Publicación: Desarrollo de modelo predictivo basado en machine learning para anticipar fallas en el probador de suspensión de la línea de livianos del Centro de Diagnóstico Automotor Certi Express Pereira S.A.S.
Fecha
2026-02-17
Autores
Vallejo Yepes, Mauricio
dc.contributor.advisor
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad EAFIT
Resumen
Predictive maintenance has become a fundamental mechanism for ensuring the reliability, availability, and efficiency of industrial equipment. In the Colombian automotive sector, Automotive Diagnostic Centers (CDAs) play a crucial role in road safety by ensuring that vehicles meet the technical requirements of national regulations. However, traditional corrective and preventive maintenance methods generate downtime and additional costs that affect the continuous operation of inspection equipment.
This research develops a machine learning-based solution to analyze the results of adhesion tests obtained using the suspension tester of the light vehicle line at the Certi Express Pereira S.A.S. Automotive Diagnostic Center. 2,360 test records were collected and, after a cleaning, normalization, and variable analysis process, a predictive model was built capable of detecting patterns associated with potential failures in both the measuring equipment and the inspected vehicles.
The results show that the application of machine learning models in automotive diagnostic environments significantly improves the early detection of anomalies, allows for optimized maintenance planning, and contributes to reducing operating costs and downtime.
Descripción
El mantenimiento predictivo se ha consolidado como un mecanismo fundamental con el fin de garantizar la confiabilidad, la disponibilidad y la eficiencia de los equipos industriales. En el contexto automotriz colombiano, los Centros de Diagnóstico Automotor (CDA) desempeñan un papel crucial en la seguridad vial, al asegurar que los vehículos cumplan con las condiciones técnicas exigidas por la normativa nacional. Sin embargo, los métodos de mantenimiento correctivo y preventivo empleados tradicionalmente generan tiempos de inoperables y sobrecostos que afectan la operación continua de los equipos de inspección.
Esta investigación desarrolla una solución basada en aprendizaje automático (Machine Learning) con el objetivo de analizar los resultados de los ensayos de adherencia obtenidas mediante el probador de suspensión de la línea de vehículos livianos del Centro de Diagnóstico Automotor Certi Express Pereira S.A.S. Se recopilaron 2.360 registros de pruebas y, tras un proceso de limpieza, normalización y análisis de variables, se construyó un modelo predictivo capaz de detectar patrones asociados a fallas potenciales tanto en los equipos de medición como en los vehículos inspeccionados.
Los resultados evidencian que la aplicación de modelos de aprendizaje automático en entornos de diagnóstico automotor mejora significativamente la detección temprana de anomalías, permite optimizar la planificación del mantenimiento y contribuye a reducir los costos operativos y los tiempos de inactividad.
Palabras clave
Citación
dc.relation.uri
dc.identifier.doi
Colecciones
dc.rights
Todos los derechos reservados