PROPUESTA DE MEJORA PARA MANTENIMIENTO PREDICTIVO EN EQUIPO CRITICO DE PLANTA DE CELULOSA MEDIANTE MACHINE LEARNING

Abstract

El mantenimiento predictivo es una técnica que utiliza herramientas e información para evaluar el estado actual de un equipo y analizar si es necesario una intervención ante una eventual anomalía o falla del equipo. Esta técnica es un beneficio para las empresas ya que les brinda un gran ahorro en costos, aumenta la disponibilidad del equipo y reduce la cantidad de intervenciones realizadas al equipo. El objetivo de esta investigación es encontrar un modelo que permita mejorar las predicciones utilizadas por la empresa de celulosa, donde se utiliza un modelo que posee un error significativo el cual es el modelo de Weibull. Para conseguir esto, se utilizó una herramienta de Machine Learning denominada Random Forest, el cual está apoyado por un modelo ARIMA que permitirá mejorar la predicción de obtenidas mediante el modelo Weibull. Estas predicciones se realizan utilizando el TBF o tiempo entre fallas del equipo crítico estudiado. El primer paso fue realizar un filtrado de los datos, esto se debe a que se deben eliminar los datos anómalos que no sean representativos en la muestra de datos original ya que estos aumentan el error obtenido al realizar una regresión. Luego con estos datos se realizó un análisis con el modelo de Weibull, con el modelo ARIMA y finalmente con el modelo Random Forest. Finalmente, se realiza un análisis estadístico para evaluar cual es el modelo más cercano a los valores de TBF reales. El modelo propuesto de Random Forest es el que posee el mejor desempeño frente a los otros dos utilizados, donde se obtiene una disminución del error 657% en promedio, una reducción del RMSE de 30 [horas] y de 195 [horas] de MAE, entre otras métricas. Demostrando así una mejora en la precisión y la exactitud en las predicciones realizadas. Con los resultados obtenidos, es posible demostrar que la implementación de herramientas de Machine Learning entregan una mejora significativa al utilizarlas como métodos de predicción. Además, de demostrar que no posee demasiadas barreras de entrada ya que con conocimientos básicos de programación en Python se pudo crear un modelo simple de inteligencia artificial. Finalmente, el modelo Random Forest disminuyó el error máximo casi en un 3000% pero aun así el error sigue siendo elevado, ya que solamente pudo anticiparse a la falla en un 43% de los casos por lo que no es una herramienta 100% efectiva, pero al menos posee las características de ser mejor en todos los sentidos al modelo de Weibull utilizado por la empresa.