Machine Translated by Google

Ciencias
Aplicadas

Artículo

El uso de métodos de inteligencia artificial para

evaluar la eficacia del concepto de mantenimiento Lean
Implementación en Empresas Manufactureras
1 2
Katarzyna Antosz , Lukasz Pasko y Arkadiusz Gola 3,*
1
Departamento de Procesos de Fabricación e Ingeniería de Producción, Facultad de Ingeniería Mecánica y
Aeronáutica, Universidad Tecnológica de Rzeszow, Al. Powsta ´nców Warszawy 8, 35-959 Rzeszów,
Polonia; [email protected] Departamento de Informática, Facultad de Ingeniería Mecánica y Aeronáutica,
2
Universidad Tecnológica de Rzeszow, Al. Powsta ´nców Warszawy 8, 35-959 Rzeszów, Polonia;
[email protected] Departamento de Informatización y Robotización de la Producción, Facultad de Ingeniería
Mecánica, Universidad Tecnológica de Lublin, ul. Nadbystrzycka 36, 20-618 Lublin, Polonia
3

* Correspondencia: [email protected]

Recibido: 19 de octubre de 2020; Aceptado: 6 de noviembre de 2020; Publicado: 8 noviembre 2020

Resumen: El aumento del rendimiento y la eficacia de los procesos de mantenimiento es un objetivo continuo
de las empresas productivas. Se enfatiza la eliminación de fallas inesperadas, que generan costos excesivos y
pérdidas de producción. Los elementos que influyen en la eficiencia del mantenimiento no son solo la elección
de una estrategia de conservación adecuada, sino también el uso de métodos y herramientas apropiados para
apoyar la toma de decisiones en esta área. El problema de investigación, que se consideró en el artículo, es un
medio insuficiente para evaluar el grado de implementación del mantenimiento esbelto. Este problema redunda
no sólo en la posibilidad de lograr una alta eficiencia de las máquinas explotadas, sino que, ante todo, influye en
un proceso de decisión y en la formulación de la política de mantenimiento de una empresa. El propósito de
este artículo es presentar la posibilidad de utilizar sistemas inteligentes para apoyar los procesos de toma de
decisiones en la implementación del concepto de mantenimiento esbelto, que permite aumentar la eficiencia
operativa de la infraestructura técnica de la empresa.
En particular, se utilizaron métodos de inteligencia artificial para buscar relaciones entre actividades específicas
realizadas bajo la implementación del mantenimiento esbelto y los resultados obtenidos. Para el análisis se
utilizaron árboles de decisión y teoría de conjuntos aproximados. Los árboles de decisión se realizaron para el
valor promedio del indicador de efectividad general del equipo (OEE). La teoría del conjunto aproximado se
utilizó para evaluar el grado de utilización de la estrategia de mantenimiento esbelto. Se generaron reglas de
decisión en base a los algoritmos propuestos, utilizando el software RSES, y se evaluó su corrección.

Palabras clave: proceso de toma de decisiones; mantenimiento esbelto; eficacia; árboles de decisión; teoría del conjunto aproximado

1. Introducción

Obtener la confiabilidad y calidad apropiadas de los productos requiere métodos adecuados de

gestión empresarial, producción y los medios necesarios para su implementación [1]. Estos métodos
permiten la coordinación e integración de todas las funciones de la empresa [2]. Uno de los elementos que
afectan la alta calidad de un producto es la condición de las máquinas tecnológicas mantenidas en las empresas [3–5].
Su idoneidad y estado técnico determinan en gran medida la calidad y competitividad de un producto.
La gestión del mantenimiento es un tema crítico entre las actividades de gestión de las organizaciones
de fabricación [6–8]. Por ello, en los últimos años se han realizado intensos esfuerzos para proponer y

aplicación ciencia 2020, 10, 7922; doi:10.3390/app10217922 www.mdpi.com/journal/applsci

Machine Translated by Google

aplicación ciencia 2020, 10, 7922 2 de 23

mejorar las estrategias de mantenimiento que apunten a extender la vida útil de cada equipo existente, aumentar su
disponibilidad y garantizar mayores niveles de confiabilidad [9–11].
En las últimas décadas, el mantenimiento se consideraba un mal necesario en la gestión de una organización, porque
se limitaba a las funciones propias que se suelen realizar en situaciones de emergencia, como la falla de una máquina. Sin
embargo, esta práctica ya no es aceptable, porque el papel del mantenimiento ha sido reconocido como un elemento
estratégico de generación de ingresos para la organización [1].
El proceso de mantenimiento en las empresas no siempre se llevó a cabo de manera que garantice la
minimización de los desembolsos y la maximización de los efectos logrados en los procesos de servicio y mantenimiento.
En la práctica, obtener los máximos beneficios de la operación de un sistema de máquina tecnológica requiere una solución
óptima para una serie de tareas [12,13]. Para un mayor número de máquinas, crea la necesidad de modelado de sistemas
apropiados, investigación de simulación y optimización de tareas parciales y complejas basadas en los criterios de
optimización adoptados [14]. Por ello, la empresa debe establecer un sistema de mantenimiento que permita realizar estas
actividades de forma óptima desde el punto de vista de la provisión de recursos y su eficacia [15]. Estas actividades
generalmente se realizan de acuerdo con una estrategia de explotación específica que se ha desarrollado con el desarrollo
de los sistemas de producción. La mayoría de las empresas con capital extranjero lograron organizar un mantenimiento
efectivo [16]. Sin embargo, las pequeñas y medianas empresas aún buscan el método adecuado para su reorganización,
así como la forma adecuada de supervisión de máquinas y equipos tecnológicos que permitan mejorar la eficacia y utilizarlos
en un proceso de fabricación. Es por eso que algunas organizaciones han comenzado a implementar métodos y herramientas
lean en el área de mantenimiento definida como mantenimiento lean [17]. El mantenimiento esbelto es una estrategia de
mantenimiento proactivo cuyo objetivo principal es respaldar la confiabilidad de la manera más efectiva y rentable posible, lo
que significa mantener los costos al mínimo y garantizar una alta eficiencia y productividad. Esta filosofía se basa
principalmente en el concepto de mantenimiento productivo total (TPM), cuya idea es involucrar a todos los empleados en
todos los niveles de la organización en las tareas de mantenimiento y gestión [18].

Este artículo presenta las posibilidades del uso de sistemas inteligentes para apoyar los procesos de toma
de decisiones en la implementación del concepto de mantenimiento esbelto. El objetivo del artículo es indicar los
métodos y herramientas de mantenimiento esbelto, que tienen el mayor impacto en el aumento de la eficacia de
la empresa. Los resultados de la investigación obtenidos indican qué métodos y herramientas de mantenimiento
lean deben implementarse en la empresa en primer lugar para aumentar la eficiencia, la calidad y la disponibilidad
de sus procesos de producción. Este problema es particularmente importante desde el punto de vista de las
pequeñas y medianas empresas, que no siempre cuentan con los recursos humanos o financieros adecuados para
implementar conceptos modernos en una amplia gama. La metodología utilizada en el trabajo se basa en el uso
de métodos de inteligencia artificial (árboles de decisión, teoría de conjuntos aproximados), lo que permite
identificar los factores que influyen en la efectividad de la implementación del mantenimiento lean por parte de las
empresas. El segundo capítulo del artículo contiene los antecedentes. La sección 3 describe la formulación del
problema y la metodología. La Sección 4 presenta los resultados de la investigación sobre el uso del indicador de
efectividad general del equipo (OEE) en las empresas y el concepto de usar métodos de inteligencia artificial (IA)
para evaluar la efectividad de la implementación del concepto de mantenimiento esbelto. El trabajo se resume con
conclusiones y una propuesta de trabajo futuro.

2. Revisión de la literatura

2.1. Manufactura Esbelta como la Base del Mantenimiento Esbelto

La industria global en el siglo XXI motiva a las empresas a buscar e implementar un sistema productivo más
competitivo. Muchos de ellos implementan o planean implementar manufactura esbelta. La filosofía de producción ajustada
se utiliza principalmente en la industria para aumentar la eficiencia y la productividad. Fue desarrollado en la década de
1990 y se basa principalmente en el Sistema de Producción Toyota (TPS) [19].
La base de este concepto es la eliminación de pérdidas innecesarias que tienen un impacto significativo
en la productividad y las ganancias. Estas pérdidas se pueden dividir en tres tipos principales: Muda, Mura y Muri.
Machine Translated by Google

aplicación ciencia 2020, 10, 7922 3 de 23

Muda identifica siete tipos de desperdicio, que incluyen transporte, suministros, movimiento redundante, espera, sobreproducción,
sobreprocesamiento y defectos. Mura significa desnivel, falta de uniformidad e irregularidad y es la razón de la existencia de
cualquiera de los siete desechos. Finalmente, Muri significa sobrecargar, más allá del poder de uno, excesivo, imposible o
irrazonable y puede resultar de Mura y, en algunos casos, puede ser causado por la eliminación excesiva de Muda del proceso
[20–22].
La producción con la filosofía de manufactura esbelta debe consistir en reducir la cantidad de pérdidas relacionadas con
personas, inventario, tiempo de comercialización y espacio de producción, de manera de obtener una demanda altamente reactiva
a las necesidades del cliente, al mismo tiempo que se producen productos de alta calidad en las condiciones más eficientes. y
rentable [23]. La manufactura esbelta puede ser un mecanismo de reducción de costos y, si se implementa correctamente, la
convertirá en una organización de clase mundial [24] y, lo que es más importante, la manufactura esbelta se puede utilizar en
todas las industrias [19,25].
Muchas organizaciones se han embarcado en la práctica de utilizar “herramientas ajustadas” principalmente para
eliminar la producción desperdiciada. Es ampliamente reconocido que las organizaciones que han aplicado métodos de
manufactura esbelta tienen ventajas significativas en costos y calidad sobre aquellas que continúan usando la
manufactura tradicional [23]. Resulta que las organizaciones prestan cada vez más atención al mantenimiento, razón
por la cual algunas organizaciones han comenzado a practicar el mantenimiento ajustado además de la fabricación
ajustada.
El mantenimiento esbelto es un concepto que implementa actividades destinadas a aumentar la eficacia de la infraestructura
técnica. Estas actividades están relacionadas con la eliminación de pérdidas en el mantenimiento, tales como [18,19]:

• Obras improductivas—ejecución de obras que no aumentan la confiabilidad del

infraestructura técnica;

• Retrasos en la ejecución de obras—a la espera de la disponibilidad de infraestructura técnica en

para realizar acciones preventivas;
• Movimientos innecesarios: viajes innecesarios a las tiendas con piezas de repuesto y en busca de las piezas requeridas.
herramientas para hacer el trabajo;

• Gestión de inventario deficiente: falta de tener una cantidad adecuada de piezas de repuesto necesarias en un
tiempo específico;
• Reelaboración: repetición de tareas debido a la mala calidad del desempeño;
• Uso insuficiente de los recursos—uso inadecuado de los recursos disponibles y habilidades de los equipos de mantenimiento;
• Mal uso de la máquina: mal funcionamiento o estrategias operativas intencionales que conducen a trabajos de mantenimiento.
eso no necesita ser realizado;
• Gestión de datos ineficaz: recopilar datos que son inútiles y no aquellos que son importantes.

Durán et al. [26] muestran la conexión entre las fuentes de desperdicio en la manufactura esbelta y
mantenimiento esbelto (Tabla 1).

Tabla 1. Relaciones entre fuentes de desperdicio en manufactura esbelta y mantenimiento esbelto.

Residuos en el transporte de material Residuos en Lean Maintenance

Lean Manufacturing Transporte de repuestos y herramientas
Implementación de actividades de mantenimiento no
fabricación de bienes no requeridos
requeridas (sobremantenimiento) La espera
espera entre operaciones o en el curso de una operación entre acciones o procedimientos de mantenimiento
existencias de materiales sobre el Exceso de existencias de repuestos
procesamiento de productos no Actividades de mantenimiento excesivas o
conformes demasiado frecuentes Reelaboración

La eliminación del desperdicio se lleva a cabo con mayor frecuencia mediante la implementación de herramientas
lean como 5S, trabajo estandarizado, Kaizen, Poka-Yoke y mapeo de flujo de valor (VSM) [27,28]. Se aplican más
comúnmente para hacer que los procesos de producción sean más efectivos y para reducir el tiempo de entrega o el costo de
Machine Translated by Google

aplicación ciencia 2020, 10, 7922 4 de 23

producción, pero también se pueden aplicar para operaciones de mantenimiento. Como ejemplos más comunes de
aplicación de herramientas lean en el área de mantenimiento, se pueden distinguir la implementación del trabajo
estandarizado para los operadores de mantenimiento, el sistema Andon para iniciar el mantenimiento correctivo, o el uso de
VSM para identificar y eliminar desperdicios en las operaciones de mantenimiento [29]. Sin embargo, los elementos
fundamentales de la filosofía lean y el mantenimiento productivo total (TPM) deben implementarse antes de la aplicación de
tales herramientas específicas [30].

2.2. Sistemas de apoyo a la decisión en la gestión del mantenimiento

El problema de apoyar los procesos de decisión en la gestión del mantenimiento ha sido el tema de muchos estudios
durante más de una docena de años. Bashiri, Badri y Hejazi [31] y Zhaoyang, Jianfeng, Zongzhi, Jianhu y Weifeng [32]
destacaron el papel del mantenimiento basado en riesgos en el proceso de gestión del mantenimiento. Cruz y Rincón
señalan que el proceso de mantenimiento está en riesgo por fallas en los equipos [33]. Rinaldi, Portillo, Khalid, Henriques,
Thies, Gato y Johanning enfatizaron la importancia de la confiabilidad cuantitativa, la disponibilidad y la mantenibilidad en
las primeras etapas de diseño [34].
Además, Wang, Furst, Cohen, Keil, Ridgway y Stiefel predijeron el riesgo de falla del equipo utilizando el método de Monte
Carlo [35], mientras que en trabajos posteriores propusieron enfoques para monitorear las interrupciones y el riesgo
utilizando ontologías y sistemas multiagente [ 36].
Taghipour, Banjevic y Jardine propusieron un método para identificar y priorizar dispositivos críticos para mitigar fallas
funcionales [37]. Li, Parikh, He, Qian et al. incorporó técnicas de aprendizaje automático en el proceso de predicción de
fallas, teniendo en cuenta el análisis de datos históricos y en tiempo real [38].
Jamshidi, Rahimi, Aitkadi y Ruiz utilizaron modos de falla difusos y análisis de efectos para priorizar la operación de
maquinaria, equipo y clasificación [39], mientras que Carnero y Gomez sugirieron el uso de un modelo multicriterio para
aumentar la eficiencia del sistema. proceso de mantenimiento [40].
Zeineb, Malek, Ahmand Ikram y Faouzi, teniendo en cuenta el costo total de propiedad, utilizaron el método Analytic
Hierarchy Process (AHP) para establecer un programa de mantenimiento óptimo apropiado [41]. Además, el proceso de
jerarquía analítica difusa para realizar tareas de diagnóstico y prescripción fue discutido por Duran, Capaldo y Duran Acevedo
[27].
Lin, Yuan y Tovilla utilizan un modelo de cadena de Markov continua en un modelo de decisión
estocástica que combina la eficacia de las actividades de mantenimiento y los cambios naturales en el estado [42].
ÿ

Jasiulewicz-Kaczmarek y Zywica utilizan el cuadro de mando integral difuso no aditivo y el cuadro de mando integral en el
proceso de mantenimiento [43]. En [44], los autores propusieron un modelo de cuadro de mando que permite monitorear el
proceso de mantenimiento en una empresa. Finalmente, Kosicka, Gola y Pawlak [45] también enfatizaron la importancia de
las tecnologías de TI modernas en el proceso de toma de decisiones de mantenimiento .
Aunque la literatura sobre el tema presenta muchas soluciones que apoyan la toma de decisiones en la
gestión del mantenimiento, no se presentan sistemas inteligentes que se dediquen a apoyar la implementación
del concepto de mantenimiento esbelto. Por el momento, Antosz, Pasko y Gola presentaron algunos
resultados limitados durante el 13.° taller de la IFAC sobre sistemas de fabricación inteligente (Oshawa, ON,
Canadá) [46]. Esto explica por qué el problema de investigación que se consideró en el artículo es un medio
insuficiente para evaluar el grado de implementación del mantenimiento esbelto. Este problema redunda no
sólo en la posibilidad de lograr una alta eficiencia de las máquinas explotadas, sino que, ante todo, influye en
un proceso de decisión y en la formulación de la política de mantenimiento de una empresa. En el contexto
del trabajo realizado, se presentó la metodología de evaluación del mantenimiento esbelto.

3. La Metodología de Trabajo

La investigación se llevó a cabo en dos etapas. La primera etapa del estudio consideró la recopilación
de información sobre los sistemas de gestión técnica de la infraestructura, en particular, los métodos y
herramientas de mantenimiento esbelto, así como la capacidad de identificar los factores que afectan la
eficiencia de su aplicación. Esta etapa en detalle incluye:

• Identificación del grado de uso de métodos y herramientas específicas del mantenimiento esbelto
concepto en empresas manufactureras;
Machine Translated by Google
aplicación ciencia 2020, 10, x PARA REVISIÓN POR PARES 5 de 25

herramientas de mantenimiento esbelto, así como la capacidad de identificar los factores que afectan la eficiencia de su
aplicación ciencia 2020, 5 de 23
aplicación. Esta10, 7922
etapa en detalle incluye:
• Identificación del grado de uso de métodos y herramientas específicas del concepto de mantenimiento esbelto en
empresas
implementando manufactureras; • Identificación de los resultados obtenidos por las empresas productivas que están
el lean
• Identificación de los resultados obtenidos por las empresas productivas que están implementando el concepto de
mantenimiento;
esbelto; •concepto de mantenimiento
Identificación de los factores que inciden en los resultados obtenidos tras la implantación del lean
• Identificaciónesbelto
de los factores que afectan los resultados obtenidos después de la implementación del concepto de
mantenimiento en las empresas;
concepto de mantenimiento en las empresas;
• Indicación de la relación entre las actividades realizadas como parte de la implementación de
• Indicación de la relación entre las actividades realizadas como parte de la implementación de
el concepto de mantenimiento esbelto y los resultados obtenidos.
el concepto de mantenimiento esbelto y los resultados obtenidos.
La metodología de trabajo detallada se presenta en la Figura 1.
La metodología de trabajo detallada se presenta en la Figura 1.

Figura
Figura 1.
1. La
La metodología de trabajo
metodología de trabajodetallada
detalladadedelalainvestigación.
investigación.

Los
Losestudios
estudios sese llevaron
llevaron a caboaen
cabo en 150 manufactureras
150 empresas empresas manufactureras en Podkarpackie
en Podkarpackie Voivodship Voivodship
(Polonia). Se utilizaron
métodos de investigación
(Polonia). tanto cualitativos
Se utilizaron métodos como cuantitativos
de investigación para analizar
tanto cualitativos los resultados.
como cuantitativos para analizar los resultados obtenidos.
Adicionalmente, un análisis estadístico con la prueba de chi cuadrado de los
obtenido. Adicionalmente, un análisis estadístico con la prueba de chi cuadrado resultados
de losobtenidos nos
resultados permitió permitió identificar
obtenidos
losnos
factores queidentificar
permite influyen en
loslafactores
efectividad de la implementación
que influyen del de
en la efectividad mantenimiento esbelto.
la implementación delEn el segundo esbelto. En la fase
mantenimiento
de En
estudio, se propuso
la segunda el concepto
fase del depropuso
estudio, se utilizar métodos de inteligencia
el concepto artificial
de usar métodos de(IA) para
inteligencia artificial (IA) para evaluar la efectividad
de para
la implementación del concepto
evaluar la efectividad de mantenimiento
de la implementación delesbelto.
concepto de mantenimiento esbelto.
deSe utilizaron artificial
inteligencia métodosparade inteligencia artificialentre
buscar la relación para actividades
buscar la relación entre actividades específicas Se utilizaron métodos
específicas
en llevado a cabo
el marco de la bajo la implementación
implementación del mantenimiento
del mantenimiento esbeltoesbelto y los resultados
y los resultados obtenidos.
obtenidos. árbolesÁrboles de decisión
de decisión y realizados
y la del
teoría teoría de conjuntos
conjunto aproximados
aproximado se utilizaron
que se utilizó para el para el análisis.
análisis. Se realizaron
Se realizaron árbolesárboles de decisión
de decisión para la para la variable
variable de la
de la media
valor medio del indicador OEE. Los árboles de decisión permitieron generar reglas de decisión que
indicador OEE. Los árboles de decisión permitieron la generación de reglas de decisión que pueden ser la pueden valorizar el

lasser la base para

direcciones y losdeterminar
efectos delas direccioneselymantenimiento
implementar los efectos de esbelto
implementar
en la el mantenimiento esbelto en la base para determinar
fabricación
empresas manufactureras. Se utilizó la teoría del conjunto aproximado para evaluar el grado de las empresas esbeltas. Se
utilizó la teoría del conjunto aproximado para evaluar el grado de mantenimiento lean
uso del concepto de mantenimiento.
uso del concepto.

4. La evaluación del concepto de efectividad del mantenimiento Lean en las empresas 4. La

evaluación del concepto de efectividad del mantenimiento Lean en las empresas

4.1.
4.1. UsoUso
deldel Indicador
indicador OEEOEE
en en Empresas—Resultados
empresas: del Estudio
resultados del estudio

El objetivo de la primera etapa de la investigación fue recopilar información sobre el uso del mantenimiento lean El
objetivo de la primera etapa de la investigación fue recopilar información sobre el uso del mantenimiento lean
métodos y herramientas en empresas, como mantenimiento productivo total (TPM), intercambio de un minuto métodos y
herramientas en empresas, como mantenimiento productivo total (TPM), intercambio de un minuto
de matriz (SMED), 5S e indicador OEE. La investigación, que se llevó a cabo en dos etapas, etapa I—in of die (SMED), 5S e
indicador OEE. La investigación, que se llevó a cabo en dos etapas, etapa
2010–2014 y etapa II en 2014–2017, cubrieron 150 empresas de producción en Podkarpackie I—en 2010–2014 y etapa II en
2014–2017, cubrieron 150 empresas de producción en Podkarpackie
Voivodato. Para la clasificación de las empresas encuestadas se tuvieron en cuenta los siguientes criterios: Voivodato. Para la
clasificación de las empresas encuestadas se tuvieron en cuenta los siguientes criterios:
tamaño de la organización, producción, tipo, industria, tipo de propiedad, su capital, la empresa tamaño de la organización,
producción, tipo, industria, tipo de propiedad, su capital, la empresa
condición y el tipo de máquinas que posee. Entre las empresas analizadas, se encontraban aquellas
que realizaban varios tipos de producción u operaban en varias industrias. Entre los analizados
empresas, el grupo más grande fueron las grandes empresas (etapa I: 46%, etapa II: 52%). El siguiente grupo eran
medianas empresas (etapa I: 27%, etapa II: 32%). Entre las empresas encuestadas, las de
 6 de 25
Machine Translated by Google
aplicación ciencia 2020, 10, x PARA REVISIÓN
6 de 25
POR PARES Aplic. ciencia 2020, 10, x PARA

REVISIÓN POR PARES condición y el tipo de máquinas que posee. Entre las empresas analizadas, se encuentran las que acondicionan y el
tipovarias
en de máquinas que
industrias. poseen.
Entre Entre las empresas
los analizados realizabananalizadas,
varios tipossedeencontraban
producción aquellas queen
u operaban realizaban varios tipos
varias industrias. delas
Entre producción
empresasu analizadas,
operaban
el grupo más grande fueron las grandes empresas (etapa I: 46%, etapa II: 52%). El siguiente grupo eran 6 de 23
aplicación ciencia 2020, 10, 7922
empresas,
eran el grupoempresas
las medianas más grande fueron
(etapa las grandes
I: 27%, etapa II:empresas (etapa
32%). Entre I: 46%, etapa
las empresas II: 52%). Ellas
encuestadas, siguiente grupo
de medianas
empresas (etapa
procesamiento deI:metales
27%, etapa II: I:32%).
(etapa 22,77Entre las empresas
%, etapa encuestadas,
II: 22,41 %), dominaron
seguidas por las de lalas de la industria
industria de
de procesamiento
de metales
procesamiento
industria de
deaviación
(etapa metales (etapa
I: 23,76%,(etapa I:I: 22,77
etapa 22,77%, %, etapa
II: 24,14%)etapa II: 22,41%),
II: 22,41automotriz
e industria %),seguida
seguida de la
por
(etapa laI:aviación
aviación
18,81%, dominó
etapa II:la20,69%)
industriaindustria
de
(etapaetapa
(Figura
23,76%, I:2).
23,76%,
La etapa yII:eran
mayoría
II: 24,14%) la24,14%)
empresas
industria eautomotriz
industria automotriz
privadas
(etapa(etapa ( etapa I:etapa
I: 94%,
I: 18,81%, 18,81%,
II: II:etapa
etapa 98%)II:con
20,69%)
capitalindustria
polaco(etapa
(etapaI:
I:(Figura
20,69%) 2). LaII:2).
44%,(Figura
etapa mayoría
2%) eranextranjero
Lao mayoría
capital empresas privadas
eran empresas (etapa(etapa
privadas
mayoritario (etapa I:I:44%,
94%,I:etapa
etapa II: 98%)
94%,II:etapa
25%) II: con
98%)
(Gráficocapital polaco ( etapa
con empresas
3). polacas
I: 44%, etapa II: 2%) o capital extranjero mayoritario (etapa I: 44%, etapa II: 25%) (Gráfico
3). capital (etapa I: 44%, etapa II: 2%) o capital extranjero mayoritario (etapa I: 44%, etapa II: 25%) (Gráfico 3).

Figura 2. Estructura de las empresas de investigación encuestadas—tipo de industria.

Figura 2.2.Estructura
Figura Estructurade
delas
lasempresas
empresas de
de investigación encuestadas—tipode
investigación encuestadas—tipo deindustria.
industria.

Figura 3.3.Estructura
Figura Estructurade
delas
lasempresas
empresas de
de investigación encuestadas:propiedad
investigación encuestadas: propiedady ycapital.
capital.
Figura 3. Estructura de las empresas de investigación encuestadas: propiedad y capital.
La producción unitaria dominó entre las empresas encuestadas (etapa I: 28,44%, etapa II: 28%) y
La producción unitaria predominó entre las empresas encuestadas (etapa I: 28,44 %, etapa II: 28 %) y
producción
producciónLa de lotes
producción
de bajos
lotes y medios,
unitaria
bajos y medios, respectivamente,
predominó (etapa
entre las empresas
respectivamente, I:encuestadas
(etapa 24,77 %, %,
I: 24,77 etapa II: 24
(etapa
etapa %)
II:I: 24 y (etapa
28,44
%) I: 21,10
y%,(etapa
etapa 28%).
I:II:21,10
%) %,
y %,
%).
estadio II: 28%) (Figura 7 de
25 lotes
aplicación
etapa II: bajos
28 %) y(Figura
ciencia 2020, 10,medios4).
x PARA deestadio
REVISIÓNproducción,
POR PARES 4). respectivamente,
II: 28%) (Figura 4). (etapa I: 24,77 %, etapa II: 24 %) y (etapa I: 21,10 %,

Figura 4. Estructura de las empresas de investigación encuestadas—tipo de producción.

Figura 4. Estructura de las empresas de investigación encuestadas—tipo de producción.

Para la investigación se utilizó un método de encuesta. Los cuestionarios diseñados permitieron obtener
los datos de la misma forma de todos los encuestados que los realizaron de forma independiente. La encuesta
incluyó a los representantes de la gerencia media y alta, así como a los trabajadores directamente responsables
del proceso de supervisión de máquinas y dispositivos tecnológicos y los operadores de máquinas elegidos. los
Machine Translated by Google

aplicación ciencia 2020, 10, 7922 7 de 23

Figura 4. Estructura de las empresas de investigación encuestadas—tipo de producción.

Para la investigación se utilizó un método de encuesta. Los cuestionarios diseñados nos permitieron obtener
Para la investigación se utilizó un método de encuesta. Los cuestionarios diseñados nos permitieron obtener los
datos de la misma forma de todos los encuestados que los realizaron de forma independiente. La encuesta incluyó
datos en la misma forma de todos los encuestados que los hicieron de forma independiente. La encuesta incluyó a los
representantes de la gerencia media y alta, así como a los trabajadores directamente responsables de
representantes de la dirección media y alta, así como los trabajadores directamente responsables del proceso de
supervisión de máquinas y dispositivos tecnológicos y los operadores de máquinas elegidos.
proceso de supervisión de máquinas y dispositivos tecnológicos y los operadores de máquinas elegidos. La encuesta se
realizó en formasederealizó
La encuesta preguntas cerradas
en forma conjuntivas,
de preguntas que incluían
cerradas una lista
conjuntivas, quede los una lista de las respuestas preparadas,
incluían
preparadas
Respuestas y proporcionadas
proporcionadasporporadelantado
adelantadopresentadas
presentadasaaun
unencuestado
encuestadocon
conun
unítem de respuesta
elemento múltiple
de respuesta en en el
múltiple
que se puede elegir más de una opción. Además, se podrían dar otras respuestas si fueran
más de una opción podría ser elegida. Además, se podrían dar otras respuestas si no estuvieran entre las opciones
proporcionadas.
las opciones proporcionadas.
Dentro
Dentrode
de la
la encuesta realizada,
encuesta realizada, la identificación
la identificación de lasde las medidas
medidas utilizadas
utilizadas para la efectividad
para la evaluación de la eficacia de los
métodos y herramientas de LM implementados, así como los beneficios de su uso notados por
Se analizó minuciosamente la evaluación de los métodos y herramientas de LM implementados, así como los beneficios
deempresas
su uso notados
fueronpor las empresas.
analizadas Recopilar laLainformación
minuciosamente. sobre
recopilación los tipos desobre
de información medidas utilizadas
los tipos para utilizadas para la
de medidas
evaluación de lade
la evaluación eficacia de lade
la eficacia operación de lade
la operación máquina fue elfue
la máquina área de los
el área deestudios realizados.
los estudios la OEE
realizados. El indicador indicador
OEE es una
es una de las
de las medidas
medidas recomendadas
recomendadas enliteratura.
en la la literatura. Al evaluar
Al evaluar la eficacia de las
la efectividad la máquinas poseídas y la
delimplementación
método TPM, este
del método
parámetro
TPM,
es este
crucial.
parámetro
Sin embargo,
es crucial. Sin embargo, como las máquinas poseídas y la implementación
los estudios
objetivo queestudios,
como muestran los no siempre
no se usa [47,48].
siempre El indicador
se utiliza [47,48]. ElOEE fue una
indicador OEEde fue
las una
principales áreas de estudio.
de las principales El estudio.
áreas de
fuedeinvestigar
los estudios
si elfue investigar
indicador OEE si se
el indicador
calculó enOEE se calculóyen
las empresas las empresas
cómo su valor y cómo su valor El objetivo de los estudios
el cambió después
valor cambió de la implementación
después del método
de la implementación TPM. TPM.
del método
La Figura
Figura 5 muestra
5 muestra que
que la la mayoría
mayoría de lasdeempresas
las empresas analizadas
analizadas aún
aún no no aplica
aplica el indicador
el indicador OEE OEE (etapa
(etapa II: II: La
60,38%,
(etapa estadio
60,38%, I: 73,96%).
etapa Solo
I: 73,96%). un pequeño
Solo porcentaje
un pequeño de las
porcentaje empresas
de las utilizan
empresas esteeste
utilizan indicador para
indicador todas
para las las
todas máquinas
máquinas.
II: 7,55%, estadio I: 5,21%).
(estadio II: 7,55%, estadio I: 5,21%).

Figura 5. ¿Se calcula el indicador de efectividad general del equipo (OEE)?—resultados del estudio.
Figura 5. ¿Se calcula el indicador de efectividad general del equipo (OEE)?—resultados del estudio.

La Figura 6 muestra el tamaño de las empresas donde no se utiliza este indicador. La segunda etapa de la
estudios indican que el indicador es el que más no se utiliza en las medianas empresas (etapa I:
7,55%, estadio II: 5,21%). Sin embargo, su uso aumentó significativamente en las microempresas (etapa I: 10,26%,
estadio II: 5,88%).
Además, el hecho de que este indicador no se utilice con mayor frecuencia en las empresas con producción unitaria
(etapa I: 29,49%, etapa II: 29,41%) así como con producción de lotes medianos (etapa I: 23,08%, etapa II:
29,41%) fue identificado. Su uso aumentó significativamente en la producción en masa (etapa I: 8,97%, etapa II: 2,94%).
Además, el indicador no se usa con mayor frecuencia en las empresas de aviación, procesamiento de metales,
e industrias automotrices. Sin embargo, todas las empresas de la industria alimentaria que participaron en la
segunda etapa de los estudios declaró su aplicación. Un tema crucial durante los estudios realizados
fue obtener la información sobre la tasa de cálculo del indicador OEE. La tasa de obtención
dicha información es fundamental, ya que los valores del indicador OEE nos informan de manera continua sobre
productividad de las máquinas poseídas. Si la información se recopila con muy poca frecuencia, una reacción rápida
no será posible en los casos en que disminuya el uso de máquinas.
 8 de 25
Machine Translated by Google
aplicación ciencia 2020, 10, x PARA REVISIÓN POR PARES

La Figura 6 muestra el tamaño de las empresas donde no se utiliza este indicador. La segunda etapa de los estudios indica que el
indicador es el que más no se utiliza en las medianas empresas (etapa I: 7,55%, etapa II: 5,21%). Sin embargo, su uso aumentó
significativamente en las microempresas (etapa I: 10,26%, Appl. Sci. 2020, 10, 7922 etapa II: 5,88%). 8 de 23

Figura
Figura6.6.ElElporcentaje
porcentajede
deempresas
empresasque
queno
no utilizan
utilizan el
el indicador el tamaño
indicador OEE: el tamaño de
dela
laempresa.
empresa.

Los estudios
Además, realizados
el hecho muestran
de que este indicadorque enutiliza
no se muchas empresas
con mayor el indicador
frecuencia OEE con
en las empresas se calcula una vez al
mes de producción
unitaria
(etapa(etapa I: 26,09%,
I: 29,49%, etapaetapa II: 25,00%).
II: 29,41%) Sin con
así como embargo, cada vez
producción con más
de lotes frecuencia,
medios (etapa I: el indicador
23,08%, OEE
etapa II: es
calculada una vez
por29,41%)
turno—el
fueaumento de más
identificado. Su del
uso17%, menos
aumentó una vez al día—la
significativamente en disminución
la produccióndeenmás del(etapa
masa 16%. I: 8,97%, etapa II: Los
resultados obtenidoselmuestran
2,94%). Además, indicadorque lasusa
no se grandes empresas
con mayor calculan
frecuencia enellas
valor OEE una
empresas de vez por turno
aviación, con mayor
medianas frecuencia,
empresas de metal
procesamiento
una y la industria
vez al mes, pequeñas automotriz. Sin
y microempresas embargo,
una vez a latodas las empresas
semana. La tasa dede la industria alimentaria que participaron en
cálculo
la segunda
difiere etapa de losenestudios
significativamente el caso declararon
de máquinassu convencionales
aplicación. Una ycuestión crucial
numéricas durante de
(la mayoría la realización
las veces del indicador no
losestudios fuedel
resultados obtener la información
estudio sobre
de las etapas I y II,lalatasa
tasade
decálculo
cálculodel indicador OEE. La tasa de una vez por turno). Comparando
cambió
desde
la obtención
una vez de
al mes
dicha
hasta
información
una vezes
a la
fundamental,
semana parayalas
quemáquinas
los valores
calificadas
del indicador
comoOEE
“otras”.
nos informan en forma continua
baselossobre la productividad
estudios de la
realizados fue lasrecopilación
máquinas poseídas. Si la información
de la información, se recopila
que consideró muy pocas veces, Otro elemento de
el valor
no seráOEE.
indicador posible
Suuna pronta
valor reacción en
es importante, los casos
porque en que disminuya
nos permite el uso de máquinas.
realizar inicialmente un análisis del
general
Los estudios realizados muestran que en muchas empresas el indicador
de las máquinas poseídas. El valor superior al 85% se considera como el nivel mundial. OEE se calcula una vez de la efectividad

esmes (etapa
el valor I: 26,09%,
de este etapa
indicador II: 25,00%).
[49]. Sinlos
Analizando embargo, cada
resultados vez con se
obtenidos, más frecuencia,
afirmó el indicador
que el número OEE
de empresas
calculado
16%. una vez
que declaró un por turno:
valor el aumento
promedio de másOEE
del indicador del 17%,
en elcon
nivelmenos frecuencia
de 50–70% una
(etapa vez al día,
I: 18.18%, la disminución
etapa II: de más del
Los resultados obtenidos muestran que las grandes empresas calculan el valor OEE una vez por turno con mayor
frecuencia, 33,33 %) y al nivel de 30–50 % (etapa I: 9,09 %, etapa II: 25,00 %) aumentó significativamente. En la etapa II de
medianas empresas una vez al mes, pequeñas y microempresas una vez a la semana. La tasa de cálculo de los estudios,
ninguna de las empresas analizadas declaró los valores de OEE por debajo del 30%. El OEE más alto
el indicador no difiere significativamente en el caso de máquinas convencionales y numéricas (la mayoría de las veces se
obtienen valores de indicador de más del 70% en grandes empresas para máquinas numéricas, en la aviación
una vez por turno). Comparando los resultados del estudio de las etapas I y II, la tasa de cálculo cambió y la industria
automotriz con capital extranjero importante. Los valores más bajos del indicador OEE, por debajo del 30%,
de una vez al mes a una vez a la semana para las máquinas calificadas como “otras”. se
obtienen en pequeñas empresas para las máquinas descritas como "otras", en la industria de procesamiento de metales
Otro elemento de los estudios realizados fue la recopilación de información, que consideró el capital polaco.
valor del indicador OEE. Su valor es importante, porque nos permite realizar inicialmente un análisis general de la eficacia
deIdentificación
4.2. las máquinasde poseídas.
FactoresElque
valorInfluyen
superiorenalla85% se considera
Eficacia como el valor ade
de la Implementación nivel mundial de este
Mantenimiento indicador [49].
Esbelto
Analizando los resultados obtenidos, se afirmó que el número de El objetivo de esta etapa fue identificar los factores que
influyenque
empresas en declararon
el valor de OEE en promedio del indicador OEE en el nivel de 50–70% (etapa I: 18,18%, empresas
un valor
analizadas. Para losyanálisis
etapa II: 33,33%) al nivel proporcionados,
de 30–50% (etapa se I:utilizó
9,09%,la prueba
etapa II:estadística de chi-cuadrado.
25,00%) aumentó Los siguientes
significativamente. se propusieron
hipótesis cero (H0), lo que significa que no hay una diferencia significativa
En la etapa II de los estudios, ninguna de las empresas analizadas declaró los valores de OEE por debajo del 30%. en las
soluciones utilizadas
Los valores en empresas
más altos particulares
del indicador OEE de máse hipótesis
del 70%alternativas
se obtienen H1,
enya que hay
grandes una diferencia
empresas en
para máquinas numéricas,
lasen
soluciones utilizadas
la industria en empresas
aeronáutica particulares.
y automotriz con importante capital extranjero. Los valores más bajos del indicador OEE. Estas
hipótesis se pueden escribir como
por debajo del 30%, se obtienen en pequeñas empresas para las máquinas descritas como "otras", en la industria de
procesamiento de metales con capital polaco.
H0 = p1 = p2 = p3 = . . . . . . = pn (1)
4.2. Identificación de Factores que Influyen en la Efectividad de la Implementación de Mantenimiento
Esbelto y
(H1) = p1 , p2 , p3 , . . . . . . , pn (2)

El p-valor obtenido decidió si aceptar o rechazar H0, y por lo tanto aceptar el

Hipótesis alternativa H1. Si:
Machine Translated by Google

aplicación ciencia 2020, 10, 7922 9 de 23

1. Valor p < 0,05: se rechaza H0; por tanto, se acepta la Hipótesis alternativa H1.
2. Valor p ÿ 0,05: se acepta H0.

En la tabla 2 se muestran las hipótesis de investigación planteadas para los valores del indicador OEE así como la
valores de p obtenidos.

Tabla 2. Hipótesis de investigación: los efectos obtenidos para la implementación del mantenimiento esbelto
métodos y herramientas.

Hipótesis valor p
Hipótesis OEE
Número
No hay diferencia en los valores de las medidas obtenidas en las empresas 0.588
Hipótesis 1 de diferentes tamaños

No hay diferencia en los valores de las medidas obtenidas en las empresas

Hipótesis 2 de diferentes tipos de producción (SB: lotes pequeños, UP: producción unitaria, 0.316
MB: lote mediano, LB: lote grande, MP: producción en masa)

No hay diferencia en los valores de las medidas obtenidas en las empresas 0.041
Hipótesis 3 de diferentes industrias

No hay diferencia en los valores de las medidas obtenidas en las empresas 0.048
Hipótesis 4
de distinta titularidad

No hay diferencia en los valores de las medidas obtenidas en las empresas 0.967
Hipótesis 5 en diferentes condiciones

No hay diferencia en los valores de las medidas obtenidas en las empresas 0.235
Hipótesis 6
de diferente capital

No hay diferencia en los valores de las medidas obtenidas en las empresas 0.339
Hipótesis 7
con diferentes tipos de máquinas propias

No hay diferencia en los valores de las medidas obtenidas en las empresas 0.422
Hipótesis 8
que están implementando el método 5S

No hay diferencia en los valores de las medidas obtenidas en las empresas 0.535
Hipótesis 9
que están implementando el método SMED

No hay diferencia en los valores de las medidas obtenidas en las empresas 0.348
Hipótesis 10
que usan Kanban para repuestos

No hay diferencia en los valores de las medidas obtenidas en las empresas 0.854
Hipótesis 11
con diferentes formas de supervisión

No hay diferencia en los valores de las medidas obtenidas en las empresas 0.305
Hipótesis 12
con diferentes tipos de supervisión

No hay diferencia en los valores de las medidas obtenidas en las empresas 0.025
Hipótesis 13
con diferente tiempo medio de reparación

No hay diferencia en los valores de las medidas obtenidas en las empresas 0.707
Hipótesis 14
con un número diferente de acciones que evitan tiempos de inactividad no planificados

Para las Hipótesis 3 y 4 analizadas, existe una diferencia validada estadísticamente en el valor de
el indicador OEE (valor p OEE = 0.041 y OEE = 0.048—Hipótesis H0 rechazada, Hipótesis H1
aceptado). Significa que, en las empresas estudiadas, el valor de OEE depende del tipo de propiedad
y la industria empresarial. En el caso de la Hipótesis 13 en cuestión, también hay una estadística validada
diferencia en el valor del indicador OEE (p-valor OEE = 0.025, p-valor LA = 0.005—Hipótesis H0
rechazada, hipótesis H1 aceptada). Significa que, en las empresas estudiadas, el valor de OEE depende
en el tiempo medio de reparación. Los resultados detallados de los estudios obtenidos se presentaron en el trabajo [50].
Sobre esta base, se extrajeron las siguientes conclusiones: los factores que influyen en el uso de lean
los métodos y herramientas de mantenimiento son, por ejemplo, propiedad de la industria y del capital. el presentado
análisis nos permitió destacar las actividades reales realizadas en la gestión de los
infraestructura y problemas existentes, y, por tanto, la posibilidad de identificar factores que aumentan la
eficiencia del mantenimiento esbelto. Cabe señalar que los estudios a menudo mostraron que los factores individuales
Machine Translated by Google

aplicación ciencia 2020, 10, 7922 10 de 23

no tienen un impacto significativo en las áreas de estudio, aunque su interacción con otros factores puede
tener un impacto sustancial en el área analizada. Sin embargo, el problema es que analizar un proceso con
muchas variables es muy difícil. Por lo tanto, en la segunda etapa del estudio, se propuso el concepto de
utilizar métodos de inteligencia artificial (IA) para evaluar la efectividad de la implementación del concepto de
mantenimiento esbelto .

5. Sistema Inteligente de Apoyo a la Toma de Decisiones en la Gestión del Mantenimiento Lean

5.1. Selección de variables de decisión en el proceso de evaluación

Para evaluar la efectividad de las herramientas de mantenimiento lean, se identificaron los factores que
influyen en la variable dependiente. En la investigación sobre la evaluación de la efectividad de las herramientas
de mantenimiento lean, se determinó una variable dependiente y 19 variables explicativas (predictores). En la
investigación realizada se asumió una variable dependiente: el valor medio del indicador OEE.
Debido a la gran variedad (combinación) de opciones de respuesta, se introdujeron tres indicadores
adicionales en las empresas encuestadas: indicador de estrategia de mantenimiento (MSI), indicador de
número de actividades preventivas (NPA) y número de actividades de TPM (NTPMA). El número NPA es el
número de acciones para evitar el tiempo de inactividad no planificado, calculado como el valor total de las
acciones realizadas simultáneamente por la empresa. Durante el proceso de encuesta (recopilación de datos),
la empresa podría elegir varias actividades de las siguientes:

1. Implementación del servicio autónomo (por parte del operador).

2. Implementación de mantenimiento preventivo.
3. Actividades de previsión basadas en el estado de las máquinas (p. ej., análisis de vibraciones).
4. Capacitación adicional del operador.
5. Capacitación adicional de los empleados del servicio de mantenimiento.
6. Equipar los servicios de mantenimiento con instrumentos especializados (por ejemplo, para medir vibraciones,
para medir el nivel de ruido).
7. Cambio de máquinas por nuevas.
8. Modernización de máquinas.

9. Incrementar el número de empleados de los servicios de mantenimiento.

10. Subcontratación de algunas actividades de mantenimiento a empresas externas.

Dependiendo de cuántas actividades realice la empresa al mismo tiempo, el indicador puede variar de 1 a 10.
Además, durante el proceso de encuesta (recopilación de datos), la empresa podría elegir varias actividades
implementadas como parte de la implementación de el método TPM, recomendado en la literatura sobre el tema, entre
los siguientes:

1. Capacitación de empleados seleccionados.

2. Capacitación de todos los empleados.
3. Implementación en un área piloto seleccionada (posición, línea, etc.).
4. Talleres TPM en el área piloto seleccionada (stand, línea, etc.).
5. Evaluación de las máquinas en cuanto al cumplimiento de los requisitos de seguridad y salud.
6. Evaluación del estado técnico de las máquinas.
7. Identificación de no conformidades en máquinas.

8. Desarrollo del cronograma de inspección.

9. Desarrollo de un cronograma de renovación.
10. Desarrollo del alcance del servicio preventivo (para servicios de mantenimiento).
11. Desarrollo del alcance del servicio autónomo (para el operador).

P11
i=1 xi
NTPMA = ÿ 100% número (3)
máximo de actividades
Machine Translated by Google

aplicación ciencia 2020, 10, 7922 11 de 23

Según el valor obtenido, el indicador tenía cuatro niveles: bajo, medio, alto y muy alto
(Cuadro 3).

Tabla 3. Indicador de niveles de número de actividades TPM (NTPMA).

El valor del indicador NTPMA 0–25% 26–50% 51–75% Más del 75%
Nivel Bajo Medio Alto Muy alto

El último índice desarrollado es el índice MSI. Con este indicador, es posible determinar
qué estrategia de gestión de la infraestructura técnica aplica la empresa. Durante el
estudio (recopilación de datos), la empresa podría elegir varias actividades que definen el realizado
actividades implementadas bajo el mantenimiento correctivo (CM), mantenimiento preventivo (PM),
y estrategias de mantenimiento basado en la condición (CBM). Para definir el índice de posibles variantes
de respuestas, se introdujeron valores numéricos que van del 1 al 7 (Tabla 4). El valor más bajo fue
otorgada a la acción implementada de acuerdo con la estrategia de CM como la estrategia menos efectiva.
Sin embargo, se adoptó la eficiencia más alta (valor 7) para la operación: monitoreo continuo de la
condición de todas las máquinas (por ejemplo, ruido, vibraciones, temperatura) (CBM).

Tabla 4. Estrategia de mantenimiento—actividades realizadas.

Estrategia de mantenimiento—Actividades Valor

realizadas Solo las fallas se eliminan regularmente (CM) 1
Inspecciones durante el período de garantía (PM) 2
Inspecciones programadas por los servicios de mantenimiento (PM) 3
Inspecciones programadas y reparaciones realizadas por los servicios de mantenimiento (PM) 4
Evaluación del estado de la máquina por parte del operador antes de comenzar a trabajar: autónomo 5
mantenimiento (PM)
Monitoreo continuo de la condición de máquinas seleccionadas (p. ej., ruido, vibración, temperatura) (CBM) 6
Supervisión continua del estado de todas las máquinas (p. ej., ruido, vibración, temperatura) (CBM) 7

El valor del indicador MSI se calcula como la suma del valor de las actividades por el número de
actividades implementadas (4).
P.n.
i= 1xi
MSI = (4)
norte

El indicador MSI puede tomar valores de 1 a 7. El valor 1 significa principalmente la estrategia CM,
valor 3.5—estrategia PM, valor 7—estrategia CBM. Cuando el valor de la relación es <3.5, significa que el
implementación de una estrategia mixta, principalmente CM-PM; cuando >3.5, significa la implementación de
principalmente una estrategia mixta PM-CBM. Al mismo tiempo, cuando más cerca del valor de 3,5, PM es el
estrategia imperante. Para asegurar la adecuación del indicador adoptado, las variantes de la estrategia
implementados por las empresas examinadas fueron analizados. Para valores individuales del indicador,
se asignaron las variantes de la estrategia implementada (secuencia de acciones implementadas). La distribución
de variantes de las estrategias implementadas (distribución cercana a la distribución normal) nos permite
confirmar la validez del indicador adoptado (Cuadro 5).

Tabla 5. Los valores del indicador de estrategia de mantenimiento (MSI).

El valor
de MSI 1 1.5 2 2.5 3 3.5 4 4.5 5 5.5 6 6.5 7
Indicador
Más que
Rango 1,00–1,24 1,25–1,74 1,75–2,24 2,25–2,74 2,75–3,24 3,25–3,74 3,75–4,24 4,25–4,74 4,75–5,24 5,25–5,74 5,75–6,24 6,25–6,74
6.75
1 12 13 125 2345 23456 36 456 457 7
14 3 245 457 1367 2567 6 57
Mantenimiento
23 235 236 4 3456 3457
estrategia 235 345 346
(comprendió
12345 245 2457
comportamiento)
15 135 24 35
CM CM—PM PM PM-CBM CBM
Machine Translated by Google

aplicación ciencia 2020, 10, 7922 12 de 23

Para realizar los análisis se utilizó el sistema Statistica Data Miner. Este sistema permite la preparación de datos
en forma de un conjunto de prueba y entrenamiento, una guía intuitiva a través del procedimiento de construcción y
ajuste del modelo, y una visualización clara de los resultados de la prueba.

5.2. Árboles de decisión en la evaluación de la efectividad del mantenimiento Lean

Debido a la naturaleza cualitativa de las variables dependientes, los árboles de decisión de clasificación con el uso de
se utilizó el algoritmo de árboles de clasificación y regresión (CART).
No todas las empresas encuestadas utilizaron las mismas soluciones, métodos y herramientas, por lo que el
criterio principal para seleccionar este método fue su insensibilidad a la ocurrencia de observaciones atípicas, que se
cree que provienen de una población diferente, y la posibilidad de su uso efectivo en conjuntos de datos caracterizados
por numerosas deficiencias en las variables independientes. Además, las siguientes ventajas de los árboles de
clasificación CART determinaron la elección del método:

• Tener en cuenta dependencias no monótonas mediante divisiones sucesivas con respecto a

la misma variable; •
Interpretación simple de los resultados en comparación con otros métodos; •
Idoneidad para las tareas, donde el conocimiento a priori de qué variables se relacionan y cómo se relacionan es
incierto e intuitivo; • No paramétrico y no lineal; • Estimar y clasificar la importancia de predictores individuales
(variables de entrada) en el proceso de dar forma al valor de la variable dependiente;

• Muy útil para temas de clasificación.

El árbol CART para una variable dependiente, un valor medio del indicador OEE, fue diseñado para 24 empresas
del grupo de empresas estudiado, que habían analizado este indicador e implementado el método TPM. Se asumieron
las siguientes variables explicativas (predictores): tamaño de la empresa, tipo de producción, industria, tipo de
propiedad, capital, condición de la empresa, tipo de máquina, implementación de 5S, actividades de 5S, implementación
de SMED, forma de supervisión, estrategia de mantenimiento, acciones emprendidas para prevenir eventos no
planificados . tiempos de inactividad (número de acciones preventivas—NPA), clasificación de máquinas, clasificación
de repuestos, acciones dentro de la implementación de TPM (indicador NTPMA) y tiempo medio de reparación. Al
crear el árbol se supuso lo siguiente: costos iguales de la clasificación incorrecta, coeficiente de Gini, regla de parada
y un criterio de tamaño mínimo en el nodo dividido n ÿ 2, lo que permitirá un análisis detallado de una estructura de
árbol y para 10- doblar la validación cruzada como medida de calidad. Para el análisis se eligió un árbol que consta de
12 nodos divididos y 13 nodos finales.
Para evaluar la calidad del árbol elegido, se realizó su validación para un nuevo conjunto de datos. Se pueden definir
trece reglas de decisión para el árbol creado, que tiene 13 nodos finales. Las reglas de decisión elegidas, para las
cuales se alcanzaron los valores más altos de OEE (más del 85 % y para el rango de 70 a 85 %) con el uso de
métodos y herramientas de mantenimiento lean adicionales, se presentan a continuación. Las reglas de decisión
establecidas sobre la base del árbol de decisión son:

1. Si una empresa representa la industria del procesamiento de metales, la aviación o el papel y la madera,
no ejecuta una supervisión parcial mediante la subcontratación, posee un indicador MSI al nivel de ,4,5 y
realiza una clasificación de máquinas, entonces alcanza un valor promedio de OEE. indicador de más del
85% (nodo 12).
2. Si una empresa representa una industria distinta a la de procesamiento de metales, aviación o papel y madera.
posee un indicador MSI en el nivel de 3,5–5,6 y número NPA > 3, y el tiempo medio de reparación es inferior a 1
h, luego alcanza un valor medio del indicador OEE dentro del rango de 70 a 85 %.

3. Si una empresa representa una industria distinta a la de procesamiento de metales, aviación o papel y madera
y posee un indicador MSI en un nivel diferente al de 3.5–5.6 y un indicador NTPMA en cualquier nivel que no
sea alto, entonces alcanza un valor medio de el indicador OEE dentro del rango de 70 a 85%.
Machine Translated by Google

aplicación ciencia 2020, 10, 7922 13 de 23

4. Si una empresa representa una industria distinta de la metalurgia, la aviación o el papel y la madera,
posee un indicador MSI en cualquier nivel que no sea 3.5–5.6a y un indicador NTPMA en
un alto nivel, y realiza la supervisión por sí solo con el servicio a través de la subcontratación, entonces
alcanza un valor medio del indicador OEE dentro del rango de 70 a 85%.
5. Si una empresa representa una industria distinta de la metalurgia, la aviación o el papel y la madera,
posee un indicador MSI en cualquier nivel que no sea 3.5–5.6 y un indicador NTPMA en un
nivel que no sea alto, y realiza la supervisión de una manera distinta a la propia con el servicio
a través de la subcontratación, entonces alcanza un valor medio del indicador OEE superior al 85%.

Con el fin de evaluar las reglas de toma de decisiones generadas, se llevó a cabo nuevamente una investigación
en 20 empresas seleccionadas al azar. Luego, se diseñó y fabricó un sistema experto (usando
PC-Shell: un shell de sistema experto del software Aitech Sphinx), teniendo en cuenta el generado
reglas de decisión. Luego, se probó la capacidad de clasificación general de las reglas de decisión generadas utilizando
medidas cualitativas. Se usaron dos bloques, aspectos y reglas, para desarrollar la base de conocimiento en
el sistema. El bloque de aspecto se utilizó para declarar los atributos de decisión y sus valores. En el otro
Por otro lado, las variables explicativas colocadas en los nodos del árbol de decisión son los atributos de decisión. Los resultados
de inferencia del sistema fueron representados por el atributo de resultado (atributo de destino). Finalmente, el valor de la
El atributo recibido "Valor OEE" se presenta en una ventana separada. El análisis de calidad consistió en
desarrollar matrices binarias de errores de clasificadores determinados para las clases que aparecen con mayor frecuencia
en los estudios realizados. En las matrices binarias desarrolladas (matrices de confusión) (Tabla 6), la clase
analizada en un momento particular se asumió como positiva, mientras que las clases restantes se trataron
como negativo.

Tabla 6. Matriz de confusión.

Clases previstas
Clases reales
Positivo Negativo
Positivo TP (Verdadero positivo) FN (Falso negativo)

Negativo FP (Falso positivo) TN (Verdadero negativo)

Las tablas 7 y 8 presentan matrices de confusión para el clasificador: el valor de OEE para los dos
clases más emergentes: 30–50% y 70–85%.

Tabla 7. Matriz de confusión para el valor clasificador del indicador OEE—clase 30–50%.

Clases previstas
Clases reales
Positivo Negativo
Positivo 7 0

Negativo 0 13

Tabla 8. Matriz de confusión para el valor clasificador del indicador OEE: clase 70–85%.

Clases previstas
Clases reales
Positivo Negativo
Positivo 5 1

Negativo 2 12

Con base en la matriz de confusión, se pueden designar los indicadores numéricos presentados en la Tabla 9 .
En detalle, estos indicadores han sido presentados y discutidos, entre otros, en los trabajos [51–53].
Machine Translated by Google

aplicación ciencia 2020, 10, 7922 14 de 23

Tabla 9. Indicadores utilizados para probar la calidad de los clasificadores [54].

Indicador Designacion Fórmula

cuenta Cuenta =
TP+TN
Precisión TP+TN+FP+FN
Errar Tasa de error general error = FP+FN
TP+TN+FP+FN
TP
TPR Tasa de verdaderos positivos TPR =
TP + FN
TNR Tasa de verdaderos negativos TRN = Tennesse

TN+FP
TP
PPV Valor predictivo positivo VPP =
TP+FP
VAN Valor predictivo negativo VAN = Tennesse

TN+FN
FP
FPR Tasa de falsos positivos FPR = = 1 ÿ TRN
FP+TN
FP
FDR Tasa de descubrimiento falso FDR =
FP+PT
FN
FNR Tasa de falsos negativos FNR = = 1 ÿ TRP
TP + FN
TP×TNÿFP×FN
MCC Coeficiente de correlación de Matthew MCC =
ÿ (TP+FN)(TP+FP)(FN+TN)(FP+TN)
F1 2×PPV×TPR
Puntuación F1 F1 =
VPP+TPR

j Estadístico J de Youden J = TPR + TNR ÿ 1

Sobre la base de las matrices binarias desarrolladas, para cada una de ellas, los valores de los doce indicadores
que muestran la calidad de los clasificadores. La Tabla 10 presenta los resultados para los destacados
clases clasificadoras.

Tabla 10. Indicadores utilizados para probar la calidad de los clasificadores.

Indicadores Cuenta TPR TNR PPV VPN MCC F1 j Err FPR FDR FNR

Marcado 30–50 % 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 0,00 0,00 0,00 0,00
Clasificador: un promedio
valor OEE clase 70–85 % 0,85 0,83 0,86 0,71 0,92 0,66 0,77 0,69 0,15 0,67 0,29 0,17

El indicador obtenido valora la evaluación de una medida de clasificación, por ejemplo, de un error (Err) en el
nivel de 0,00 y 0,15, demostró alta utilidad de los clasificadores desarrollados, y por lo tanto, su posibilidad
para ser aplicado por las empresas manufactureras para la evaluación efectiva del mantenimiento esbelto
implementación de métodos y herramientas.

5.3. La teoría de conjuntos aproximados para respaldar la evaluación de mantenimiento Lean

La teoría de conjuntos aproximados es una de las ramas de exploración de datos de más rápido crecimiento. Eso permite
para una aproximación formal a todos los fenómenos relacionados con el procesamiento del conocimiento, por lo que se utiliza como
una metodología en el proceso de descubrimiento de conocimiento a partir de datos. En particular, se puede utilizar para
probar la imprecisión e incertidumbre en el proceso de análisis de datos. Permite encontrar la relación.
entre variables explicativas (atributos condicionales) y variables explicadas (atributos de decisión),
lo que facilita apoyar la toma de decisiones basadas en datos. También se utiliza para reducir la dimensionalidad,
consistente en eliminar del conjunto de datos aquellas variables explicativas que no afectan significativamente a la
variables explicadas. El conocimiento derivado de los datos basados en la teoría de conjuntos aproximados se registra en el
forma de reglas de decisión [55]. Se pueden encontrar detalles sobre la descripción formal de la teoría de conjuntos aproximados,
entre otros, en el trabajo [56]. A menudo, el propósito del sistema de toma de decisiones basado en conjuntos aproximados
es buscar reglas ocultas, y por tanto implícitas, que no han funcionado bien durante la selección
realizada por un experto (o expertos) [55–57]. Los conjuntos aproximados se utilizan para procesar los llamados no claros.
datos con el uso de reglas de inferencia entendidas intuitivamente. Se pueden usar para buscar objetos ocultos.
dependencias en los datos de entrada, incluido el apoyo a la decisión en el alcance de los casos que se pueden describir con
atributos discretos.
Machine Translated by Google

aplicación ciencia 2020, 10, 7922 15 de 23

En este artículo, se utilizó la teoría del conjunto aproximado para evaluar el grado de uso del mantenimiento ajustado. Se utilizó
el mismo conjunto de datos de entrada para la evaluación que en los árboles de decisión. Debido a la presencia de los llamados datos
incompletos, el uso de conjuntos aproximados mejoró la precisión de la solución. Se utilizaron varios tipos de algoritmos para interferir
con las reglas.
El uso de la teoría de conjuntos aproximados y, por lo tanto, datos incompletos, aumentó el número de empresas
analizadas de 24 incluidas en los árboles de decisión a 34. Otras 10 empresas analizadas se caracterizaron por un
conjunto de variables, para las cuales al menos una variable no tenía un valor específico (sin respuesta). Mediante el
uso de tablas de decisión en la teoría de conjuntos aproximados, es posible incluir más datos al generar reglas. Esto
permite la identificación de nuevas dependencias entre las variables.
Para hacer la evaluación, se validaron las reglas. Para generar reglas de decisión sobre la base de la teoría de
conjuntos aproximados, se utilizó el software Rough Set Exploration System (RSES). El software fue desarrollado en
el Instituto de Matemáticas de la Universidad de Varsovia.
El software RSES permite generar reglas de decisión por medio de cuatro algoritmos: algoritmo exhaustivo ,
algoritmo genético, algoritmo de cobertura y módulo de aprendizaje a partir de ejemplos versión 2 (LEM2). Fueron
descritos en los trabajos [57,58]. Además, el software contiene una serie de otras opciones que, por ejemplo, asignan
reducciones para un sistema informático determinado. Un reducto es un conjunto de atributos de R, donde R ÿ A, que
permite diferenciar pares de objetos en un sistema informático, y al mismo tiempo, ningún otro subconjunto propio de
R posee esta propiedad. Las reducciones se calculan con un algoritmo exhaustivo o genético. Sobre la base de las
reducciones asignadas, también es posible crear reglas de decisión.

Para cada una de las clases de decisión, el software RSES calcula tres indicadores, que indican la calidad de la
clasificación:

• Precisión: la proporción de objetos correctamente clasificados de una clase dada a todos los objetos pertenecientes a
esta clase;
• Cobertura: la proporción de los objetos clasificados en una clase dada con reglas de decisión para todos los objetos
perteneciente a esta clase;
• Tasa de verdaderos positivos: la proporción de los objetos correctamente clasificados de una clase dada a todos los objetos
que fueron clasificados en esta clase.

La precisión y la cobertura también se calculan conjuntamente para todas las clases de decisión (para todo el conjunto de reglas).
Las reglas de decisión para la variable descrita "un valor promedio de OEE" se generaron por medio de los cuatro
algoritmos disponibles en RSES. El esquema del estudio realizado se muestra en la Figura 7. El símbolo OEE designa una tabla
de decisión que contiene 34 objetos estudiados (empresas). Cada objeto se describe mediante 17 variables explicativas: tamaño
de la empresa, tipo de producción, industria, tipo de propiedad, capital, acciones realizadas para evitar tiempos de inactividad no
planificados (número NPA: indicador MSI), categoría de máquina , categoría de repuestos, acciones en la implementación de
TPM ( indicador NTPMA) y el tiempo medio de reparación. La variable descrita “un valor promedio de OEE” desempeñó en el
estudio el papel de un atributo de decisión . Los símbolos restantes en el esquema se describen en la Tabla 11.

Al formular las reglas de decisión, los parámetros de los algoritmos genéticos y de cobertura se eligieron de tal
manera que la precisión y la cobertura del conjunto creado fueran iguales a 1. La Tabla 12 incluye la información sobre
una serie de reglas en cada uno de los cuatro conjuntos de normas. Para cada una de las reglas, se calcula una
coincidencia de reglas. Es igual al número de objetos del conjunto de aprendizaje y coincide con el precursor de la regla.
 se describe mediante 17 variables explicativas: un tamaño de empresa, tipo de producción, industria, propiedad El símbolo OEE
Machine Translated
designa bytabla
una Google
explicativas: el de decisión
tamaño que
de la contieneel34
empresa, objetos
tipo estudiados
de producción, la (empresas). Cada
industria, el tipo deobjeto se describe
propiedad, mediante
el capital, 17 variables
las acciones realizadas
para evitar tiempos de inactividad no planificados (Número NPA: indicador MSI), se describe mediante 17 variables explicativas:
el tamaño de la (Número
planificadas empresa,NPA—indicador
el tipo de producción
MSI),,categoría
industria, de
tipomáquina,
de propiedad, capital,
categoría acciones emprendidas
de repuestos, para
acciones en la evitar paradasdel
implementación no
TPM (indicador NTPMA) y tipo, capital, acciones emprendidas para evitar paradas no planificadas (número NPA—indicador MSI),
categoría de máquina,
reparación. categoría
La variable de“un
descrita repuestos, acciones
valor promedio deen la implementación
OEE” del TPM
jugó en el estudio (indicador
el papel NTPMA)
de categoría y tiempo medio
de máquina, de de
categoría
repuestos, acciones en la implementación de TPM (indicador NTPMA) y tiempo medio de reparación. La variable descrita “un
valor promedioendelaOEE”
describen Tabladesempeñó
11. en el estudio el papel de un atributo de decisión. Los símbolos restantes en el esquema se
aplicación ciencia 2020, 16 de 23
reparación.
10, 7922Launvariable
atributodescrita
de decisión.
“un valor
Los promedio
símbolos restantes
de OEE” desempeñó
del esquemaenseeldescriben
estudio elen
papel
la Tabla
de un11.
atributo
tiempodemedio
decisión.
de Los símbolos
restantes en el esquema se describen en la Tabla 11.

Figura 7. El esquema para la variable explicada “un valor promedio de OEE”.

Figura 7. El esquema para la variable explicada “un valor promedio de OEE”.
Figura
Figura7.7.ElEl
esquema parapara
esquema la variable explicada
la variable “un valor“un
explicada promedio de OEE”. de OEE”.
valor promedio
Tabla 11. Descripción del esquema de estudio (Figura 3).
Tabla 11. Descripción del esquema de estudio (Figura 3).
Tabla 11. Descripción del esquema de estudio (Figura 3).
Símbolo Nombre del símbolo Tabla 11. Descripción
Descripción Símbolo delNombre
esquema delde estudioDescripción
símbolo (Figura 3).
Símbolo Nombre del símbolo Descripción
Símbolo Nombre delOEE_ExhAlg
símbolo Un conjunto OEE_ExhAlg
Descripción de reglas de decisión
Un conjuntogeneradas
de reglascondeun algoritmo exhaustivo.
decisión generadas
OEE_ExhAlg Un con un algoritmo
conjunto de reglasexhaustivo.
de decisión generadas con un algoritmo exhaustivo.
OEE_ExhAlg
OEE_GenAlg Un conjunto de Un
Un conjunto
conjunto
reglas
Unde conjunto
reglas
de reglas
de decisión
dede reglas
decisión
de decisión
generadas
de decisión
generadas
generadas
concon
un algoritmo
generadas
con
con
un algoritmo
un algoritmo exhaustivo
exhaustivo.
un algoritmo exhaustivo
exhaustivo
OEE_GenAlg
OEE_GenAlg trabajando en modo exacto con un tamaño de población igual a 10.
Un conjunto decon
modo reglas
exacto de
con decisión
un generadas
tamaño de con
población
un tamaño de población igual a 10. un algoritmo
igual a 10. exhaustivo
trabajando trabajando
en en
modo exacto
OEE_GenAlg Un conjunto de reglas de decisión generadas con un algoritmo de cobertura que trabaja en modo
OEE_CovAlg Un conjuntoUn exacto con
deconjuntoun
reglas de tamaño
dedecisión de
reglas de población igual
decisión generadas
generadas a 10. con unde
con un algoritmo algoritmo
coberturadecon
cobertura con
OEE_CovAlg
OEE_CovAlg el parámetro de cobertura igual a 0.0001. el parámetro de cobertura igual
Un conjunto de reglas de decisiónde
a 0.0001.
parámetro generadas
coberturacon unaalgoritmo
igual 0.0001. de cobertura con el
OEE_CovAlg Un conjunto de reglas de decisión generadas con el algoritmo LEM2 con el parámetro de
OEE_LEM2 Un conjuntoUn deconjunto
reglas decobertura
reglas igual
dedecisión de a 0.0001.
decisión
generadas generadas
con con elLEM2
el algoritmo algoritmo
con elLEM2 con el
OEE_LEM2
OEE_LEM2 parámetro de cobertura igual a 1. parámetro de cobertura igual a 1.
Un conjunto de reglas de decisiónparámetro generadas con eligual
de cobertura algoritmo
a 1. LEM2 con el
OEE_LEM2
Una
de matriz dequeconfusión
incluye que incluye los de
resultados de ladeclasificación elaborada con un conjunto de Una matriz
Unaconfusión
matriz de confusión los resultados
que laparámetro
clasificación
incluye los resultados elaborada con
cobertura igual
de la clasificación un conjunto
a 1.
elaborados con de
un reglas
conjunto del que parte
la flecha del esquema/diagrama. La clasificación se realiza en el
reglas desde las cuales conduce la flecha en el esquema/diagrama. La clasificación se realiza Una matriz de
confusión
flecha enqueelincluye los resultadosLa
esquema/diagrama. declasificación
la clasificación elaborados
se realiza conde
objetos unlaconjunto
tabla dede reglas OEE.
decisión de las que deriva la
en los objetos de la tabla de decisión OEE. en los
cuales conduce la flecha en el esquema/diagrama.
objetos de la tabla de Ladecisión
clasificación
OEE.sereglas
realiza
desde
sobrelaslos objetos de la tabla de
decisión OEE.
Tabla 12. El número de reglas en cada uno de los conjuntos creados para la variable descrita “un valor promedio de OEE”.

Nombre de un conjunto de reglas Número de reglas

OEE_ExhALg 2606
OEE_GenAlg 325
OEE_CovAlg 55
OEE_LEM2 21

Cada uno de los cuatro conjuntos de reglas se utilizó para la clasificación de los datos de la tabla de decisiones OEE.
La clasificación se logró mediante un método de votación estándar. La forma de tal votación es como
siguiente: cada una de las reglas generadas determina el valor de una variable descrita para el
objeto (una empresa). El valor de coincidencia calculado de reglas particulares se trata durante la votación como
una importancia: cuanto mayor sea la coincidencia de una regla dada, más importante es su voto. es por eso que
es más influyente en el resultado final de una votación que la votación de la regla con menor coincidencia. Finalmente,
al objeto se le asigna tal valor de una variable explicativa que ganó la votación ponderada.
El resultado de la clasificación se presentó en forma de matriz de confusión. La confusión
matriz que incluye los resultados de la clasificación realizada por el conjunto de reglas generado por un
algoritmo exhaustivo se presentó en la Figura 8. Las filas de la matriz corresponden a las clases de decisión reales
(los valores de la variable descrita). Sin embargo, las columnas de la matriz son el resultado de la clasificación que
fue logrado por las reglas generadas. Los 34 objetos que están en el tablero de decisiones fueron clasificados.
adecuadamente. Se refleja en los valores ubicados únicamente en la diagonal principal de la matriz de confusión. El último
Machine Translated by Google
El resultado de la clasificación se presentó en forma de matriz de confusión. La matriz de confusión que incluye los resultados de la
clasificación realizada por el conjunto de reglas generado por un algoritmo exhaustivo se presentó en la Figura 8. Las filas de la matriz
corresponden a las clases de decisión reales (los valores de la variable descrita). Sin embargo, las columnas de matriz son los resultados de la
clasificación que se logró mediante las reglas generadas. Los 34 objetos que están en el tablero de decisiones fueron Appl. ciencia 2020, 10,

tres
7922columnas
clasificado
decorrectamente.
la figura descrita
Semuestran
refleja enlalos
información
valores ubicados
sobre elúnicamente
número de en
objetos
la diagonal
tres columnas
principalde
delalafigura
matrizdescrita
de confusión.
muestran 17 de 23
Laslaúltimas
información sobre el número de objetos pertenecientes a un

perteneciente a una determinada clase de decisión (nº de obj.), precisión y cobertura. A la última fila de la tabla se le asigna la clase
de decisión (número de objetos), la precisión y la cobertura. La última fila de la tabla es el verdadero positivo.
la tasa de verdaderos positivos calculada para cada clase individualmente. La parte inferior de la ventana presenta la tarifa calculada
para cada clase individualmente. La parte inferior de la ventana presenta el número de todos
el número de todos los objetos estudiados y la precisión y cobertura calculadas para todas las clases de decisión objetos estudiados
y la precisión y cobertura calculadas para todas las clases de decisión en conjunto.
en total.

Figura 8.
Figura 8. Matriz
Matriz de
de confusión
confusión de
de las
las reglas
reglas generadas
generadas por
por un
un algoritmo
algoritmo exhaustivo.
exhaustivo.

También
También sesecrearon
crearon matrices
matrices de confusión
de confusión para
para los los resultados
resultados de la basados
de clasificación clasificación
en losen
tresbase a los de
conjuntos tres restantes
reglas
conjuntosCada
restantes. de reglas. Cadamatrices
una de estas una de incluía
estas los
matrices
mismosincluyó los (precisión
resultados mismos resultados
= 1), como la(precisión = 1), como la matriz
matriz presentada
presentada
en la Figura 4,en
lo la
queFigura
indica 4,
quelono
que
hayindica
erroresque no hay errores
de clasificación de clasificación
también también para otras clasificaciones.
para otras clasificaciones.
Se llevó a cabo la evaluación de las reglas de decisión desarrolladas (árboles de decisión y teoría de conjuntos aproximados)
en lassiguientes
en las siguientes etapas:
etapas: generación
generación de una tablade
deuna tabla
decisión de decisión
y matriz y matriz
de confusión; dedeconfusión;
desarrollo desarrollo
un sistema experto basadode
en un
las reglas
sistema de decisión
experto basadogeneradas;
en las reglasuso de los resultados
de decisión generadas;obtenidos
uso de losdel estudio obtenidos
resultados para probar
del el
estudio para probar la Appl. ciencia 2020,
10, x PARA REVISIÓN POR PARES capacidad de clasificación; uso de los resultados obtenidos del estudio para probar la capacidad 19 de de 25
capacidad de
clasificación clasificación
general de global; uso de los resultados obtenidos del estudio para probar las reglas generales de toma de decisiones
de clasificación utilizando el sistema experto desarrollado; y evaluación cualitativa de los resultados
capacidad de reglas de toma de decisiones utilizando el sistema experto desarrollado; y evaluación cualitativa de los obtenidos
utilizando medidas de calidad de clasificación.
los resultados obtenidos utilizando medidas de calidad de clasificación.
Losresultados
Los resultados deencuestas
de las las encuestas de 20 empresas
de 20 empresas del Voivodatodel
de Voivodato
Podkarpackiede se Podkarpackie se reutilizaron
reutilizaron para validar las reglas depara
toma de decisiones. Entre las empresas analizadas, el grupo más numeroso incluía grandes
validar las reglas de toma de decisiones. Entre las empresas analizadas, el grupo más numeroso incluía grandes empresas (85%)
de la industria
empresas dede
(85%) la la
aviación (50%).
industria de laLa mayoría
aviación de ellos
(50%). eran empresas
La mayoría de ellosprivadas.
eran empresas privadas (95%), con una mayoría de
capital extranjero
(95%), (85%). de
con una mayoría La capital
producción de lotes
extranjero grandes
(85%). (45%) dominó
La producción entre loslotes (45%) dominó entre las empresas encuestadas.
de grandes
En base a los resultados obtenidos, se elaboró una tabla de decisión.
empresas encuestadas. En base a los resultados obtenidos, se elaboró una lo creado
tabla de decisión. La tabla de decisiones creada se
introdujo
Se en el
introdujo la sistema
tabla de RSES. Nos en
decisiones permitió crearRSES.
el sistema una matriz de confusión
Nos permitió crearpara
una el
matriz de confusión para la variable explicativa “un
valor promedio de OEE”. Cobertura máxima calculada para todas las clases
variable explicativa “un valor promedio de OEE”. La cobertura máxima calculada de decisión
para todas las clases de decisión en total que es
igual a 1 y la precisión de 0,30 para la variable explicativa "un valor promedio de OEE" fueron
en total que es igual a 1 y una precisión de 0,30 para la variable explicativa “un valor promedio de OEE” se lograron
utilizando
logra usando ununconjunto
conjunto de reglasgeneradas
de reglas generadas porpor un algoritmo
un algoritmo genético
genético (Figura(Figura
9). 9).

Figura
Figura 9.
9. Matriz
Matriz de
de confusión
confusión de
de las
las reglas
reglas generadas
generadas por
por un
un algoritmo
algoritmo genético.
genético.

Para llevaretapa
siguiente a cabo
de la siguiente se
validación, etapa de validación
desarrolló se desarrolló
un sistema experto. un sistema experto. La decisión Para llevar a cabo la
las reglas
reglas de toma
de toma de decisiones
de decisiones generadas
generadas por por todos
todos los los algoritmos
algoritmos se implementaron
se implementaron enbase
en la la base de conocimiento
de conocimiento queque se creó Las
se creó
para las necesidades del sistema. La base de conocimientos para el sistema experto se desarrolló con el software PC-Shell, que
forma parte de la suite de inteligencia artificial integrada Aitech SPHINX y el software Aitech HybRex.

Para probar la calidad general del clasificador para todos los algoritmos, se usaron matrices de confusión (Tablas 13–16).
Estas matrices se desarrollaron comparando los resultados obtenidos por los
Machine Translated by Google

aplicación ciencia 2020, 10, 7922 18 de 23

fue creado para las necesidades del sistema. La base de conocimientos para el sistema experto se desarrolló con
El software PC-Shell, que forma parte de la suite de inteligencia artificial integrada Aitech SPHINX y Aitech
Software Hybrex.
Para probar la calidad general del clasificador para todos los algoritmos, las matrices de confusión
(Tablas 13-16) . Estas matrices se desarrollaron comparando los resultados obtenidos por el
empresas estudiadas con el resultado generado por el sistema experto desarrollado. La clasificación fue
se llevará a cabo nuevamente de acuerdo con el siguiente método de votación:

• La conformidad del valor de clase real y el valor de clase previsto se consideró como un resultado válido;
• Los casos en que el valor de la clase predicha por un sistema experto fue una clase inferior a la
el valor de clase real se permitió como un resultado válido, por ejemplo, la clase real es un rango de 30–50% y el
valor predicho es 10-30%. En la práctica, esto significa que una empresa puede esperar que las variables proyectadas
estar en un nivel mínimo de 10-30%. Sin embargo, de hecho, puede ser mayor.

Tabla 13. Matriz de confusión de las reglas generadas por un algoritmo exhaustivo.

Predicho
Más bajo que Más que Nº de
30–50 % 50–70 % 70–85 % Cobertura de precisión
30% 85% objeto
Inferior al 30 % 30– 0 0 3 2 0 5 0 1
50 % 50–70 % 0 3 0 1 1 5 0,6 1
70–85 % 0 0 0 1 0 1 0 1
Actual
0 0 0 7 1 8 0,875 1
Más del 85% 0 0 0 0 1 1 1 1
Tasa de verdaderos positivos 0 1 0 0,64 0.33

Tabla 14. Matriz de confusión de las reglas generadas por un algoritmo genético.

Predicho
Más bajo que Más que Nº de
30–50 % 50–70 % 70–85 % Cobertura de precisión
30% 85% objeto
Inferior al 30 % 30– 1 0 0 3 1 5 0.2 1
50 % 50–70 % 0 0 1 2 1 5 0.8
70–85 % 0 0 1 0 0 1 1
Actual
0 0 0 5 3 8 01 1
Más del 85% 0 0 0 0 1 1 0.625 1 1
Tasa de verdaderos positivos 1 0 0.5 0.5 0.17

Tabla 15. Matriz de confusión de las reglas generadas por un algoritmo de cobertura.

Predicho
Más bajo Más que Nº de
30–50 % 50–70 % 70–85 % Cobertura de precisión
del 30% 85% objeto
Inferior al 30 % 30– 1 0 2 1 1 5 0.2 1
50 % 50–70 % 0 1 1 1 2 5 0,2 1
70–85 % 0 0 1 0 0 1 1 1
Actual
3 1 0 3 1 8 0,75 1
Más del 85% 0 0 1 0 0 1 0 1
Tasa de verdaderos positivos 0.25 0.5 0.2 0.6 0

Tabla 16. Matriz de confusión para LEM2—reglas generadas.

Predicho
Más bajo que Más que Nº de
30–50 % 50–70 % 70–85 % Cobertura de precisión
30% 85% objeto
Inferior al 30 % 30– 1 0 0 0 1 5 0.5 0.4
50 % 50–70 % 0 1 0 0 2 5 0,333 0.6
70–85 % 1 0 0 0 0 1 0 1
Actual
2 0 0 3 0 8 0,6 0 0.625
Más del 85% 0 0 0 0 0 1 0
Tasa de verdaderos positivos 0.25 1 0 1 0
Machine Translated by Google

aplicación ciencia 2020, 10, 7922 19 de 23

Al analizar matrices de confusión particulares, debe tenerse en cuenta que los mejores resultados para la mayoría
Se obtuvieron clases comunes (30–50% y 70–85%) del valor de precisión para las reglas generadas por
un algoritmo exhaustivo. El valor de precisión fue de 0,6 y 0,875, respectivamente. Para poder precisar
evaluar la calidad de los clasificadores con base en matrices binarias, los valores de los doce indicadores fueron
calculado para cada una de las matrices según la Tabla 9.

6. Análisis de los Resultados Obtenidos

Para evaluar los resultados obtenidos, los valores de los indicadores utilizados para probar la calidad de
se compararon los clasificadores. En la Tabla 17, una comparación de los valores obtenidos para los modelos adquiridos
con árboles de decisión (DT) y la teoría de conjuntos aproximados (RST). Los indicadores de Acc a J deben
adquirir los valores más altos posibles hasta 1, mientras que los restantes deben adquirir los valores más bajos posibles
valor a 0. El color verde indica aquellos valores del indicador que obtuvieron valores más favorables para
clases particulares. El amarillo, por otro lado, indica que los valores obtenidos para indicadores particulares
eran idénticos.

Tabla 17. Comparación de los valores del indicador obtenidos para probar la calidad de los clasificadores para el
modelos obtenidos con árboles de decisión (DT) y la teoría de conjuntos aproximados (RST).

Clasificador: un valor promedio de OEE

Clase marcada
Indicadores
30–50% 70–85%

PRIMERA PRIMERA
DT DT
LEM2 Exh.Alg. Gen.Alg. Cov.Alg. 0,90 1,00 0,88 LEM2 Exh.Alg. Gen.Alg. Cov.Alg.
cuenta 1,00 0,60 1,00 0,730,90 0,79 0,75 0,85 0,90 0,75 0,58 0,65
TPR 1,00 0,60 0,00 0,20 0,83 1,00 0,88 0,62 0.37
TNR 1,00 1,00 1,00 0,94 0,86 0,86 0,67 0,55 0.83
PPV 1,00 1,00 0,00 0,50 0,71 0,75 0,64 0,50 0,60
VAN 1,00 0,88 0,79 0,78 0,92 1,00 0,89 0,67 0,67
MCC 1,00 0,73 0,00 0,20 0,66 0,80 0,53 0,17 0.24
F1 1.00 0.75 0.75 0.00 0.29 0.77 0.86 0.74 0,56 0.46
j 1.00 0.88 0,60 0.00 0.13 0,69 0.86 0.54 0.17 0.20
Errar 0.00 0.10 0.10 0.21 0.25 0.15 0.10 0.25 0.42 0.35
FPR 0.00 1.00 0.00 0.00 0.20 0,67 1.00 0.80 0,62 0.29
FDR 0.00 0.40 0.00 0.00 0.50 0.29 0.25 0.36 0.50 0.40
FNR 0.00 0.00 0.40 1.00 0.80 0.17 0.00 0.12 0.38 0,62

Leyenda:
- valores del indicador que obtuvieron resultados más favorables,

- valores del indicador que obtuvieron los mismos resultados.

Al analizar los resultados presentados en la tabla, cabe señalar que el primer indicador
(precisión—Acc) muestra que el clasificador desarrollado con DT para la clase 30–50% asigna objetos a
esta clase a la que realmente pertenecen (Acc = 1) con la mayor probabilidad. Por el contrario, el más bajo
El valor de Acc obtenido para el clasificador RST fue un algoritmo genético para la clase 70–85% (Acc = 0,58).
La sensibilidad (TPR) de los clasificadores se presenta de forma ligeramente diferente. La capacidad de detectar la
objetos de la clase resaltada es el más alto para el algoritmo LEM2 para ambas clases resaltadas y para
DT en la clase de 30–50%. La capacidad más baja para un algoritmo genético en la clase de 30 a 50% (TPR = 0,00).
Al analizar la especificidad (TNR), puede ver que, para la clase resaltada de 30 a 50 %, los resultados son
el más alto (TNR = 1.00) para algoritmos DT, exhaustivos y genéticos. La precisión (PPV) es similarmente la
más alto para la clase resaltada de 30–50% para DT y algoritmos exhaustivos (PPV = 1), y el más bajo,
nuevamente, para la clase resaltada de 30–50% para un algoritmo genético. Valor predictivo negativo (NVP),
o la probabilidad de pertenencia del objeto reconocido por un clasificador como no resaltado al
clase real no resaltada, es la más alta en el caso del algoritmo LEM2 para ambas clases resaltadas
Machine Translated by Google

aplicación ciencia 2020, 10, 7922 20 de 23

y DT en la clase de 30-50% (NVP = 1). Es el más bajo para la clase de 70-85% para algoritmos de cobertura y
genéticos (NPV = 0,67).
Los resultados de los valores comparados de la medida del coeficiente de correlación de Matthew (MCC)
(coeficiente de correlación entre clases reales y clases proyectadas por el modelo) indican que el mejor resultado
se logró en la clase de 30–50% para DT (MCC = 1) . El resultado más bajo fue para un algoritmo genético en la
clase de 70-85% (MCC = 0,17). Analizando los resultados obtenidos para F1 ( media armónica de precisión y
sensibilidad de un modelo) y J (suma de sensibilidad y especificidad reducida a 1) para todos los modelos, se
puede observar que el mejor clasificador es DT en la clase de 30-50%, mientras que lo peor es un algoritmo
genético para la misma clase.
Los indicadores restantes deben tomar los valores más bajos posibles. Un error de clasificador general
(Err) es más favorable en caso de usar el clasificador DT para la clase de 30–50% (Err = 0.00), y lo peor para
la clase de 70–85% es un algoritmo genético. El indicador FPR (probabilidad de falsas alarmas, es decir, los
objetos incorrectamente asignados a una clase resaltada, entre todos los objetos realmente no resaltados) y
el indicador FDR (probabilidad de falsas alarmas entre todos los objetos reconocidos por el clasificador como
resaltados) logran el mejores valores para la clase de 30–50% (FPR = 0 y FDR = 0). Sin embargo, los mejores
valores de FNR (la probabilidad de perder los objetos resaltados, es decir, su asignación por parte del
clasificador a la clase no resaltada) también se obtuvieron para la clase del 30-50 % (FNR = 0).

7. Conclusiones

El principal problema de investigación que se consideró en el artículo fue un medio insuficiente para evaluar
el grado de implementación del mantenimiento esbelto. Para encontrar la solución al problema identificado, se
utilizaron métodos de inteligencia artificial como los árboles de decisión y la teoría de conjuntos aproximados.
Al analizar los resultados presentados, cabe señalar que los modelos generados con la teoría de conjuntos aproximados
lograron resultados mucho mejores que en los árboles de decisión. Las reglas de decisión generadas por DT mostraron
mejores valores para todos los indicadores del clasificador para la clase de 30–50%. Sin embargo, se lograron mejores
valores para la clase de 70-85% para RST, principalmente para el algoritmo LEM2. El número de reglas generadas por
el algoritmo LEM2 es el más pequeño en comparación con los otros algoritmos. Esto demuestra que no se necesita un
gran número de reglas para obtener buenos resultados de predicción en el problema investigado.
Los indicadores resultantes para probar la calidad de los clasificadores confirmaron la alta utilidad de las reglas
de decisión generadas, tanto las que utilizan árboles de decisión como la teoría de conjuntos aproximados. Las
dependencias desarrolladas nos permiten evaluar qué resultados puede esperar una empresa determinada después
de la implementación de métodos y herramientas específicas de mantenimiento esbelto, y qué métodos y herramientas
de mantenimiento esbelto se deben utilizar para lograr los objetivos previstos. Estas dependencias pueden ser la
base para determinar las direcciones y los efectos de implementar el mantenimiento esbelto en las empresas
manufactureras. Adicionalmente, un sistema experto en forma de aplicación software, desarrollado a partir de las
dependencias generadas (reglas de decisión), permite seleccionar las acciones adecuadas para obtener los mejores
resultados luego de implementar el mantenimiento lean.
Los estudios presentados pueden ser utilizados por las empresas para construir y organizar procesos de
mantenimiento, para seleccionar una estrategia de acción adecuada, pero sobre todo, para mejorar las actividades
ya implementadas en esta área. Aunque la investigación se realizó en un área limitada, se basó en suposiciones,
principios y objetivos comunes de implementar el concepto de mantenimiento esbelto en la empresa. Por lo tanto,
las soluciones presentadas son útiles para el uso práctico de todas las empresas de producción para pronosticar
y evaluar la efectividad de implementar métodos y herramientas de mantenimiento esbelto, independientemente
de la región.
Además, los resultados positivos obtenidos durante la realización del estudio descrito llevan a la
conclusión de que se debe continuar con las actividades en estas áreas. En particular, debe haber estudios
que consideren la evaluación de la efectividad del uso de otros métodos y herramientas recomendados en la
literatura dentro de la implementación del mantenimiento esbelto; la posibilidad de ampliar la funcionalidad
diseñada en una aplicación informática; y el uso de otros métodos de exploración de datos para generar reglas
de decisión y comparar su calidad de clasificación.
Machine Translated by Google

aplicación ciencia 2020, 10, 7922 21 de 23

Contribuciones de los autores: KA proporcionó los antecedentes teóricos y sustantivos para la investigación proporcionada y concibió y diseñó los experimentos;
LP realizó una verificación experimental del enfoque propuesto; AG brindó orientación técnica y realizó una revisión crítica de este documento. Todos los autores
han leído y aceptado la versión publicada del manuscrito.

Financiamiento: Esta investigación no recibió financiamiento externo.

Conflictos de interés: Los autores declaran no tener ningún conflicto de interés.

Referencias
1. Jasiulewicz-Kaczmarek, M.;
Gola, A. Mantenimiento 4.0 tecnologías para la sostenibilidad
fabricación: una descripción general. IFAC-PapersOnLine 2019, 52, 91–96. [Referencia cruzada]

2. Danilczuk, W.; Gola, A. Planificación de la demanda de materiales asistida por computadora utilizando sistemas ERP y negocios

tecnología de inteligencia. aplicación computar ciencia 2020, 16, 42–55.

3. Gornicka, D.; Burduk, A. Mejora de procesos productivos con el uso de modelos de simulación.

Intel. sist. computar 2018, 657, 265–274.

4. Kotowska, J.; Markowski, M.; Burduk, A. Optimización del suministro de componentes para la producción en masa con el uso del algoritmo de colonia de

hormigas. En Actas de la 1.ª Conferencia Internacional sobre Sistemas Inteligentes en Ingeniería de Producción y Mantenimiento (ISPEM), Wroclaw,

Polonia, 18 de agosto de 2017; Volumen 637, págs. 347–357.

5. Valis, D.; Mazurkiewicz, D. Aplicación de procesos de impuestos seleccionados para el modelado de degradación del cinturón de minas de largo alcance

utilizando datos en tiempo real. Arco. civ. mecánico Ing. 2018, 18, 1430–1440. [Referencia cruzada]

6. Sa Ribeiro, RD; Forcellini, FA; Pereira, M.; Xavier, FA Una visión general sobre la implementación del mantenimiento esbelto en los procesos de fabricación.

J. Lean Syst. 2019, 4, 44–59.

7. Mouzani, IA; Bouami, D. La integración de manufactura esbelta y mantenimiento esbelto para mejorar la producción

eficiencia. En t. J. Mec. Pinchar. Ing. Res. desarrollo 2019, 9, 593–604.

8. Antosz, K. Mantenimiento: identificación y análisis de la brecha de competencias. Eksploat. Niezawodn. Mantenimiento confiable
2018, 20, 484–494. [Referencia cruzada]

´ de fallas de máquinas basada en el tiempo en la fabricación de varias máquinas

9. Sobaszek, L.; Gola, A.; Swi´c, A. Predicción

sistemas Eksploat. Niezawodn. 2020, 22, 52–56. [Referencia cruzada]

10. Prabowo, HA; Adesta, EYT Un estudio de mantenimiento productivo total (TPM) y herramientas de manufactura esbelta y su impacto en el desempeño de la

manufactura. En t. J. Tecnología reciente. Ing. 2019, 7, 39–43.

11. Loska, A. Evaluación de la explotación de objetos técnicos seleccionados utilizando métodos taxonómicos. Eksploat. Niezawodn.
Mantenimiento confiable 2013, 15, 1–8.

12. Szwarc, E.; Bocewicz, G.; Banaszak, Z.; Wikarek, J. Planificación de la asignación de competencias robusta ante lo inesperado

ausentismo del personal. Eksploat. Niezawodn. Mantenimiento confiable 2019, 21, 440–450. [Referencia cruzada]

13. Sobaszek, L.; Gola, A.; Kozÿowski, E. Aplicación de la función de supervivencia en la programación robusta de trabajos de producción. En Actas de la

Conferencia Federada sobre Ciencias de la Computación y Sistemas de Información (FEDCSIS) de 2017, Praga, República Checa, 3 a 6 de septiembre

de 2017; Ganzha, M., Maciaszek, M., Paprzycki, M., Eds.; IEEE: Nueva York, NY, EE. UU., 2017; págs. 575–578.

14. Gola, A.; Kÿosowski, G. Desarrollo de modelo de manejo de materiales controlado por computadora por medio de fuzzy

Algoritmos lógicos y genéticos. Neurocomputación 2019, 338, 381–392. [Referencia cruzada]

15. Jasiulewicz-Kaczmarek, M.; Saniuk, A. ¿Cómo hacer que los procesos de mantenimiento sean más eficientes utilizando herramientas lean?

Adv. Intel. sist. computar 2018, 605, 9–20.

16. Antosz, K.; Stadnicka, D. Los resultados del estudio sobre la identificación de las actividades realizadas en la gestión de la infraestructura técnica en las

grandes empresas. Eksploat. Niezawodn. Mantenimiento confiable 2014, 16, 112–119.

17. Ramos, E.; Mesía, R.; Alba, C.; Miyashiro, R. Aplicación del mantenimiento esbelto para optimizar los procesos de fabricación en la cadena de suministro: el

caso de una empresa de impresión peruana. En t. J. Gestión de la cadena de suministro. 2020, 9, 264–281.

18. Clarke, G.; Mulryan, G.; Liggan, P. Mantenimiento magro. Un enfoque basado en riesgos, ingeniería farmacéutica.

Apagado. revista ISPE 2010, 30, 1–6.

19. Womack, J.; Jones, DT; Roos, D. La Máquina que Cambió el Mundo; Rawson Associates: Nueva York, NY,
Estados Unidos, 1990.
Machine Translated by Google

aplicación ciencia 2020, 10, 7922 22 de 23

20. Ohno, T. Sistema de producción de Toyota: más allá de la producción a gran escala; Prensa de productividad: Nueva York, NY,
Estados Unidos, 1988.

21. Womack, J.; Jones, D. Pensamiento Lean: elimine el desperdicio y cree riqueza en su corporación; Simon & Schuster Inc.:
Londres, Reino Unido, 2003.

22. Melton, T. Los beneficios de la manufactura esbelta. Lo que el pensamiento lean tiene para ofrecer a las industrias de procesos.

química Ing. Res. Des. 2005, 83, 662–673. [Referencia cruzada]

23. Pavnaskar, SJ; Gershenson, JK; Jambekar, AB Esquema de clasificación para herramientas de manufactura esbelta. En t. j
Pinchar. Res. 2003, 41, 3075–3090. [Referencia cruzada]

24. Papadopoulu, TC; Ozbayrak, M. Delgadez: Experiencias del viaje hasta la fecha. J. Manuf. Tecnología Administrar
2005, 16, 784–806. [Referencia cruzada]

25. Billesbach, TJ Un estudio de la implementación del justo a tiempo en los Estados Unidos. Pinchar. Gestión de inventario j
1991, 32, 1–4.

26. Durán, O.; Capaldo, A.; Acevado, PAD Lean Maintenance aplicado para mejorar la eficiencia del mantenimiento en

centrales termoeléctricas. Energías 2017, 10, 1653. [Referencia cruzada]

27. Jasiulewicz-Kaczmarek, M. Sostenibilidad: Orientación en la gestión del mantenimiento. Caso de estudio.

en EcoProducción y Logística-Asuntos Ambientales en Logística y Manufactura; Golinska, P., Ed.; Springer: Berlín/Heidelberg, Alemania, 2013; págs.

135–154.

28. Leksic, I.; Stefanic, N.; Veza, I. El impacto del uso de diferentes herramientas de manufactura esbelta en la reducción de desperdicios.

Adv. Pinchar. Ing. Administrar 2020, 15, 81–92. [Referencia cruzada]

29. Levitt, J. Mantenimiento Lean; Prensa industrial: Nueva York, NY, EE. UU., 2008.

30. Baluch, N.; Abdullah, CS; Mohtar, S. TPM y mantenimiento LEAN: una revisión crítica. Interdiscip. j

Contemp. Res. Autobús. 2012, 4, 850–857.

31. Bashiri, M.; Badri, H.; Hejazi, TH Selección de la estrategia de mantenimiento óptima mediante el método de asignación lineal interactivo difuso . aplicación

Matemáticas. Modelo. 2011, 35, 152–164. [Referencia cruzada]

32. Zhaoyang, T.; Jianfeng, L.; Zongzhi, W.; Jianhu, Z.; Weifeng, H. Una evaluación de la estrategia de mantenimiento utilizando

Inspección basada en riesgos. seguro ciencia 2011, 49, 852–860.

33. Cruz, AM; Rincon, AMR Subcontratación de mantenimiento de dispositivos médicos: ¿Se han olvidado las teorías de gestión e investigación de gestión de

operaciones de la comunidad de ingeniería médica? Una revisión de mapeo. EUR. j

oper. Res. 2012, 221, 186–197. [Referencia cruzada]

34. Rinaldi, G.; Portillo, JCC; Khalid, F.; Henriques, JCC; Thies, PR; Gato, LMC; Johanning, L. Análisis multivariado de las caracterizaciones de confiabilidad,

disponibilidad y mantenibilidad de una granja convertidora de energía de las olas Spar-Buoy. J. Ocena Ing. Energía de marzo de 2018, 4, 199–215.

[Referencia cruzada]

35. Wang, B.; Fürst, E.; Cohen, T.; Keil, OR; Ridgway, M.; Stiefel, R. Estrategias de gestión de equipos médicos.
biomedicina instrumento Tecnología 2006, 40, 233–237. [Referencia cruzada]

36. Bayar, N.; Darmoul, S.; Hajri-Gabouj, S.; Pierreval, H. Uso de ontologías diseñadas inmunes para monitorear interrupciones en los sistemas de fabricación.

computar Ind. 2016, 81, 67–81. [Referencia cruzada]

37. Taghipur, S.; Banjevic, D.; Jardine, A. Priorización de equipos médicos para decisiones de mantenimiento. J.Oper.
Res. Soc. 2011, 62, 1666–1687. [Referencia cruzada]

38. Li, HF; Parikh, D.; El, Q.; Qian, POR; Li, ZG; Colmillo, DP; Hampapur, A. Mejora de la velocidad de la red ferroviaria: un enfoque de aprendizaje automático

para el mantenimiento predictivo. Transporte. Res. C Emer. 2014, 45, 17–26. [Referencia cruzada]

39. Jamshidi, A.; Rahimi, SA; Aitkadi, D.; Ruiz, A. Un marco integral de mantenimiento difuso basado en riesgos para la priorización de dispositivos médicos.

aplicación Cómputo suave. 2015, 32, 322–334. [Referencia cruzada]

40. Carnero, MC; Gomez, A. Un enfoque de toma de decisiones multicriterio aplicado a la mejora de las políticas de mantenimiento en las organizaciones

sanitarias. BMC Med. Informar. Decir Mak. 2016, 16, 47. [Referencia cruzada]

41. Zeineb, BH; Malek, M.; Ahmed, AH; Ikram, K.; Faouzi, M. Técnicas cuantitativas para equipos médicos

manejo de mantenimiento. EUR. J. Ind. Ing. 2017, 10, 703–723.

42. Lin, P.; Yuan, X.-X.; Tovilla, E. Modelado integrador del deterioro del rendimiento y la eficacia del mantenimiento de los activos de infraestructura con datos

de condición faltantes. computar Civilización asistida. Infraestructura Ing. 2019, 34, 677–695. [Referencia cruzada]

43. Jasiulewicz-Kaczmarek, M.; Zywica, P. El concepto de evaluación del desempeño de la sostenibilidad del mantenimiento mediante la integración del cuadro

de mando integral con la integral difusa no aditiva. Eksploat. Niezawodn. 2018, 20, 650–661.
[Referencia cruzada]
Machine Translated by Google

aplicación ciencia 2020, 10, 7922 23 de 23

44. Rodríguez-Padial, N.; Marín, M.; Domingo, R. Un enfoque para evaluar la toma de decisiones tácticas en la industria
mantenimiento. Procedia Manuf. 2017, 13, 1051–1058. [Referencia cruzada]
45. Kosicka, E.; Gola, A.; Pawlak, J. Soporte de mantenimiento de máquinas basado en aplicaciones. IFAC-PapersOnLine 2019, 52, 131–135.
[Referencia cruzada]

46. Antosz, K.; Pasko, L.; Gola, A. El uso de sistemas inteligentes para apoyar la toma de decisiones en lean
manejo de mantenimiento. IFAC-PapersOnLine 2019, 52, 148–153. [Referencia cruzada]
47. Antosz, K.; Stadnicka, D. TPM en grandes empresas: resultados del estudio. En t. J. Ind. Manuf. Ing. 2013, 7, 2101–2108.
48. Stadnicka, D.; Antosz, K. Efectividad general de los equipos: Análisis de diferentes formas de cálculo y mejoras. En Avances en la Manufactura.
Apuntes de conferencias en ingeniería mecánica; Hamrol, A., Ciszak, O., Legutko, S., Jurczyk, M., Eds.; Springer: Cham, Alemania, 2018.

49. Scodanibbio, C. TPM de clase mundial: cómo calcular la eficiencia general del equipo. Carlos Scodanibbio 2008/2009. 2009. Disponible en
línea: www.scodanibbio.com (consultado el 17 de agosto de 2020).
50. Antosz, K. Metodyka Modelowania, Oceny i Doskonalenia Koncepcji Lean Maintenance; Oficyna Wydawnicza Politechniki Rzeszowskiej:
Rzeszów, Polonia, 2019.
51. Costa, EP; Lorena, AC; Carvalho, ACPLF; Freitas, AA Una revisión de las medidas de evaluación del desempeño para clasificadores jerárquicos.
En Métodos de Evaluación para el Aprendizaje Automático II: Documentos del Taller AAAI-2007; AAAI Press: Palo Alto, CA, EE. UU., 2007;
págs. 182–196.
52. Fawcelt, T. Una introducción al análisis ROC. Reconocimiento de patrones. Letón. 2006, 27, 861–874. [Referencia cruzada]
53. Sokolova, M.; Lapalme, G. Un análisis sistemático de medidas de desempeño para tareas de clasificación.
información Proceso. Administrar 2009, 45, 427–437. [Referencia cruzada]

54. Pasko, L.; Setlak, G. Badanie jako´sci predykcyjnej segmentacji rynku. Zesz. Nauk. Politech. Slÿaskiej Ser. Informar. ´
2016, 37, 83–97.

55. Pawlak, Z. Conjuntos aproximados: aspectos teóricos del razonamiento sobre los datos; Biblioteca de Teoría y Decisión D; Saltador:
Dordrecht, Países Bajos, 1991.

56. Beaubouefa, T.; Petryb, FE; Arorac, G. Medidas de incertidumbre de la teoría de la información para conjuntos aproximados y bases de datos
relacionales aproximadas. información ciencia 1998, 109, 185–195. [Referencia cruzada]
57. Bazán, JG; Nguyen, SA; Nguyen, SH; Synak, P.; Wróblewski, J. Algoritmos de conjunto aproximado en problemas de clasificación. En métodos
y aplicaciones aproximadas: nuevos desarrollos en el descubrimiento de conocimiento en sistemas de información, estudios sobre borrosidad
y computación suave; Polkowski, L., Tsumoto, S., Lin, TY, Eds.; Physica-Verlag HD: Heidelberg, Alemania, 2000; págs. 49–88.

58. Grzymala-Busse, JW Una nueva versión del sistema de inducción de reglas LERS. Fundam. Informar. 1997, 31, 27–39.
[Referencia cruzada]

Nota del editor: MDPI se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

© 2020 por los autores. Licenciatario MDPI, Basilea, Suiza. Este artículo es un artículo de acceso abierto distribuido
bajo los términos y condiciones de Creative Commons Attribution

(CC BY) licencia (http://creativecommons.org/licenses/by/4.0/).