Browsing by Author "Flores Casto, Valentina Ignacia"
Now showing 1 - 1 of 1
- Results Per Page
- Sort Options
Thesis Identificación de dependencia e interdependencia entre componentes y tipos de fallas en una línea de chancado de una empresa minera de Chile(Universidad Técnica Federico Santa María, 2025-01) Flores Casto, Valentina Ignacia; Mena Bustos, Rodrigo Andres; Departamento de Industrias; Viveros Gunckel, Pablo AndresEn el presente informe se estudia la forma y grado de dependencia entre los componentes y los distintos tipos de fallas que existen dentro de un sistema compuesto por un chancador y una correa transportadora de cobre de una empresa minera ubicada en el norte de Chile. La motivación de este trabajo es lograr predecir, las diversas fallas que se pueden producir en el sistema (según la data histórica), gracias a un modelo que contemple las relaciones existentes entre los componentes numéricos y los tipos de fallas. Esto ayudara a mejorar la precisión y la eficacia de los sistemas que alertan sobre irregularidades en el proceso, además de optimizar el mantenimiento preventivo de los equipos en estudio y también entregar información importante que permita tomar las mejores decisiones. Luego de realizar la investigación bibliográfica se llega a la conclusión que para el objetivo que se tiene, se debe utilizar un modelo de Random Forest (RF) o de Redes Neuronales Artificiales (ANN), en conjunto a un modelo de Ecuaciones Estructurales (SEM). Al principio se prueba con ambos modelos de algoritmos de aprendizaje automático y mediante los siguientes indicadores de desempeño: matriz de confusión, accuracy, precisión, recall y F1-score, se observa cuál de estos presenta mejores índices, para así, implementar los resultados del modelo como la hipótesis del modelo SEM. Una vez realizada la codificación de lo anterior, es crucial validar el ajuste y la robustez, en donde se utilizan indicadores tales como chi-cuadrado, índice de ajuste comparativo, de bondad de ajuste, la raíz del error cuadrático medio de aproximación y muchos otros. Como resultado, se obtiene que el modelo de algoritmos de aprendizaje de ANN presenta muy buenos resultados, exhibiendo un accuracy de 0.9926 y con relaciones significativas entre las variables según el modelo SEM, mientras que, por otro lado, el modelo de RF muestra un claro sobreajuste en el producto final, no logrando entregar un resultado real para medir en el modelo SEM. La hipótesis del modelo con mejores resultados se incluye en el entrenamiento de un modelo de predicción de fallas, también desarrollado con ANN, en donde se observa que los resultados de las predicciones de fallas de este, versus un modelo de predicción que no considera las relaciones de dependencia, presenta mejores resultados y con mayor anticipación frente a una posible falla..
Política de Privacidad 
