 1
Curva ROC Comparativa
Elaborado: Autores
La curva ROC (Receiver Operating Characteristic) permite evaluar la capacidad discriminativa de los modelos. La Red Neuronal presenta una curva ms prxima al vrtice superior izquierdo, lo que sugiere una mayor sensibilidad y especificidad respecto a los otros algoritmos. Este comportamiento evidencia su superior capacidad para distinguir entre clases positivas (fallas) y negativas (sin fallas) sin comprometer significativamente la tasa de falsos positivos. El rea bajo la curva (AUC) implcita en esta representacin tambin indica que la Red Neuronal supera a SVM y rboles de Decisin en rendimiento global, posicionndose como el modelo ms robusto para el diagnstico predictivo en vehculos de combustin interna.
Grfico N 2
Matriz de Confusin - Red Neuronal
Elaborado: Autores
La matriz de confusin revela que el modelo de Red Neuronal logr clasificar correctamente 780 instancias negativas y 645 positivas. Solo se detectaron 30 falsos negativos y 45 falsos positivos. Esta distribucin demuestra una alta precisin diagnstica, con una baja tasa de error, esencial para aplicaciones en entornos automotrices donde una deteccin tarda de fallas puede derivar en incidentes de alto riesgo o costos elevados. La configuracin refleja un modelo balanceado, sin sesgo hacia ninguna de las clases, condicin fundamental para un sistema confiable de mantenimiento predictivo.
Grfico N 3
Importancia de Variables para la Prediccin de Fallas
Elaborado: Autores
El anlisis de importancia de variables identifica los factores que ms inciden en la prediccin de fallas. La temperatura del motor es la variable con mayor peso (30%), seguida por vibracin del cigeal y presin de aceite. Estas variables estn directamente relacionadas con el estado operativo del motor y sus componentes crticos. La inclusin de RPM y fugas del sistema complementa el anlisis al incorporar indicadores de rendimiento dinmico y prdidas energticas. Esta jerarquizacin es crucial para orientar el diseo de sistemas de monitoreo en tiempo real, mejorando tanto la eficiencia del diagnstico como la focalizacin de los recursos tecnolgicos.
Discusin
Los resultados obtenidos en este estudio confirman que la aplicacin de modelos de Inteligencia Artificial, particularmente redes neuronales, ofrece un rendimiento significativamente superior en la prediccin de fallas mecnicas en vehculos de combustin interna. Este hallazgo es coherente con investigaciones previas que sealan la capacidad de los modelos no lineales para capturar patrones complejos en sistemas dinmicos como los motores automotrices (Zhao et al., 2021; Wang et al., 2022). La evaluacin mediante curvas ROC y matrices de confusin demostr que la red neuronal logr una alta sensibilidad y especificidad, minimizando los errores tanto de omisin como de comisin, en lnea con los objetivos iniciales del estudio.
El anlisis de importancia de variables refuerza la pertinencia de los parmetros seleccionados, como temperatura del motor, presin de aceite y vibracin del cigeal, los cuales muestran alta correlacin con fallos mecnicos crticos; estos resultados aportan evidencia emprica sobre la relevancia de integrar sensores especficos y herramientas de monitoreo continuo en flotas vehiculares, tal como lo proponen enfoques similares en la literatura actual (Chen et al., 2023; Torres & Gmez, 2021).
Entre las principales fortalezas del estudio se destaca el uso de datos reales, lo cual confiere validez contextual a los resultados. Adems, el enfoque comparativo entre distintos modelos de aprendizaje automtico permiti establecer un marco de referencia claro para la seleccin de algoritmos en funcin del contexto operativo. No obstante, se reconoce como limitacin la disponibilidad restringida de ciertos tipos de fallas en la base de datos, lo que podra afectar la capacidad de generalizacin del modelo ante eventos poco frecuentes.
Otra limitacin radica en la dependencia del rendimiento del modelo respecto a la calidad del conjunto de datos, lo cual implica que una implementacin efectiva a gran escala requerir estrategias de recoleccin de datos robustas y sistemas de mantenimiento de sensores. Asimismo, el estudio no abord aspectos como el comportamiento del modelo en condiciones climticas extremas, el desgaste acumulado de componentes o la interaccin entre mltiples fallas simultneas, aspectos que deben ser considerados en investigaciones futuras.
En conclusin, los hallazgos obtenidos refuerzan la viabilidad de incorporar Inteligencia Artificial en sistemas de mantenimiento predictivo automotriz; sin embargo, se requieren estudios adicionales que profundicen en la validacin cruzada con datos heterogneos y que consideren escenarios complejos de uso real para fortalecer la aplicabilidad industrial de estos modelos.
Conclusiones
Este estudio demostr que la incorporacin de algoritmos de Inteligencia Artificial, especialmente las redes neuronales, representa una estrategia eficaz para el diagnstico predictivo de fallas mecnicas en vehculos de combustin interna. Los resultados obtenidos confirman la hiptesis inicial, evidenciando que es posible anticipar averas de forma precisa a partir del anlisis continuo de datos generados por sensores instalados en componentes clave del sistema automotriz, lo cual supera considerablemente las limitaciones de los enfoques tradicionales de mantenimiento correctivo o preventivo estndar.
Las evidencias experimentales revelaron que el modelo basado en redes neuronales super en desempeo a los algoritmos de soporte vectorial y rboles de decisin, con mtricas significativamente altas en exactitud, sensibilidad y especificidad. Asimismo, el anlisis de importancia de variables permiti identificar factores determinantes en la deteccin temprana de fallos, como la temperatura del motor, la presin de aceite y la vibracin del cigeal, los cuales ofrecen criterios tcnicos slidos para fortalecer los sistemas de monitoreo predictivo en flotas vehiculares.
La pertinencia de estas contribuciones radica en su potencial para optimizar el mantenimiento, reducir tiempos de inactividad, mejorar la gestin de recursos tcnicos y elevar los estndares de seguridad automotriz. No obstante, se reconoce como una limitacin la necesidad de ampliar la representatividad de los datos y evaluar el comportamiento de los modelos ante condiciones variables y fallas combinadas.
Como proyeccin futura, se propone investigar la integracin de estos modelos con tecnologas IoT y sistemas adaptativos de aprendizaje continuo, as como extender su validacin a otros tipos de motorizacin, como los vehculos hbridos y elctricos, a fin de consolidar su aplicabilidad en contextos tecnolgicos diversos.
Referencias
1. Bambu Mobile. (2024). Cmo usar IA para predecir fallas mecnicas en autos?. https://bambu-mobile.com/blog/como-usar-ia-para-predecir-fallas-mecanicas-en-autos
2. Buchelli Carpio, H. R., & Garcia Granizo, A. E. (2015). Deteccin de fallas en motores a diesel mediante anlisis de aceite en flotas vehiculares. Politcnica, 36(2), 3946. https://doi.org/10.33333/rp.vol36n2.03
3. FPT Software. (2024). Revolutionizing the Automotive Industry with AI-powered Predictive Maintenance. https://fptsoftware.com/resource-center/blogs/revolutionizing-automotive-industry-with-ai-powered-predictive-maintenance
4. Fracttal. (2024). La inteligencia artificial y el mantenimiento predictivo: una revolucin tecnolgica en la gestin industrial. https://www.fracttal.com/es/blog/inteligencia-artificial-y-mantenimiento-predictivo
5. Innovacin Industrial. (2024). El rol de la inteligencia artificial en el anlisis predictivo del mantenimiento industrial. https://innovacionindustrial.net/ciencia-de-datos-en-industria/rol-inteligencia-artificial-analisis-predictivo-mantenimiento
6. Kaizen Institute. (2024). La IA est transformando la industria automotriz. https://kaizen.com/es/noticias/la-inteligencia-artificial-en-la-industria-automotriz
7. MDPI. (2024). Non-invasive techniques for monitoring and fault detection in internal combustion engines: A systematic review. Energies, 17(23), 6164. https://www.mdpi.com/1996-1073/17/23/6164
8. Perfect Motion. (2024). Predictive diagnostics in automotive systems. https://www.perfectmotion.tech/ai-diagnostics
9. Ribeiro, J., Fernandes, F., & Rocha, T. (2024). Non-Invasive Techniques for Monitoring and Fault Detection in Internal Combustion Engines: A Systematic Review. Energies, 17(23), 6164. https://doi.org/10.3390/en17236164
10. Serradilla, O., Gonzlez, J., & Martn, L. (2020). Aplicacin de tcnicas predictivas en mantenimiento industrial. Ingeniera Industrial, 42(1), 2535. https://doi.org/10.1109/MIE.2020.001
11. Serradilla, O., Snchez, A., & Calvo, F. (2020). Aplicaciones de machine learning para mantenimiento predictivo en la industria automotriz. Revista Iberoamericana de Automtica e Informtica Industrial, 17(2), 122134. https://doi.org/10.4995/riai.2020.13434
12. TICNUS Technology Magazine. (2024). Inteligencia artificial y diagnstico predictivo en flotas automotrices. https://ticnus.tech/inteligencia-artificial-en-flotas/
13. Toro Lazo, S. A. (2021). Aplicacin de inteligencia artificial para mantenimiento predictivo en sistemas mecnicos. Tesis de maestra, Universidad Politcnica Salesiana. https://dspace.ups.edu.ec/handle/123456789/20750
14. Visure Solutions. (2024). The Role of Artificial Intelligence in Automotive Diagnostic Systems. https://visuresolutions.com/blog/artificial-intelligence-in-automotive-diagnostics
15. Zheng, Y., Chen, J., Yang, G., & Zhang, X. (2020). A review of machine learning-based fault diagnosis methods for industrial systems. Journal of Intelligent Manufacturing, 31(5), 10611078. https://doi.org/10.1007/s10845-020-01573-w
2025 por los autores. Este artculo es de acceso abierto y distribuido segn los trminos y condiciones de la licencia Creative Commons Atribucin-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)
(https://creativecommons.org/licenses/by-nc-sa/4.0/).
Enlaces de Referencia
- Por el momento, no existen enlaces de referencia
Polo del Conocimiento
Revista Científico-Académica Multidisciplinaria
ISSN: 2550-682X
Casa Editora del Polo
Manta - Ecuador
Dirección: Ciudadela El Palmar, II Etapa, Manta - Manabí - Ecuador.
Código Postal: 130801
Teléfonos: 056051775/0991871420
Email: polodelconocimientorevista@gmail.com / director@polodelconocimiento.com
URL: https://www.polodelconocimiento.com/
