Modelos predictivos basados en IA para incrementar la disponibilidad de la secadora de arroz en molinos de Lambayeque, 2025

Abstract

La presente investigación se desarrolló en molinos arroceros de la región Lambayeque, Perú, donde se identificó como realidad problemática la baja disponibilidad operativa de secadoras industriales asociada a fallas recurrentes y predominio de mantenimiento reactivo que afecta la continuidad productiva. El problema de investigación se centró en determinar en qué medida la aplicación de modelos predictivos basados en inteligencia artificial puede mejorar la gestión del mantenimiento y reducir fallas críticas. El objetivo fue implementar un modelo predictivo orientado a incrementar la disponibilidad operativa optimizando la toma de decisiones técnicas. Se empleó un diseño aplicado de enfoque cuantitativo y nivel explicativo, considerando como población los sistemas de secado industrial de la planta y seleccionando como muestra las secadoras operativas bajo análisis técnico. El procedimiento incluyó caracterización de factores limitantes, evaluación de estrategias de mantenimiento, diseño y validación de modelo predictivo mediante integración de variables térmicas, eléctricas y vibracionales, y análisis comparativo de impactos operativos. Los resultados cuantitativos evidenciaron disponibilidad media inicial de 87.4%, 312 horas improductivas acumuladas y métricas predictivas superiores al 94% de exactitud, observándose reducción proyectada de intervenciones correctivas y mejoras en estabilidad operativa. Se concluye que la incorporación de analítica predictiva fortalece la gestión del mantenimiento, mejora la continuidad funcional y constituye una alternativa técnicamente viable para modernizar procesos en la agroindustria arrocera regional.

This research was conducted in rice mills located in the Lambayeque region, Peru, where low operational availability of industrial dryers was identified as a critical issue associated with recurrent failures and a predominance of reactive maintenance affecting production continuity. The research problem focused on determining the extent to which predictive models based on artificial intelligence can improve maintenance management and reduce critical failures. The objective was to implement a predictive model aimed at increasing operational availability by optimizing technical decision-making. An applied quantitative approach with explanatory level design was employed, considering industrial drying systems as the population and operational dryers under technical evaluation as the sample. The procedure included identification of limiting factors, assessment of maintenance strategies, design and validation of a predictive model integrating thermal, electrical, and vibrational variables, and comparative operational impact analysis. Quantitative results showed an initial average availability of 87.4%, 312 accumulated nonproductive hours, and predictive performance metrics exceeding 94% accuracy, with projected reduction of corrective interventions and improved operational stability. It is concluded that the incorporation of predictive analytics strengthens maintenance management, improves functional continuity, and represents a technically viable alternative for modernizing processes within the regional rice agroindustry.