Relación de variables externas y datos técnicos de diagnóstico de máquinas en empresas que contratan servicios de mantenimiento predictivo

Abstract

Este artículo analiza la influencia de variables externas sobre el comportamiento de máquinas rotativas en una planta de manufactura de empaques que contrata servicios de mantenimiento predictivo. Para ello, se integraron cuatro años de registros de condición vibracional y diagnóstico técnico de 413 máquinas (3708 mediciones en 157 días) con series de temperatura ambiente y del entorno productivo sectorial. La investigación adopta un enfoque cuantitativo, longitudinal y correlacional, e incluye técnicas de imputación de datos mediante Random Forest y modelos de regresión logística para estimar la probabilidad de estados anómalos. Los resultados muestran que la temperatura ambiente y el nivel de actividad industrial se asocian de manera significativa con la prevalencia de diagnósticos de pronta atención y urgencia, evidenciando que las condiciones externas modulan el riesgo operativo de los activos. A partir de estos hallazgos, se propone un sistema de indicadores exógenos e internos y un diseño de tablero de control en Power BI que permite formular recomendaciones prescriptivas sobre programación de turnos y priorización de mantenimiento. El estudio aporta evidencia empírica de campo sobre el valor de integrar variables externas y datos técnicos de diagnóstico en la toma de decisiones de mantenimiento predictivo en la industria de empaques.

This article analyzes the influence of external variables on the behavior of rotating machinery in a packaging manufacturing plant that contracts predictive maintenance services. To this end, four years of condition monitoring and diagnostic records from 413 machines (3708 measurements across 157 days) were integrated with ambient temperature and sectoral production time series. The study follows a quantitative, longitudinal, correlational design and incorporates data imputation using Random Forest and logistic regression models to estimate the probability of anomalous machine states. The results show that ambient temperature and industrial activity levels are significantly associated with the prevalence of warning and urgent diagnoses, indicating that external conditions modulate the operational risk of assets. Based on these findings, the paper proposes a system of exogenous and internal indicators, together with a Power BI dashboard design, to support prescriptive recommendations for shift scheduling and maintenance prioritization. The study provides field-based empirical evidence of the value of integrating external variables and technical diagnostic data into predictive maintenance decision-making in the packaging manufacturing industry.