Self-Optimizing Industrial Intelligence
A Multimodal AI Framework for Predictive Maintenance and U.S. Manufacturing Productivity
DOI:
https://doi.org/10.66838/sauc.6548Palabras clave:
Predictive Maintenance, Multimodal Learning, Concept Drift, Adaptive Learning, Advanced Manufacturing, Fault Detection, Industrial Automation.Resumen
Unplanned equipment downtime erodes the productivity of U.S. factories, and the machine-learning models built to anticipate it often decay when equipment is upgraded or operating conditions change. This paper presents a multimodal predictive-maintenance framework that fuses machine sensor streams, equipment alarm logs, technician maintenance notes and production data, monitors each data type for drift, and adapts the model when drift is confirmed. A design layer for retrieval-based work-order assistance with expert validation is described but not evaluated. Because plant data cannot be shared, the framework is evaluated on a transparent synthetic fleet of 160 machines over 900 days, in which a retrofit of 40% of machines, a heavier workload and new production mix are introduced at day 450. Fusing all four data types raises average precision for seven-day failure prediction from 0.32 for sensors alone to 0.46 (late fusion) and 0.47 (early fusion) after the change.....
Descargas
Estadísticas globales ℹ️
|
7
Visualizaciones
|
3
Descargas
|
|
10
Total
|
|
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2025 Los autores/as conservan los derechos de autor y ceden a la revista el derecho de la primera publicación y el derecho de edición

Esta obra está bajo una licencia internacional Creative Commons Atribución-SinDerivadas 4.0.
Los autores/as que publiquen en esta revista aceptan las siguientes condiciones:
- Los autores/as conservan los derechos de autor.
- Los autores/as ceden a la revista el derecho de la primera publicación. La revista también posee los derechos de edición.
- Todos los contenidos publicados se regulan mediante una Licencia Atribución/Reconocimiento-SinDerivados 4.0 Internacional. Acceda a la versión informativa y texto legal de la licencia. En virtud de ello, se permite a terceros utilizar lo publicado siempre que mencionen la autoría del trabajo y a la primera publicación en esta revista. Si transforma el material, no podrá distribuir el trabajo modificado.
- Los autores/as pueden realizar otros acuerdos contractuales independientes y adicionales para la distribución no exclusiva de la versión del artículo publicado en esta revista (p. ej., incluirlo en un repositorio institucional o publicarlo en un libro) siempre que indiquen claramente que el trabajo se publicó por primera vez en esta revista.
- Se permite y recomienda a los autores/as a publicar su trabajo en Internet (por ejemplo en páginas institucionales o personales), una vez publicado en la revista y citando a la misma ya que puede conducir a intercambios productivos y a una mayor y más rápida difusión del trabajo publicado (vea The Effect of Open Access).







