Comparación de Comportamientos de Bombas de Agua de Circulación Usando Herramientas de Machine Learning

Abstract

Este trabajo aplica técnicas de aprendizaje automático, concretamente redes neuronales convolucionales (CNN) y Long short-term memory (LSTM), al análisis de datos industriales para evaluar el comportamiento de bombas de agua de circulación. Se desarrollan y comparan modelos predictivos capaces de identificar desviaciones operativas asociadas a fallos incipientes. La metodología permite extraer curvas de riesgo acumulado que se contrastan con eventos reales de mantenimiento, demostrando el valor de estas herramientas para anticipar intervenciones y mejorar la gestión predictiva de activos.

This study employs machine learning techniques, specifically convolutional neural networks (CNNs) and long short-term memory (LSTM) networks, to analyze industrial data and evaluate the behavior of water circulation pumps. Predictive models are developed and compared to identify operational deviations associated with incipient failures. The methodology enables the extraction of accumulated risk curves, which are contrasted with actual maintenance events, demonstrating the value of these tools in anticipating interventions and improving predictive asset management.