PREDICCIÓN DE FALLAS EN EQUIPOS ELÉCTRICOS MEDIANTE APRENDIZAJE SUPERVISADO FAULT PREDICTION IN ELECTRICAL EQUIPMENT USING SUPERVISED LEARNING

Resumen

El presente estudio tuvo como objetivo explorar el potencial del aprendizaje
supervisado como herramienta predictiva para anticipar y mitigar fallas en equipos
eléctricos dentro del ámbito industrial. La investigación se desarrolló bajo un
enfoque mixto de alcance descriptivo-explicativo, combinando el análisis conceptual
con la experimentación computacional. El método implementado contempló tres
fases operativas: una revisión documental sistémica en bases de datos académicas,
la aplicación de una encuesta digital de opinión a una muestra de 100 profesionales
del sector para diagnosticar la percepción del mantenimiento predictivo, y el diseño
experimental de un algoritmo de regresión logística en Python utilizando datos
simulados de sensores de temperatura, voltaje y corriente. Los resultados de la
simulación demostraron que el modelo entrenado discrimina con precisión
matemática las anomalías operativas y activas alertas tempranas antes de que
ocurran paradas no planificadas. En conclusión, el aprendizaje supervisado
constituye una estrategia viable y eficaz para optimizar los flujos de mantenimiento,
reducir costos operativos y prolongar la vida útil de los activos energéticos
institucionales.

Abstract
The main objective of this study was to explore the potential of supervised learning
as a predictive tool to anticipate and mitigate failures in electrical equipment within
the industrial sector. The research was carried out under a mixed-methods approach
with a descriptive-explanatory scope, combining conceptual analysis with
computational experimentation. The implemented method comprised three
operational phases: a systemic documentary review in academic databases, the
application of a digital opinion survey to a sample of 100 professionals in the sector
to diagnose the perception of predictive maintenance, and the experimental design
of a logistic regression algorithm in Python using simulated data from temperature,
voltage, and current sensors. Simulation results demonstrated that the trained model
accurately discriminates operational anomalies and triggers early alerts before
unplanned downtime occurs. In conclusion, supervised learning constitutes a viable
and effective strategy to optimize maintenance workflows, reduce operating costs,
and extend the lifespan of institutional energy assets.

PRÉDICTION DE DÉFAILLANCES DANS LES ÉQUIPEMENTS ÉLECTRIQUES
PAR L'APPRENTISSAGE SUPERVISÉ

Résumé
La présente étude avait pour objectif d'explorer le potentiel de l'apprentissage
supervisé en tant qu'outil prédictif pour anticiper et atténuer les défaillances des
équipements électriques en milieu industriel. La recherche a été développée selon
une approche mixte à portée descriptive-explicative, combinant l'analyse
conceptuelle et l'expérimentation informatique. La méthode mise en œuvre a
comporté trois phases opérationnelles: une revue documentaire systémique dans
des bases de données académiques, l'application d'une enquête numérique
d'opinion auprès d'un échantillon de 100 professionnels du secteur pour
diagnostiquer la perception de la maintenance prédictive, et la conception
expérimentale d'un algorithme de régression logistique en Python utilisant des
données simulées de capteurs de température, de tension et de courant. Les
résultats de la simulation ont démontré que le modèle entraîné distingue avec
précision mathématique les anomalies opérationnelles et déclenche des alertes
précoces avant la survenue d'arrêts non planifiés. En conclusion, l'apprentissage
supervisé constitue une stratégie viable et efficace pour optimiser les flux de
maintenance, réduire les coûts d'exploitation et prolonger la durée de vie des actifs
énergétiques institutionnels.