Propuesta de un modelo de mantenimiento predictivo basado en inteligencia artificial para la cadena de frío del sector lácteo colombiano.
| dc.contributor.advisor | Martínez Grisales, Juan Sebastián | |
| dc.contributor.author | Duarte Correa, Judy Fernanda | |
| dc.contributor.author | Ordóñez Chamucero, Jefersson | |
| dc.date.accessioned | 2026-07-22T19:36:34Z | |
| dc.date.issued | 2025-11-30 | |
| dc.description.abstract | El presente proyecto aborda la necesidad crítica de mejorar la eficiencia operativa y la fiabilidad de la cadena de frío láctea colombiana mediante la incorporación de mantenimiento predictivo basado en inteligencia artificial (IA). Aunque el sector lácteo es estratégico para la economía agroindustrial, enfrenta pérdidas por deterioro térmico, deficiencias en monitoreo, intervenciones tardías y obsolescencia tecnológica, especialmente en zonas rurales con infraestructura limitada. Este problema se analiza desde un enfoque sistémico, identificando fallas recurrentes y la falta de herramientas que permitan anticipar anomalías y optimizar decisiones de mantenimiento. El marco teórico articula conceptos de gestión de activos, analítica predictiva, se revisan modelos matemáticos de predicción de fallas destacando cómo la IA transforma datos operativos en decisiones automatizadas a través de modelos entrenables. El objetivo general fue diseñar un modelo predictivo soportado matemáticamente e integrado con IA para anticipar fallas en equipos, mejorando desempeño, disponibilidad y continuidad operativa, metodológicamente, la investigación sigue un enfoque mixto, con análisis cualitativo de a partir de una revisión documental donde se ubican los procesos operativos y cuantitativo para modelamiento matemático y validación predictiva. Se desarrolla una arquitectura compuesta por sensorización, adquisición de datos, almacenamiento industrial, motor IA, sistemas de alarma y visualización operativa. Los resultados esperados incluyen: reducción de fallas no programadas, mayor confiabilidad térmica, disminución de desperdicio lácteo, decisiones basadas en evidencia y una transición hacia mantenimiento inteligente en plantas procesadoras y centros de acopio. En conclusión, el trabajo demuestra que la integración de IA en la cadena de frío es viable y genera una mejora tangible en disponibilidad operativa, seguridad alimentaria y eficiencia industrial. | |
| dc.description.abstractenglish | This project addresses the critical need to improve the operational efficiency and reliability of the Colombian dairy cold chain by incorporating predictive maintenance based on artificial intelligence (AI). Although the dairy sector is strategic for the agro-industrial economy, it faces losses due to thermal deterioration, monitoring deficiencies, delayed interventions, and technological obsolescence, especially in rural areas with limited infrastructure. This problem is analyzed from a systemic perspective, identifying recurring failures and the lack of tools to anticipate anomalies and optimize maintenance decisions. The theoretical framework articulates concepts of asset management and predictive analytics, and reviews mathematical models for failure prediction, highlighting how AI transforms operational data into automated decisions through trainable models. The overall objective was to design a mathematically supported predictive model integrated with AI to anticipate equipment failures, improving performance, availability, and operational continuity. Methodologically, the research follows a mixed-methods approach, with qualitative analysis based on a document review identifying operational processes, and quantitative analysis for mathematical modeling and predictive validation. An architecture was developed comprising sensors, data acquisition, industrial storage, an AI engine, alarm systems, and operational visualization. Expected results include: a reduction in unscheduled failures, increased thermal reliability, decreased milk waste, evidence-based decision-making, and a transition to smart maintenance in processing plants and collection centers. In conclusion, this work demonstrates that integrating AI into the cold chain is viable and generates a tangible improvement in operational availability, food safety, and industrial efficiency. | |
| dc.description.tableofcontents | Contenido Resumen 7 1. Planteamiento del problema 10 1.1 Formulación del problema 10 1.2 Pregunta de Investigación 13 2. Objetivos 14 2.1 Objetivo general 14 2.2 Objetivos específicos 14 3. Justificación 15 4. Marco referencial 17 4.1. Estado del arte 17 4.2 Marco teórico. 21 4.2.1 El mantenimiento predictivo: fundamentos teóricos, metodología y estructura de aplicación 22 4.2.2. La inteligencia artificial como herramienta para la optimización industrial 25 4.2.3 Modelos teóricos de integración entre la inteligencia artificial y el mantenimiento predictivo 28 4.2.4. El modelamiento predictivo y el aprendizaje automático aplicado al mantenimiento 32 4.2.5. Cadena de frío: Definición teórica aplicada al sector lácteo 35 4.3. Marco normativo y legal 37 5. Metodología 42 5.1. Enfoque del estudio 42 5.2 Diseño de investigación 42 5.3. Población muestra y fuentes 43 5.4 Categorías Cualitativas o Variables Cuantitativas 46 5.5 Técnicas e Instrumentos 48 5.6. Fases de la investigación 50 5.7. Consideraciones Éticas 51 6. Resultados 53 7.1 Análisis de las principales causas técnicas y operativas que afectan el desempeño de la cadena de frío en el sector lácteo colombiano 59 7.1.1 Descripción estructural de la cadena de frío en el sector lácteo colombiano 61 7.1.2 Diagnóstico de fallas técnicas y deficiencias operativas recurrentes 67 7.1.3 Impactos técnicos, económicos y sanitarios de las fallas en la cadena de frío 73 7.2 Identificación de variables críticas y datos necesarios para un modelo de mantenimiento predictivo basado en inteligencia artificial 78 7.2.1 Variables técnicas asociadas a los sistemas de refrigeración industrial 80 7.2.2. Preprocesamiento y calidad de datos 89 7.2.3 Ingeniería de variables (Feature Engineering) 94 7.2.3. Desarrollo de un modelo matemático en R para estimar las pérdidas en la cadena de frío. 98 7.2.4 código ejecutable en r studio: 106 7.2.5. Validación del Modelo Predictivo 108 7.2.6. Evaluación de impacto operativo 111 7.3. Arquitectura, formulación y validación del sistema predictivo en cadenas de frío lácteas 113 7.3.1. Capa de Percepción: Sensores e Instrumentación IoT 114 7.3.1.1 Capa de Comunicaciones y Almacenamiento 115 7.3.1.2 Capa de Procesamiento Inteligente (IA y Analítica) 115 7.3.1.3 Interfaz de Usuario y Visualización 116 7.3.2. Formulación Matemática y Algorítmica 116 7.3.2.1. Especificación del Modelo Matemático de Diagnóstico 116 7.3.2.2. Implementación Computacional (Código R) 118 7.3.2.3. Resultados Estadísticos y Tablas 119 7.3.3. Integración Operativa en Planta 120 7.3.3.1. Flujo de Datos y Automatización 120 7.3.3.2. Sistema de Alertas Escalonadas 121 7.3.3.3. Implicaciones Prácticas y Gestión del Cambio 121 7.3.4. Métricas de Desempeño (Validación Técnica) 122 7.3.4 Integración del Modelo Predictivo en la Cadena de Frío Láctea 123 7.3.5. Diferenciación entre el Modelo Matemático y el Modelo de Mantenimiento Predictivo 125 8. Discusión 127 9. Conclusiones 130 10. Recomendaciones 132 11. Referencias bibliográficas 134 | |
| dc.identifier.uri | https://hdl.handle.net/10823/8711 | |
| dc.relation.references | Asociación Nacional de Industriales. (2023). Indicadores de competitividad industrial. Editorial ANDI. https://www.andi.com.co/Uploads/Balance%202023%20Perspectivas%202024.pdf | |
| dc.relation.references | Beltrán Clavijo, K. S. (2020). Análisis del sector lechero y aplicaciones tecnológicas de la industria 4.0. Universidad Nacional de Colombia, Facultad de Ingeniería. https://tinyurl.com/2c7z6hed | |
| dc.relation.references | Carvel S.A. (2024, 6 de mayo). Fallas en compresores en sistemas de aire acondicionado (HVAC). Boletín Técnico Carvel. https://carvel.com.co/articulosynoticias/fallasencompresoresensistemasdeairesacondicionadohvac/ | |
| dc.relation.references | Datos Abiertos Colombia. (2024). Data sets de producción y empresas lácteas. Ministerio de Tecnologías de la Información y las Comunicaciones. https://www.datos.gov.co | |
| dc.relation.references | Departamento Administrativo Nacional de Estadística. (2024). Encuesta Anual Manufacturera (EAM) e Índice de Producción Industrial (IPI). Editorial DANE. https://www.dane.gov.co/index.php/estadisticasportema/industria/encuestaanualmanufactureraenam | |
| dc.relation.references | Departamento Nacional de Planeación. (2017). Pérdida y desperdicio de alimentos en Colombia. DNP Publicaciones. https://colaboracion.dnp.gov.co/CDT/Prensa/Publicaciones/P%C3%A9rdida%20y%20desperdicio%20de%20alimentos%20en%20colombia.pdf | |
| dc.relation.references | Departamento Nacional de Planeación. (2024). Informe de coyuntura industrial – agosto 2024. DNP Publicaciones. https://colaboracion.dnp.gov.co/CDT/PublishingImages/Planeacionydesarrollo/2024/Octubre/PDF/informeindustriaemmetagosto2024.pdf | |
| dc.relation.references | FAO. (2019). The state of food and agriculture: Moving forward on food loss and waste reduction. Food and Agriculture Organization of the United Nations. https://www.fao.org/3/ca6030en/ca6030en.pdf | |
| dc.relation.references | Forero Torres, F. E. (2025). Inteligencia artificial en el análisis de datos para la mejora de procesos productivos en empresas del sector alimenticio en Colombia. Universidad Cooperativa de Colombia. https://tinyurl.com/264o74y9 | |
| dc.relation.references | Gillespie, J., Da Costa, T. P., CamaMoncunill, X., et al. (2023). Realtime anomaly detection in cold chain transportation using IoT technology. Sustainability, 15(3), 2255. MDPI. https://www.mdpi.com/20711050/15/3/2255 | |
| dc.relation.references | GSA Refrigeration. (2025, 27 de junio). Causas de fallos en compresores de refrigerante y soluciones. Boletín Técnico GSA. https://www.gsadryer.com/es/aboutus/newsnotice/refrigerantcompressorfailurecausesandcountermeasures/ | |
| dc.relation.references | Instituto Nacional de Vigilancia de Medicamentos y Alimentos (INVIMA). (2024). Reporte de sanciones sanitarias en el sector lácteo. Editorial INVIMA. https://www.invima.gov.co | |
| dc.relation.references | Kaggle. (2020). AI4I 2020 Predictive Maintenance Dataset. Kaggle Research. https://www.kaggle.com/datasets/stephanmatzka/predictivemaintenancedatasetai4i2020 | |
| dc.relation.references | Kaggle. (s. f.). Datasets relacionados con cadena de frío / leche [“cold chain milk”, “milk temperature”]. Kaggle Research. https://www.kaggle.com | |
| dc.relation.references | Mantilla, D. R. (2025). La cadena de suministro en la industria láctea. Universidad de La Salle. https://tinyurl.com/2598ec8v | |
| dc.relation.references | Marchi, B., Bettoni, L., & Zanoni, S. (2022). Assessment of energy efficiency measures in food cold supply chains: A dairy industry case study. Energies, 15(19), 6901. MDPI. https://www.mdpi.com/19961073/15/19/6901 | |
| dc.relation.references | Marín Vanegas, J. P. (2025). Modelos predictivos de clasificación para el diagnóstico de disponibilidad en plantas térmicas de generación de energía eléctrica en Colombia. Universidad Nacional Abierta y a Distancia (UNAD). https://tinyurl.com/23tleflg | |
| dc.relation.references | Ministerio de Agricultura y Desarrollo Rural. (2023). Reporte de desperdicio en el sector lácteo. MinAgricultura Publicaciones. https://www.minagricultura.gov.co/noticias/Paginas/EstrategiadeMinAgriculturaparaelsectorl%C3%A1cteohafacilitadoladisminuci%C3%B3ndeinventariosaltos.aspx | |
| dc.relation.references | Mora Blanco, J. U., Caicedo Abella, D. F., & Villamil Salgado, K. J. (2024). Desarrollo del modelo de optimización de la eficiencia del sistema de gestión de transporte (TMS) asistido por inteligencia artificial (IA), en la gestión de rutas de transporte de alimentos en la cadena de abastecimiento en Bogotá D.C. Universidad Distrital Francisco José de Caldas. https://tinyurl.com/27bqh2l3 | |
| dc.relation.references | Pinciroli Vago, N. O., Forbicini, F., Fraternali, P., et al. (2024). Predicting machine failures from multivariate time series: An industrial case study. arXiv eprints. Cornell University. https://arxiv.org/abs/2402.17804 | |
| dc.relation.references | ProColombia. (2015). Logística de perecederos y cadena de frío en Colombia [Presentación]. ProColombia Ediciones. https://procolombia.co/sites/default/files/202405/presentacion_sala_logistica_2015.pdf | |
| dc.relation.references | Risk Management of Dairy Product Losses as a Tool to Improve the Environment and Food Rescue. (2020). Foods, 8(10), 4810. MDPI. https://www.mdpi.com/23048158/8/10/481 | |
| dc.relation.references | Seijas, H. S., Puerta, E. M., & Montoya, I. V. (2025). Aplicación de la inteligencia artificial para la optimización de procesos logísticos en la cadena de suministro del sector cárnico colombiano con enfoque en el comercio nacional e internacional. Universidad Pontificia Bolivariana. https://tinyurl.com/249bwh2c | |
| dc.relation.references | Susto, G. A., Schirru, A., Pampuri, S., McLoone, S., & Beghi, A. (2015). Machine learning for predictive maintenance: A multiple classifiers approach. IEEE Transactions on Industrial Informatics, 11(3), 812–820. IEEE. https://ieeexplore.ieee.org/document/6848457 | |
| dc.relation.references | Torres Murillo, L. V., Hidalgo Urrea, J. E., & Álvarez Paz, D. M. (2024). Retos y oportunidades de la inteligencia artificial en la gestión de la cadena de abastecimiento en la industria de alimentos. Universidad del Valle. https://tinyurl.com/28sqs4k5 | |
| dc.relation.references | Triana Useche, J. C. (2025). Sistema IoT para la gestión de variables de proceso en ambientes de refrigeración de la industria cárnica. Universidad Industrial de Santander. https://tinyurl.com/24c4ysmg | |
| dc.relation.references | USDA Foreign Agricultural Service. (2024). An overview of the Colombian dairy market (CO20240013). U.S. Department of Agriculture. https://apps.fas.usda.gov/newgainapi/api/Report/DownloadReportByFileName?fileName=An+Overview+of+the+Colombian+Dairy+Market_Bogota_Colombia_CO20240013.pdf | |
| dc.relation.references | Velásquez Garzón, L. M., & Rodríguez Velásquez, O. M. (2024). Vigilancia tecnológica de la Industria 4.0 en el sector lácteo colombiano. Universidad Militar Nueva Granada. https://tinyurl.com/2agez8ba | |
| dc.subject.keywords | Predictive maintenance | |
| dc.subject.keywords | Artificial intelligence | |
| dc.subject.keywords | Cold chain | |
| dc.subject.keywords | Dairy industry | |
| dc.subject.keywords | Operational reliability | |
| dc.subject.lemb | Almacenamiento en frío | |
| dc.subject.lemb | Inteligencia artificial | |
| dc.subject.lemb | Industria lechera | |
| dc.subject.proposal | Mantenimiento predictivo | |
| dc.subject.proposal | Inteligencia artificial | |
| dc.subject.proposal | Cadena de frío | |
| dc.subject.proposal | Industria láctea | |
| dc.subject.proposal | Confiabilidad operativa | |
| dc.title | Propuesta de un modelo de mantenimiento predictivo basado en inteligencia artificial para la cadena de frío del sector lácteo colombiano. | |
| dc.title.translated | Proposal for an Artificial Intelligence-Based Predictive Maintenance Model for the Cold Chain in Colombia’s Dairy Sector | |
| dc.type | bachelorThesis | |
| dc.type.coar | http://purl.org/coar/resource_type/c_7a1f | |
| dc.type.driver | info:eu-repo/semantics/bachelorThesis | |
| dc.type.local | Tesis/Trabajo de grado - Monografía - Pregrado |
Archivos
Bloque original
1 - 1 de 1
Cargando...
- Nombre:
- PROYECTO (PR_MODELO_MNTTO (JUDY DUARTE_JEFFERSON CHAMUCERO) entrega final.pdf
- Tamaño:
- 1.68 MB
- Formato:
- Adobe Portable Document Format
Bloque de licencias
1 - 1 de 1
Cargando...
- Nombre:
- license.txt
- Tamaño:
- 1.71 KB
- Formato:
- Item-specific license agreed upon to submission
- Descripción:
