Modelo de Predicción de defectos para mantenimiento de equipos
Lima, Perú (2023)
Contexto
Este proyecto tuvo por objetivo realizar una selección de suministros del sistema eléctrico con alta probabilidad de falla, a fin de priorizar su mantenimiento en campo.
Obtención de datos
Recopilé la data histórica de mantenimiento de equipos, el perfil de consumo de todos los clientes, variables de potencia, lecturas en terreno, tipo de cliente, distrito, zona, coordenadas, histórico de visitas por cliente, atenciones comerciales, reclamos por falla del equipo, entre otros.
Exploración de datos
Realicé la limpieza de datos y eliminé datos atípicos a fin de obtener una base más consistente.
Asimismo, la estandarización de las variables del dataset, el análisis de correlación de variables y gráfico de variables según importancia.
Procesamiento
Utilicé el método XGBoost (Extreme gradient boosting) con un total de 150 estimadores, utilizando la siguiente proporción para las fases de entrenamiento, testeo y validación:
Train: 0.67 * Dataset total
Test: 0.33 * Dataset total
Validation: 0.25 * Dataset test
Resultados
Para la etapa de validación, se seleccionó una muestra de 3,6k casos. Luego de realizar la matriz de confusión, el presente modelo arrojó una precisión del 89%.
Algunos beneficios de este proyecto fueron:
Aumentar la efectividad de trabajos de mantenimiento en campo;
Reducir costos operativos;
Mejorar la experiencia del cliente; y
Evitar reclamos y/o sanciones regulatorias.