Sistema web basado en algoritmo predictivo de machine learning para apoyar el proceso de mantenimiento de vehículos de transporte pesado

Abstract

El estudio tuvo como objetivo principal implementar un sistema web basado en algoritmos predictivos de machine learning para optimizar el mantenimiento de vehículos de transporte pesado. También, se establecieron objetivos específicos, como seleccionar los algoritmos capaces de predecir datos numéricos sobre problemas de mantenimiento en la empresa; luego, se identificaron las herramientas tecnológicas que soportan las técnicas de machine learning necesarias para desarrollar la arquitectura del sistema web predictivo. A continuación, se evaluó la exactitud y validez del algoritmo predictivo para confirmar la fiabilidad de la información obtenida. Finalmente, se examinó la calidad del software en función de su usabilidad y funcionalidad. En el desarrollo del sistema, se adoptaron las metodologías CRISP-DM y marco de trabajo Scrum; la primera optimizó la minería de datos enfocada en mantenimiento vehicular y proporcionó una estructura adecuada desde la comprensión del negocio hasta la evaluación del modelo, mientras que Scrum organizó el trabajo en sprints para cada actividad, asegurando una implementación ágil durante el proceso, se integraron herramientas tecnológicas como Django, PostgreSQL y Python, utilizando módulos JSON y la biblioteca Scikit-learn para calcular la precisión del modelo. Al finalizar el desarrollo, la calidad del software fue evaluada mediante pruebas de caja negra y caja blanca. Los resultados algoritmo árbol de decisión alcanzó una exactitud de 99.5%, mientras que redes neuronales alcanzó una exactitud de 73.3%. En conclusión, el sistema web demostró ser un recurso significativo para el mantenimiento de vehículos de transporte pesado, proporcionando datos precisos y útiles para la toma de decisiones.

The main objective of the study was to implement a web-based system based on predictive machine learning algorithms to optimize heavy-duty vehicle maintenance. Specific objectives were also established, such as selecting algorithms capable of predicting numerical data on maintenance issues in the company; then, the technological tools supporting the machine learning techniques necessary to develop the architecture of the predictive web system were identified. The accuracy and validity of the predictive algorithm were then evaluated to confirm the reliability of the information obtained. Finally, the quality of the software was examined based on its usability and functionality. The CRISP-DM methodologies and the Scrum framework were adopted in the development of the system. The first optimized data mining focused on vehicle maintenance and provided an adequate structure from business understanding to model evaluation. Scrum organized the work into sprints for each activity, ensuring agile implementation throughout the process. Technological tools such as Django, PostgreSQL, and Python were integrated, using JSON modules and the Scikit-learn library to calculate model accuracy. At the end of development, the software quality was assessed using black-box and white-box testing. The decision tree algorithm results achieved an accuracy of 99.5%, while the neural networks achieved an accuracy of 73.3%. In conclusion, the web-based system proved to be a significant resource for heavy-duty vehicle maintenance, providing accurate and useful data for decision-making.