[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"detail-sidebar-cat-0-es-110":3,"doc-seo-128190-110":49,"doc-detail-128190-es":123},{"code":4,"msg":5,"data":6},0,"success",[7,13,17,21,25,29,33,37,41,45],{"id":8,"doc_module":4,"doc_module_name":9,"category_name":10,"show_sort_weight":11,"slug":12},39,"Document","Cómic",60,"comic",{"id":14,"doc_module":4,"doc_module_name":9,"category_name":15,"show_sort_weight":11,"slug":16},43,"Estilo de Vida","lifestyle",{"id":18,"doc_module":4,"doc_module_name":9,"category_name":19,"show_sort_weight":11,"slug":20},38,"Examen","exam",{"id":22,"doc_module":4,"doc_module_name":9,"category_name":23,"show_sort_weight":11,"slug":24},44,"General","general",{"id":26,"doc_module":4,"doc_module_name":9,"category_name":27,"show_sort_weight":11,"slug":28},41,"Investigación e Informes","research-report",{"id":30,"doc_module":4,"doc_module_name":9,"category_name":31,"show_sort_weight":11,"slug":32},37,"Literatura","literature",{"id":34,"doc_module":4,"doc_module_name":9,"category_name":35,"show_sort_weight":11,"slug":36},22,"Relatos y Novelas","story-novel",{"id":38,"doc_module":4,"doc_module_name":9,"category_name":39,"show_sort_weight":11,"slug":40},42,"Religión y Espiritualidad","religion-spirituality",{"id":42,"doc_module":4,"doc_module_name":9,"category_name":43,"show_sort_weight":11,"slug":44},40,"Salud y Atención Médica","healthcare",{"id":46,"doc_module":4,"doc_module_name":9,"category_name":47,"show_sort_weight":11,"slug":48},24,"Tecnología","technology",{"code":4,"msg":50,"data":51},"ok",{"site_id":52,"language":53,"slug":54,"title":55,"keywords":56,"description":57,"schema_data":58,"social_meta":116,"head_meta":118,"extra_data":120,"updated_unix":122},110,"es","fault-prediction-in-container-cranes-using-machine-learning-algorithms","Predicción de fallas en grúas portacontenedores utilizando algoritmos de Machine Learning","","La memoria desarrolla un enfoque de Prognostics and Health Management (PHM) aplicado a grúas portacontenededores, orientado a anticipar fallas para reducir inactividad y costos de mantención. El trabajo integra modelos de clasificación y una metodología adaptable para construir un dataset combinando registros de mantención con variables de volúmenes operativos, incorporando la naturaleza secuencial de los datos. Se implementan Random Forest, AdaBoost y una red LSTM; los resultados muestran que Random Forest con ventana de observación de 8 períodos y predicción de 15 días alcanza el mejor desempeño.",{"@graph":59,"@context":115},[60,77,98],{"@type":61,"itemListElement":62},"BreadcrumbList",[63,68,71,74],{"item":64,"name":65,"@type":66,"position":67},"https://docshare.wps.com","Home","ListItem",1,{"item":69,"name":9,"@type":66,"position":70},"https://docshare.wps.com/es/document/",2,{"item":72,"name":27,"@type":66,"position":73},"https://docshare.wps.com/es/document/investigación-e-informes/",3,{"item":75,"name":55,"@type":66,"position":76},"https://docshare.wps.com/es/document/fault-prediction-in-container-cranes-using-machine-learning-algorithms/128190/",4,{"url":75,"name":55,"@type":78,"image":79,"author":84,"headline":55,"publisher":87,"fileFormat":90,"inLanguage":53,"description":57,"dateModified":91,"datePublished":92,"encodingFormat":90,"isAccessibleForFree":93,"interactionStatistic":94},"DigitalDocument",{"url":80,"@type":81,"width":82,"height":83},"https://docshare.wps.com/thumbnails/fault-prediction-in-container-cranes-using-machine-learning-algorithms/128190.png","ImageObject",300,407,{"name":85,"@type":86},"Skyler","Person",{"url":64,"name":88,"@type":89},"DocShare","Organization","application/pdf","2026-09-17","2026-08-05",true,{"@type":95,"interactionType":96,"userInteractionCount":76},"InteractionCounter",{"@type":97},"ViewAction",{"@type":99,"mainEntity":100},"FAQPage",[101,107,111],{"name":102,"@type":103,"acceptedAnswer":104},"Cuál es el objetivo principal del trabajo?","Question",{"text":105,"@type":106},"Desarrollar una metodología para predecir fallas en grúas portacontenedores usando algoritmos de Machine Learning, con el fin de programar mantenimientos antes de que ocurran las fallas.","Answer",{"name":108,"@type":103,"acceptedAnswer":109},"Qué modelos se utilizan para la predicción de fallas?",{"text":110,"@type":106},"Se proponen dos clasificadores tradicionales, Random Forest y AdaBoost, y una red recurrente LSTM, elegida por la naturaleza secuencial de los datos.",{"name":112,"@type":103,"acceptedAnswer":113},"Qué resultado obtiene el modelo propuesto y bajo qué ventanas?",{"text":114,"@type":106},"Random Forest, con ventana de observación de 8 períodos y ventana de predicción de 15 días, supera a los demás modelos en Accuracy y F1-Score, además de reportar beneficios a la empresa.","https://schema.org",{"og:url":75,"og:type":117,"og:title":55,"og:site_name":88,"og:description":57},"article",{"robots":119,"canonical":75},"index,follow",{"doc_id":121,"site_id":52},128190,1785945422,{"code":4,"msg":5,"data":124},{"doc_id":121,"user_id":125,"nickname":85,"user_avatar":126,"doc_module":4,"category_id":26,"category_name":27,"doc_title":55,"doc_description":57,"doc_content":127,"file_id":128,"file_url":129,"file_type":130,"file_size":131,"view_count":76,"is_deleted":4,"is_public":67,"is_downloadable":67,"audit_status":67,"page_count":132,"language":133,"language_code":53,"site_id":52,"html_lang":53,"table_of_contents":134,"faqs":135,"seo_title":136,"seo_description":57,"update_tm":122,"read_time":137},2336475104042,"https://ap-avatar.wpscdn.com/avatar/22000c4c32af1715be0?x-image-process=image/resize,m_fixed,w_180,h_180&k=1786537525561427321","UNIVERSIDAD DE CHILE  \nFACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS DEPARTAMENTO DE INGENIERÍA INDUSTRIAL  \nPREDICCIÓN DE FALLAS EN GRÚAS PORTACONTENEDORES UTILIZANDO ALGORITMOS DE MACHINE LEARNING  \nMEMORIA PARA OPTAR AL TÍTULO DE  \nINGENIERO CIVIL INDUSTRIAL  \nFRANCISCO JAVIER MONTES PADILLA  \nPROFESOR GUÍA:  \nBLAS DUARTE ALLEUY  \nMIEMBROS DE LA COMISIÓN:  \nALEJANDRA PUENTE CHANDIA  \nJOSÉ NALDA REYES  \nSANTIAGO DE CHILE  \nRESUMEN DE LA MEMORIA PARA OPTAR ALTÍTULO DE: Ingeniero Civil Industrial  \nPOR: Francisco Javier Montes Padilla  \nFECHA: 2024  \nPROF. GUÍA: Blas Duarte Alleuy  \nPREDICCIÓN DE FALLAS EN GRÚAS PORTACONTENEDORES UTILIZANDO ALGORITMOS DE MACHINE LEARNING  \nPrognostics and Health Management, PHM en adelante, es cada vez más utilizado en laindustria, siendo parte de la cuarta revolución industrial, la toma de decisiones en base a datos es central y cada vez más solicitada en la industria para lograr mejores resultados y ser un ente más competitivo dentro del mercado. Dentro de PHM se encuentra la predicción de fallas, para esto el uso de diversos modelos de Machine Learning y Deep Learning se han convertido en un elemento fundamental.  \nEl mundo logístico se caracteriza por la rapidez y alta demanda. En este rubro se encuentra SAAM Logistics, un operador logístico cuya actividad gira en torno al almacenaje y transporte de contenedores, actividad en la cual son fundamentales las Grúas Portacontenedores, máquinascapaces de levantar y movilizar los contenedores. Estas grúas se consideran maquinaria pesada ytienen elevados costos de mantención y renovación. El correcto funcionamiento de estas esesencial, por lo que, un plan de mantenimiento adecuado también lo es. Este trabajo se desarrollaentonces para la empresa SAAM Logistics, en concreto en el área de ingeniería, siendo el principal beneficiario al área de Equipos y Mantención.  \nCon el uso de herramientas de Data Science y Machine Learning se puede crear un plan de mantenimiento predictivo, con el fin de minimizar los tiempos de inactividad de las máquinas y reducir los costos de mantención. A partir de modelos de clasificación se busca predecir el estado de las máquinas en el futuro, con el objetivo de predecir las fallas para poder realizar los mantenimientos necesarios previo a que estas ocurran.  \nEl presente trabajo, desarrolla 3 modelos de predicción de falla a partir de los registros de mantención de las grúas portacontenedores. En específico, se modelan 2 clasificadores de Machine Learning tradicional, utilizando Random Forest y AdaBoost y, una red recurrente LSTM, debido ala naturaleza secuencial de los datos.  \nPara realizar lo anterior, se debe construir un dataset con el fin de complementar la información proveniente de los mantenimientos, con información de volúmenes operativos a los que las máquinas se enfrentan, para caracterizar de mejor manera el estado actual y nivel de estrés de los equipos. Además, se propone un framework para generar las instancias de entrenamiento yprueba a partir de los registros de mantenimientos.  \nDe esta forma, este trabajo propone una metodología adaptable y robusta para poder modificar la importancia de la temporalidad y ventana de predicción de los resultados.  \nLos resultados muestran que el modelo Random Forest, con una ventana de observación de 8 períodos y una ventana de predicción de 15 días, supera el rendimiento de los otros modelos entérminos de Accuracy, F1-Score y beneficios reportados a la empresa. Por lo que, se convierte en el modelo propuesto como solución.  \n“Our future is unwritten. It will be shaped by who we choose to be now.”  \n- The Future We Choose  \nIII  \nTabla de contenido  \n1. Introducción ............................................................................................................................... 1  \n1.1. Objetivos ............................................................................................................................................................. 2  \n1","cbCaiuHhEyYPxwHH","https://ap.wps.com/l/cbCaiuHhEyYPxwHH","pdf",7038650,58,"Spanish","# Introducción\n## Objetivos\n### Objetivo general\n### Objetivos específicos\n## Alcances\n## Distribución del texto\n# Antecedentes\n## Operación SAAM Logistics\n### Datos generales\n### Grúas portacontenedores\n## PHM\n### CBM\n### Mantenimiento predictivo\n### Costos de inactividad\n## Machine","[{\"question\":\"Cuál es el objetivo principal del trabajo?\",\"answer\":\"Desarrollar una metodología para predecir fallas en grúas portacontenedores usando algoritmos de Machine Learning, con el fin de programar mantenimientos antes de que ocurran las fallas.\"},{\"question\":\"Qué modelos se utilizan para la predicción de fallas?\",\"answer\":\"Se proponen dos clasificadores tradicionales, Random Forest y AdaBoost, y una red recurrente LSTM, elegida por la naturaleza secuencial de los datos.\"},{\"question\":\"Qué resultado obtiene el modelo propuesto y bajo qué ventanas?\",\"answer\":\"Random Forest, con ventana de observación de 8 períodos y ventana de predicción de 15 días, supera a los demás modelos en Accuracy y F1-Score, además de reportar beneficios a la empresa.\"}]","Predicción de fallas en grúas portacontenedores utilizando algoritmos de Machine Learning | PDF",89]