PROPUESTA DE MEJORA PARA UNA PLANTA DE CELULOSA UTILIZANDO MACHINE LEARNING, MODELO ARMA Y DISTRIBUCION WEIBULL PARA LA PREDICCION TEMPRANA DE FALLAS

Abstract

La industria de la Celulosa es la segunda más grande en Chile después de la industria del cobre, esto se debe a que el sur de Chile cuenta con las condiciones climáticas necesarias y el suelo apropiado para el desarrollo forestal; s por elloque el predecir de manera precisa y exacta eventos de fallas, son de suma importancia para el mantenimiento, especialmente para el mantenimiento predictivo. Más aun con la llegada de la industria 4.0 se han comenzado a implementar de forma masiva técnicas de Machine Learning, las que ayudan a sacar provecho al memento de predecir de manera más específica las fallas de máquinas o equipos, Con el fin de poder predecir este tiempo de fallas, se pretende generar un modelo de predicciónpor mediodel historial de fallas de un equipo determinado en el área de la celulosaaplicando técnicas de confiabilidad y aprendizaje supervisado, basado en historial de fallas, comportamiento y experiencias del pasado, observaciones, contexto operacional y ciclo de vida de los mismos, logrando pronosticar de forma anticipada fallas en tiempo real, evitando de esta manera desperfectos prolongados en los equipos y retrasos por mantenimiento.En este caso se usaran 3 metodologías para abordar el problema. La primera consiste en calcular los parámetros de la Distribución Weibul a partir del historial de fallas de un equipo determinado, con el propósito de ajustar la curva y que quede lo más parecida ala realidad que se presenta en el equipo de la planta de celulosa. La siguiente técnica consiste en aplicar Modelo Media Móvil Autorregresiva, donde se realiza un modelamiento basado en datos (esto se apoya con Weibul), para predecir la vida de los equipos y consiste en analizar estos datos en una serie de tiempo. Finalmente, se aplica Machine Learning mediante la técnica de Random Forest (Bosques Aleatorios), con el propósito de obtener el tiempo en que el equipo fallará, en un futuro próximo, todo esto para evitar que el equipo entre en falla y hacer un mantenimiento antes de que la falla ocurra.Mediante la aplicación de los modelos mencionados en el párrafo anterior, se puede determinar que si bien estas técnicas tienen varios requisitos para ser usadas, lo importante es que son técnicas efectivas de pronostico y que a medida que se van aplicando desde Weibull, Media Móvil Autorregresiva y Random Forest, el error del pronóstico disminuye, siendo el menor error cuadrático medio alcanzado de 0,056. Además,cabe destacar que en este ámbito es necesario tener en consideración los costos asociados a las tareas de mantenimiento, llegando a un promedio general de 6.713.159US$hasta el año 2022.En resumen, se puede afirmar que los pronósticos cuando son empleados de manera correcta, pueden ser herramientas precisas de pronóstico y ayudan a solucionar problemas relacionados con las fallas de los equipos críticos dentro de una empresa, pudiendo de esta manera gestionar los recursos y costos, mejorar de manera continua, propiciando la competitividad de las organizaciones y asegurando la disponibilidad de los activos.