Los fallos en la infraestructura hospitalaria tienen consecuencias inestimables debido a que involucra la vida humana, por lo que los riesgos potenciales que contribuyen al fallo de equipos médicos e infraestructura hospitalaria, tienen que ser identificados, reducidos o eliminados; para ello el mantenimiento y su gestión es una herramienta que se enfoca en asegurar el funcionamiento de un equipo. El propósito de este trabajo fue el obtener una valoración cuantitativa de la gestión del mantenimiento en los hospitales del Instituto Ecuatoriano de Seguridad Social de la Zona 3 del Ecuador. La metodología empleada consta de cinco fases, empezando por la selección de criterios de evaluación, ponderación de criterios, desarrollo del instrumento de evaluación, la validación del instrumento aplicándolo a cuatro hospitales de la Zona 3 del Ecuador; finalmente, la identificación de aspectos con bajo desempeño. Los resultados muestran que la gestión de mantenimiento de los hospitales de la Zona 3, alcanzaron una valoración cuantitativa promedio de 55,5/100 puntos. En tres hospitales se evidencian debilidades estructurales que comprometen el logro de los objetivos del departamento de mantenimiento, pero existen procesos viables que pueden ser implantados para superar las deficiencias e incrementar el nivel de cumplimiento de las exigencias. Se concluye que la planificación, programación y control del mantenimiento es el criterio con más potencial para mejorar.

The control of nonlinear systems poses significant challenges due to their inherent complexities, limiting the effectiveness of traditional control strategies. This paper presents an improved fuzzy identification and control method for nonlinear industrial systems, using Takagi-Sugeno fuzzy inference to model nonlinear dynamics as an interpolation of multiple linear subsystems. A key improvement of this approach lies in the accurate identification of the nonlinear model, which leads to fewer control system failures. The research contribution is the development of a control strategy that enhances system reliability while simplifying implementation. The method involves minimizing a cost function that optimizes the system’s output error, refining the fuzzy identification process for dynamic adaptation to varying operating conditions. The strategy also enables the design of linear controllers for each subsystem and applies Parallel Distributed Compensation (PDC) to regulate the overall nonlinear system. This approach is validated through experimental testing on an aero-pendulum system. The results show that the PDCbased control scheme not only ensures high performance across a wide operational range but also significantly reduces identification errors compared to traditional methods. Given its improved accuracy, reduced complexity, and adaptability, this approach holds significant potential for practical application in industrial environments, where robust and efficient control of nonlinear systems is crucial for operational success.

Los equipos de rotación son equipos que con mucha frecuencia se encuentran instalados en toda planta industrial y los rodamientos son los componentes que con mayor frecuencia fallan. Este motiva a que anticiparse a la ocurrencia del fallo en estos elementos, conlleve benéficamente a la reducción de pérdidas ocasionado por estas averías. En tal virtud, realizar un estudio de revisión sistemática de literatura (LSR), que permita conocer cuáles son los principales problemas que abordan las investigaciones en el campo de predicción de la vida útil remanente en rodamientos, así como identificar cuáles son los modelos de Machine Learning más empleados, resulta relevante. Para el desarrollo de este estudio se aplicó la metodología PRISMA, y el protocolo de Kitchenham para garantizar la confiabilidad de los resultados. Como resultado de la etapa selección de información se identificaron 35 artículos publicados en el periodo de 2018 a 2021, los cuales fueron sometidos a análisis. Se identificaron tres problemas que abordan los diferentes estudios: la extracción de características, la identificación de la etapa de degradación y la implementación de modelos generalizables. Los modelos más empleados corresponden al campo de Deep Learning.

El presente estudio tuvo como propósito determinar los pasos necesarios para la recolección de datos para el cálculo de los indicadores de fiabilidad en las subestaciones eléctricas urbanas y alimentadores primarios urbanos de la Empresa Eléctrica Riobamba S.A. La recolección de datos es el paso fundamental para obtener un análisis correcto de los indicadores, los resultados de los distintos análisis están directamente relacionados con la credibilidad de la información recolectada. Un concepto fundamental es comprender que la fiabilidad de un equipo depende de cómo este fue diseñado y construido, es decir de sus características intrínsecas, una buena operación y mantenimiento de los equipos se verá reflejado en una menor incidencia de los eventos de fallo conservando su fiabilidad original, sin embargo, estos eventos siempre suceden, sea por deficiencias de mantenimiento u operación, errores en el diseño, condiciones ambientales y por el proceso normal de degradación por el uso.

Accurate daily rainfall forecasting is essential for water resource management, flood risk mitigation, and early warning systems in tropical mountain regions. This study systematically compared five univariate forecasting models drawn from three methodological families—one statistical model (ARIMA), two deep learning architectures (Long Short-Term Memory, LSTM; Gated Recurrent Unit, GRU), and two decomposition-based hybrid models (Discrete Wavelet Transform–LSTM, DWT-LSTM; Variational Mode Decomposition–GRU, VMD-GRU)—for one-step-ahead daily rainfall forecasting across 18 meteorological stations in Tungurahua Province, Ecuador, covering the period 2013–2025. Model performance was evaluated using a comprehensive multi-metric framework that combined continuous accuracy metrics (Mean Absolute Error, MAE; Root Mean Square Error, RMSE; Nash-Sutcliffe Efficiency, NSE; Kling-Gupta Efficiency, KGE) and categorical event-detection metrics (Probability of Detection, POD; False Alarm Ratio, FAR; Critical Success Index, CSI) applied at three precipitation thresholds (1 mm, P90, and P95). LSTM achieved the best overall performance for continuous prediction and rainfall-occurrence detection at the 1 mm threshold; GRU delivered comparable skill at lower computational cost, making it a practical alternative for operational applications. Station-level performance rankings varied considerably across the network, reflecting strong hydroclimatic heterogeneity and confirming that spatially uniform single-model forecasting strategies are suboptimal. All evaluated models failed to reliably detect high-intensity (P90) and extreme (P95) rainfall events, producing very low POD and high FAR values. Although ARIMA ranked first in relative terms for extreme-event detection, its absolute skill remained insufficient for operational purposes. Hybrid decomposition models (DWT-LSTM, VMD-GRU) did not outperform the simpler recurrent architectures and frequently produced negative NSE values. These results demonstrate that univariate approaches are adequate for routine daily rainfall forecasting but inadequate for reliable extreme-event prediction, underscoring the critical need for multivariate predictor frameworks, specialized loss functions, and probabilistic approaches in future research.

El análisis de confiabilidad de los sistemas críticos en el sector industrial es una herramienta de gran utilidad para mejorar la toma de decisiones en el departamento de mantenimiento. Generalmente, los métodos de análisis de confiabilidad tradicionales asumen restauraciones de los equipos a su condición original, pero en la práctica esto no sucede, pues generalmente se realizan intervenciones para corregir únicamente la falla que se presenta en ese momento; por este motivo, la presente investigación tuvo como objetivo el desarrollo de una metodología para conocer la confiabilidad actual de activos reparables en donde se ejecutan reparaciones mínimas, y su predicción a 5 años, con el cálculo de la intensidad de fallas y el tiempo medio entre fallas. La muestra se seleccionó a partir de los registros del historial de falla desde enero de 2022 a mayo de 2024 de la planta de soldadura de una ensambladora de vehículos, se realizó un diagrama Jack Knife para priorizar al análisis de los sistemas que más paradas productivas por reparación hayan generado. Se realizó un test de tendencia para determinar el sesgo que tienen los datos históricos y así poder ajustarlos a procesos estocásticos no-homogéneos de Poisson, se utilizó el modelo Crow Amsaa y Log-lineal para seleccionar aquel que mejor se ajuste a los datos y sea capaz de generar pronósticos con el menor error posible. Del estudio realizado, se determinó que los sistemas que más paradas productivas han ocasionado son las soldadoras SP-43 y SP-16, y el JIG MB-10. Para el sistema SP-43, el modelo que generó el menor error para un pronóstico dentro de 5 años fue Crow Amsaa con una estimación de 48 fallas y una falla cada 233 horas de trabajo, mientras que para los sistemas SP-16 y JIG MB-10, el modelo log-lineal presentó el mejor ajuste, pronosticando 19 fallas, una falla cada 987 horas y 22 fallas, una cada 822 horas de operación respectivamente.