{"id":{"repo_id":"utdt","oai_identifier":"oai:repositorio.utdt.edu:20.500.13098/14406"},"canonical_url":"https://search.dev.ndltd.org/etd/utdt/oai:repositorio.utdt.edu:20.500.13098/14406","repository":{"repo_id":"utdt","name":"Universidad Torcuato di Tella","base_url":"https://repositorio.utdt.edu/oai/request"},"display":{"title":"Predicción de fallas mecánicas en flotas de transporte urbano mediante aprendizaje supervisado","abstract":"Esta tesis desarrolla un sistema de priorización de mantenimiento predictivo para una flota de 75 colectivos urbanos en Salta, Argentina, utilizando exclusivamente datos históricos administrativos sin requerir sensores adicionales. A partir de casi cinco años de registros de mantenimiento correctivo (128.354 intervenciones), preventivo (3.898 servicios), consumo de combustible y siniestros, se construyó un modelo de aprendizaje automático supervisado que predice semanalmente el inicio de rachas de fallas mecánicas significativas (reparaciones de más de 60 minutos). El proceso de formulación del problema atravesó tres iteraciones que permitieron identificar y corregir progresivamente sesgos en la definición de la variable objetivo, hasta alcanzar una formulación robusta. Las dos primeras formulaciones producían resultados artificialmente elevados debido a la alta frecuencia de fallas menores y a la superposición temporal entre observaciones consecutivas. La formulación final (predicción semanal de inicio de rachas de fallas significativas, con granularidad unidad-semana) eliminó estos sesgos y produjo un problema de clasificación genuino, en el que el 12,6% de las observaciones (unidad-semana) corresponden a inicios de rachas. El modelo de Random Forest alcanzó un AUC-ROC (métrica que mide la capacidad del modelo para distinguir entre semanas con y sin eventos) de 0,704 en el conjunto de prueba (IC 95%: 0,684-0,724). El sistema supera una priorización aleatoria en 1,8 veces al inspeccionar 10 unidades semanales, con un retorno económico neto estimado de 4,3 millones de ARS anuales. Las variables más predictivas fueron la recencia de fallas significativas y la duración de reparaciones recientes. Como complemento, se desarrollaron curvas de supervivencia por sección mecánica (mediana entre rachas de frenos: 46 días), una proyección de demanda de repuestos y un reporte semanal de priorización diseñado para uso directo del equipo de taller.","abstract_html":"Esta tesis desarrolla un sistema de priorización de mantenimiento predictivo para una flota de 75 colectivos urbanos en Salta, Argentina, utilizando exclusivamente datos históricos administrativos sin requerir sensores adicionales. A partir de casi cinco años de registros de mantenimiento correctivo (128.354 intervenciones), preventivo (3.898 servicios), consumo de combustible y siniestros, se construyó un modelo de aprendizaje automático supervisado que predice semanalmente el inicio de rachas de fallas mecánicas significativas (reparaciones de más de 60 minutos). El proceso de formulación del problema atravesó tres iteraciones que permitieron identificar y corregir progresivamente sesgos en la definición de la variable objetivo, hasta alcanzar una formulación robusta. Las dos primeras formulaciones producían resultados artificialmente elevados debido a la alta frecuencia de fallas menores y a la superposición temporal entre observaciones consecutivas. La formulación final (predicción semanal de inicio de rachas de fallas significativas, con granularidad unidad-semana) eliminó estos sesgos y produjo un problema de clasificación genuino, en el que el 12,6% de las observaciones (unidad-semana) corresponden a inicios de rachas. El modelo de Random Forest alcanzó un AUC-ROC (métrica que mide la capacidad del modelo para distinguir entre semanas con y sin eventos) de 0,704 en el conjunto de prueba (IC 95%: 0,684-0,724). El sistema supera una priorización aleatoria en 1,8 veces al inspeccionar 10 unidades semanales, con un retorno económico neto estimado de 4,3 millones de ARS anuales. Las variables más predictivas fueron la recencia de fallas significativas y la duración de reparaciones recientes. Como complemento, se desarrollaron curvas de supervivencia por sección mecánica (mediana entre rachas de frenos: 46 días), una proyección de demanda de repuestos y un reporte semanal de priorización diseñado para uso directo del equipo de taller.","abstract_has_math":false,"creators":["Astorga Di Pauli, Javier Ignacio"],"institution":"Universidad Torcuato Di Tella","degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":["Regatky, Julián"],"committee_chairs":[],"committee_members":[],"year":2026,"date_issued":"2026","date_published":"2026","updated_at":"2026-07-27T21:55:38Z","subjects":["Transporte urbano","Transporte público","Mantenimiento y reparaciones","Inteligencia artificial","Análisis de datos","Urban transport","Public transport","Maintenance and repair","Artificial intelligence","Data analysis"],"languages":["spa"],"rights":["info:eu-repo/semantics/openAccess"],"rights_urls":[],"identifier_entries":[]},"links":{"outbound_url":"https://repositorio.utdt.edu/handle/20.500.13098/14406","outbound_label":"Repository record","outbound_source":"dc:identifier.uri"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:contributor.advisor","label":"Advisor","values":["Regatky, Julián"]},{"key":"dc:creator","label":"Author","values":["Astorga Di Pauli, Javier Ignacio"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date.accessioned","label":"Dc Date Accessioned","values":["2026-07-17T17:19:10Z"]},{"key":"dc:date.issued","label":"Date","values":["2026"]},{"key":"dc:publisher","label":"Institution","values":["Universidad Torcuato Di Tella"]},{"key":"dc:type","label":"Dc Type","values":["info:eu-repo/semantics/masterThesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Transporte urbano","Transporte público","Mantenimiento y reparaciones","Inteligencia artificial","Análisis de datos","Urban transport","Public transport","Maintenance and repair","Artificial intelligence","Data analysis"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["spa"]},{"key":"dc:rights","label":"Dc Rights","values":["info:eu-repo/semantics/openAccess"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier.uri","label":"Identifier URI","values":["https://repositorio.utdt.edu/handle/20.500.13098/14406"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description.abstract","label":"Abstract","values":["Esta tesis desarrolla un sistema de priorización de mantenimiento predictivo para una flota de 75 colectivos urbanos en Salta, Argentina, utilizando exclusivamente datos históricos administrativos sin requerir sensores adicionales. A partir de casi cinco años de registros de mantenimiento correctivo (128.354 intervenciones), preventivo (3.898 servicios), consumo de combustible y siniestros, se construyó un modelo de aprendizaje automático supervisado que predice semanalmente el inicio de rachas de fallas mecánicas significativas (reparaciones de más de 60 minutos). El proceso de formulación del problema atravesó tres iteraciones que permitieron identificar y corregir progresivamente sesgos en la definición de la variable objetivo, hasta alcanzar una formulación robusta. Las dos primeras formulaciones producían resultados artificialmente elevados debido a la alta frecuencia de fallas menores y a la superposición temporal entre observaciones consecutivas. La formulación final (predicción semanal de inicio de rachas de fallas significativas, con granularidad unidad-semana) eliminó estos sesgos y produjo un problema de clasificación genuino, en el que el 12,6% de las observaciones (unidad-semana) corresponden a inicios de rachas. El modelo de Random Forest alcanzó un AUC-ROC (métrica que mide la capacidad del modelo para distinguir entre semanas con y sin eventos) de 0,704 en el conjunto de prueba (IC 95%: 0,684-0,724). El sistema supera una priorización aleatoria en 1,8 veces al inspeccionar 10 unidades semanales, con un retorno económico neto estimado de 4,3 millones de ARS anuales. Las variables más predictivas fueron la recencia de fallas significativas y la duración de reparaciones recientes. Como complemento, se desarrollaron curvas de supervivencia por sección mecánica (mediana entre rachas de frenos: 46 días), una proyección de demanda de repuestos y un reporte semanal de priorización diseñado para uso directo del equipo de taller."]},{"key":"dc:format.medium","label":"Dc Format Medium","values":["application/pdf"]},{"key":"dc:title","label":"Title","values":["Predicción de fallas mecánicas en flotas de transporte urbano mediante aprendizaje supervisado"]}]}],"canonical_facts":{"dc:contributor.advisor":["Regatky, Julián"],"dc:creator":["Astorga Di Pauli, Javier Ignacio"],"dc:date.accessioned":["2026-07-17T17:19:10Z"],"dc:date.issued":["2026"],"dc:description.abstract":["Esta tesis desarrolla un sistema de priorización de mantenimiento predictivo para una flota de 75 colectivos urbanos en Salta, Argentina, utilizando exclusivamente datos históricos administrativos sin requerir sensores adicionales. A partir de casi cinco años de registros de mantenimiento correctivo (128.354 intervenciones), preventivo (3.898 servicios), consumo de combustible y siniestros, se construyó un modelo de aprendizaje automático supervisado que predice semanalmente el inicio de rachas de fallas mecánicas significativas (reparaciones de más de 60 minutos). El proceso de formulación del problema atravesó tres iteraciones que permitieron identificar y corregir progresivamente sesgos en la definición de la variable objetivo, hasta alcanzar una formulación robusta. Las dos primeras formulaciones producían resultados artificialmente elevados debido a la alta frecuencia de fallas menores y a la superposición temporal entre observaciones consecutivas. La formulación final (predicción semanal de inicio de rachas de fallas significativas, con granularidad unidad-semana) eliminó estos sesgos y produjo un problema de clasificación genuino, en el que el 12,6% de las observaciones (unidad-semana) corresponden a inicios de rachas. El modelo de Random Forest alcanzó un AUC-ROC (métrica que mide la capacidad del modelo para distinguir entre semanas con y sin eventos) de 0,704 en el conjunto de prueba (IC 95%: 0,684-0,724). El sistema supera una priorización aleatoria en 1,8 veces al inspeccionar 10 unidades semanales, con un retorno económico neto estimado de 4,3 millones de ARS anuales. Las variables más predictivas fueron la recencia de fallas significativas y la duración de reparaciones recientes. Como complemento, se desarrollaron curvas de supervivencia por sección mecánica (mediana entre rachas de frenos: 46 días), una proyección de demanda de repuestos y un reporte semanal de priorización diseñado para uso directo del equipo de taller."],"dc:format.medium":["application/pdf"],"dc:identifier.uri":["https://repositorio.utdt.edu/handle/20.500.13098/14406"],"dc:language":["spa"],"dc:publisher":["Universidad Torcuato Di Tella"],"dc:rights":["info:eu-repo/semantics/openAccess"],"dc:subject":["Transporte urbano","Transporte público","Mantenimiento y reparaciones","Inteligencia artificial","Análisis de datos","Urban transport","Public transport","Maintenance and repair","Artificial intelligence","Data analysis"],"dc:title":["Predicción de fallas mecánicas en flotas de transporte urbano mediante aprendizaje supervisado"],"dc:type":["info:eu-repo/semantics/masterThesis"]},"updated_at":"2026-07-27T21:55:38Z"}