In this research, the design and simulation of a heat sink for photovoltaic panels were carried out using aluminum and copper, the most commonly used materials in heat dissipation systems. This heat sink consisted of fins that were tested both perforated and non-perforated to improve heat dissipation efficiency. This research stems from the need to reduce the temperature of photovoltaic panels during operation, as scientific evidence shows that photovoltaic panels experience a decrease in efficiency as the temperature increases, taking as a reference the temperature under standard test conditions. The simulations of photovoltaic panels with aluminum and copper fins, both perforated and non-perforated, followed a rigorous methodology. For validation, the simulation results were compared with field data, yielding a mean absolute percentage error of 1.71%. The findings indicate that copper fins reduced the temperature of the photovoltaic panel by 2.62 K, resulting in a 1.31% increase in efficiency. Similarly, aluminum fins reduced the temperature by 2.10 K, with a 1.05% increase in efficiency. Perforated copper fins achieved a temperature reduction of 3.07 K, increasing efficiency by 1.54%, while perforated aluminum fins reduced the temperature by 2.49 K, contributing to a 1.25% increase in efficiency.

Introducción. Con el auge de la industria 4.0, se están extrayendo de las máquinas y procesos una gran cantidad de datos, los cuales pueden ser analizados mediante enfoques de aprendizaje de máquina, permitiendo una toma de decisiones más confiable dentro del área de mantenimiento; realizar análisis de datos de mantenimiento predictivo se vuelve un verdadero reto para un ser humano debido a la gran cantidad de datos. Objetivo. Por esta razón en el presente estudio, se plantea como objetivo crear un modelo predictivo de aprendizaje de máquina para detectar fallos. Metodología. Para la creación del modelo se utilizó los datos de mantenimiento predictivo ai4i2020 disponibles en el repositorio de Machine Learning de la Universidad de California y el software libre Python. Se probó 4 algoritmos de clasificación, con la finalidad de compararlos en función de las métricas de rendimiento. Resultados. Dando como resultado que SVM es el mejor algoritmo con una exactitud del 98,95% y una precisión de 98,88% (optimizados los hiperparámetros). Conclusiones. Se concluye que el modelo funciona con un elevado rendimiento y una buena generalización de los patrones aprendidos durante el entrenamiento, en datos de prueba o datos no vistos por el algoritmo.

Introducción: Para resolver mochos problemas en el ámbito de la gestión del mantenimiento u la Confiabilidad en Activos Físicos es resuelta mediante el análisis de datos a través de procesos estadísticos, una de estas aplicaciones es la distribución de Weibull. Objetivos: El presente estudio tiene como objetivo citar algunas aplicaciones de la distribución de Weibull y su aplicación en el campo de la fiabilidad. Aplicando la versatilidad de la distribución de Weibull, se presenta el modelo de cálculo de los estimadores de la fiabilidad para equipos reparables y no reparables, para ello utiliza el método de los mínimos cuadrados tomando en cuenta la ecuación bi-paramétrica de Weibull. Metodología: Se utilizo una muestra de 119 fallos de cuarenta grupos electrógenos de la misma marca, se describen claramente los pasos para el cálculo de los parámetros de la distribución con el método de los mínimos cuadrados utilizando el software Excel, se graficaron las funciones de densidad de probabilidad, de probabilidad de fallo acumulado, de supervivencia y de la tasa de fallos instantánea, finalmente se ensayaron varios tiempos de ensayo para las demostraciones las estimaciones futuras de la fiabilidad. Como segunda aplicación de despejo el tiempo de la ecuación de la Fiabilidad R(t) con ello se puede obtener para un determinado modo de fallo el tiempo de frecuencia de cambio de un activo reemplazable después de la ocurrencia de un fallo. La tercera aplicación es la determinación del tercer parámetro de la distribución de Weibull con un método gráfico, para ello se tomó una muestra de 130 fallos, se utilizó inicialmente la agrupación de datos mediante los rangos de clase definidos en un historial de frecuencias, luego se seleccionaron valores aleatorios cercanos a la primera falla para probarlos mediante un contraste de datos entre el ultimo datos de cada rango de clase con cada uno de los datos estimados, al graficarlos se determina cuál de ellos se aproxima de mejor manera a una recta. Resultados: se obtuvieron tres aplicaciones donde de aplica la distribución de Weibull, utilizando diferentes bases de datos para el análisis de cada caso. Conclusiones: La distribución de Weibull es muy adaptable, puede abarcar a otras distribuciones como las distribuciones Exponencial y Normal, además puede trabajar pocos o muchos datos y en base a ella se han desarrollado múltiples aplicaciones en el ámbito de la Fiabilidad

La administración del mantenimiento es vital en los sectores manufacturero, energético y petrolero para mitigar fallas críticas y optimizar la rentabilidad de los activos físicos. En la industria petroquímica y de comunicaciones, se garantiza la continuidad mediante la preservación de la infraestructura técnica y el control sistemático de la degradación. En los sectores de transporte y logística, la gestión sistemática reduce riesgos de accidentes y asegura el cumplimiento de plazos de entrega en las cadenas de suministro globales. Para las empresas de servicios y comercialización, se busca mantener la operatividad constante para salvaguardar la satisfacción del cliente y la rentabilidad institucional. La administración del mantenimiento en infraestructuras de salud y hotelería resulta prioritaria para garantizar la seguridad del usuario y la fiabilidad del equipamiento crítico. Se implementan planes preventivos para evitar pérdidas económicas por indisponibilidad de los activos físicos y asegurar el cumplimiento de las normativas de calidad. El presente trabajo sistematiza los pilares de la gestión de activos físicos mediante un enfoque técnico-científico que integra la planificación estratégica y la programación operativa del mantenimiento. El aporte integral de la obra reside en la vinculación de la trazabilidad documental con indicadores clave de desempeño para optimizar recursos institucionales. Se facilita la toma de decisiones basada en datos, promoviendo la eficiencia técnica y la sostenibilidad económica en ix diversos sectores industriales contemporáneos. Es por estos motivos que en la presente obra se desarrollan los siguientes capítulos. En el primer capítulo, se establecen las bases conceptuales y la terminología técnica fundamental del mantenimiento industrial bajo estándares internacionales como la norma UNE-EN 13306. Se analiza la evolución histórica de la disciplina y el marco normativo nacional que regula las prácticas modernas de gestión de activos físicos. En el segundo capítulo, se examina la estructura organizacional del departamento de mantenimiento, comparando los modelos de gestión centralizada y descentralizada según la complejidad y ubicación de la industria. Se destaca el propósito de la función técnica y la relevancia del factor humano, incluyendo las competencias y motivación para la eficiencia operativa. En el tercer capítulo, se desarrolla la sistematización de los procesos mediante la definición de los niveles de planificación estratégica, táctica y operativa dentro de la organización empresarial. Se detalla el flujo documental necesario, especificando los campos mínimos requeridos en las órdenes de trabajo para asegurar la trazabilidad operativa. En el cuarto capítulo, Se propone una metodología para la codificación técnica y la jerarquización de los activos físicos basada en la taxonomía de la norma ISO 14224 para facilitar el intercambio de datos técnicos. Se integra la arquitectura de centros de costos para permitir una imputación precisa de los gastos y el cálculo del costo del ciclo de vida. En el quinto capítulo, se aborda la planificación del mantenimiento preventivo mediante la definición de tareas, rutinas y frecuencias basadas en unidades operativas de producción. Se explica el cálculo de las métricas de unidades operativas de producción y el diseño de cronogramas sistemáticos que aseguran la preservación funcional de los equipos industriales. Finalmente, en el sexto capítulo, se detalla la programación del mantenimiento, abarcando el cálculo de recursos y la gestión de backlogs para optimizar el uso de la mano de obra. Se presentan los indicadores clave de desempeño (KPI) esenciales, como la disponibilidad y el tiempo medio entre fallas, para la evaluación de la gestión del mantenimiento

El presente estudio tiene como propósito determinar los pasos necesarios para el cálculo de los indicadores de fiabilidad en equipos no reparables, el estudio se lo realizó en una muestra de 250 lámparas de sodio de 100 watios destinadas al alumbrado público. Siendo el tiempo para la falla TTF el parámetro más importante para realizar un análisis de fiabilidad en equipos no reparables, (tiempos desde la instalación del equipo hasta la falla), en este caso los equipos no se pueden reparar, por consiguiente, deben ser reemplazados después del fallo, la recolección óptima de estos datos es fundamental para realizar un análisis correcto de los indicadores de fiabilidad. Se debe buscar cuál de las funciones paramétricas es la que mejor se ajusta a los datos recolectados, para esto es necesario hallar la Función F(t) que representa a la distribución paramétrica tiempo acumulado hasta la falla y compararla con la función no paramétrica o función empírica. Se deben calcular los parámetros de todas las distribuciones hipotéticas seleccionadas con los datos recolectados en este estudio. Para cada distribución se calcula el valor de prueba el que es comparado con el valor crítico de la prueba de ajuste de bondad de Kolmogorov–Smirnov, definiendo de esta manera si las hipótesis son rechazadas o no, el rechazo significa que el valor de la prueba es mayor que el valor crítico de la prueba, caso contrario las hipótesis son aceptadas y el valor más bajo decide la distribución paramétrica que mejor se ajusta a los datos de la muestra. Una vez seleccionada la distribución se puede estimar los indicadores de la fiabilidad como la función de probabilidad de fallas acumulada F(t), la Función de Supervivencia R(t) y la función de la tasa de fallos conocida también como función de riesgo λ(t). El método proporcionará una herramienta muy útil para el cálculo de la fiabilidad en equipos reparables y su futura evaluación que proporcionará ideas para la toma de decisiones en función de la una mejora continua.