Este trabajo de fin de grado propone la implementación de un chatbot basado en modelos de lenguaje (LLM) que se ejecuta en local y está orientado a asistir en la toma de decisiones de mantenimiento industrial. El objetivo principal es ofrecer una herramienta capaz de analizar fallos técnicos simulados o reales y proponer acciones correctivas de forma inteligente, asignando al técnico más adecuado según disponibilidad y especialidad, con la garantía de mantener la confidencialidad de los datos, al no depender de servicios en la nube. El sistema ha sido desarrollado integrando múltiples tecnologías: Python como eje de comunicación, OPC UA como protocolo industrial de intercambio de datos, Microsoft Excel para la gestión de personal y modelos LLM desplegados mediante la plataforma Ollama. Durante las pruebas, se simularon diferentes tipos de fallos industriales (eléctrico, mecánico, de comunicaciones o de motor), y se demostró que el sistema es capaz de responder en tiempo real con recomendaciones técnicas estructuradas. Además, se añadió una funcionalidad de conversación libre para continuar el análisis técnico posterior. Este trabajo no solo demuestra la viabilidad técnica del sistema, sino que también abre la puerta a una amplia escalabilidad: integrar documentación técnica, añadir criterios de criticidad o implementar el sistema en redes industriales reales, lo que podría convertir al chatbot en una pieza central dentro del mantenimiento predictivo inteligente. Finalmente, se analizan aspectos económicos, proponiendo un sistema asequible y útil para pequeñas y medianas empresas.
This bachelor’s thesis presents the development of a locally deployed chatbot based on Large Language Models (LLMs), designed to support decision-making in industrial maintenance. The main goal is to build a tool capable of analysing technical failures and intelligently recommend corrective actions, assigning the most suitable technician based on availability and specialization, while preserving data privacy by avoiding cloud-based services. The system integrates multiple technologies: Python acts as the central connector, OPC UA is used for industrial data exchange, Microsoft Excel handles personnel information, and the LLM is deployed via the Ollama platform. During testing, several types of industrial failures (electrical, mechanical, communication, motor) were simulated. The system successfully generated structured technical responses in real time and included a follow-up dialogue mode to support additional technical discussion. This project not only proves the technical feasibility of such a system but also suggests significant scalability. Future enhancements could include the addition of technical documentation, fault criticality analysis, and full deployment in industrial networks paving the way toward intelligent predictive maintenance. Economically, the solution is cost effective and particularly well-suited for small and medium-sized enterprises seeking digital transformation in maintenance.
