Propuesta de modelo de predicción de fallos de equipo industrial

Abstract

La integración de herramientas de Machine Learning (ML) en la gestión del mantenimiento permite anticipar posibles fallos futuros mediante algoritmos avanzados de programación. Esto no solo contribuye significativamente a mejorar el mantenimiento predictivo, sino que también aporta valiosas mejoras al proceso al prever y abordar problemas potenciales antes de que se conviertan en fallas reales. Con el objetivo de estimar futuros fallos y proponer un modelo predictivo, se analizó el historial de fallos de un equipo crítico en la industria minera. Se emplearon herramientas de aprendizaje automático, como el modelo Auto Regresivo Integrado de Medias Móviles (ARIMA) y la implementación de un modelo de inteligencia artificial combinando redes neuronales artificiales (RNA) en un equipo minero específico. En este estudio, se llevó a cabo un análisis inicial de los datos históricos de una flota de camiones de extracción. Se identificó el sistema crítico de un equipo específico, y a continuación, se utilizó el modelo de Weibull para estimar posibles fallos futuros. Se ha realizado un análisis estadístico exhaustivo que se centra en diversas métricas destinadas a medir la variabilidad de la calidad de la predicción en relación con la magnitud del pronóstico. Este análisis ha implicado la manipulación de un rango variable de datos, comenzando con 140 y disminuyendo hasta 30. Los resultados revelan que el error cuadrático medio disminuye de manera significativa a medida que se reduce el número de datos, desde 1.30 con 140 datos hasta 0.65 con 30 datos. Los resultados obtenidos de este análisis indican claramente que el modelo creado mediante la combinación de ARIMA y RNA supera significativamente al modelo de Weibull en términos de efectividad predictiva.