Predicción de indicadores de mantenimiento de las camionetas HILUX utilizando LSTM soportado con algoritmo de evolución diferencial

Abstract

Esta tesis tiene como objetivo desarrollar un algoritmo avanzado que combine redes neuronales de memoria a largo plazo (LSTM) y evolución diferencial para la predicción precisa de los valores de indicadores de mantenimiento a lo largo del tiempo. La meta es mejorar la eficiencia en la gestión de activos al anticipar cambios en los indicadores clave. La metodología implica la implementación de LSTM para la captura de patrones temporales complejos, mientras que la evolución diferencial se utiliza para optimizar los parámetros del modelo. Los resultados demuestran la efectividad del algoritmo en la predicción de indicadores de mantenimiento, respaldando su utilidad en estrategias de mantenimiento predictivo.