PROPUESTA DE MEJORA DE PREDICCION DE FALLA USANDO APRENDIZAJE AUTOMATIZADO PARA UN EQUIPO CRITICO EN UNA PLANTA DE CELULOSA

Abstract

En la actualidad las industrias han implementado diversas tecnologías con el fin de reducir los costos en las diferentes áreas de desempeño, ante esto el área de mantenimiento no es la excepción, ya que se busca reducir los costos asociados a las tareas de mantención y elevar la eficacia de mismas, debido a esta necesidad las industrias han implementado el mantenimiento predictivo que al combinarlo las predicciones del modelo Weibull permite mejorar la gestión del mantenimiento. Sin embargo, actualmente existen técnicas que cuentan con el potencial de superar a las predicciones efectuadas por el modelo Weibull. Ante esto, las técnicas de aprendizaje automatizado se platean como una opción atractiva para su empleo en mantenimiento, debido a la precisión y versatilidad que planean estas técnicas. El activo crítico se utiliza en este trabajo es un transportador de cadena, este equipo pertenece a una planta de celulosa y genera costos de ineficiencia de 7.691 dólares por hora. Se propone el uso de un modelo de Redes Neuronales potenciadas con ARIMA, con el fin de obtener predicciones de eventos de falla que cuenten con un mejor desempeño que las efectuadas por el modelo Weibull. En el presente trabajo se emplea la base de datos en común para los modelos de predicción, la cual corresponde al historial de falla del equipo transportador de cadenas, esta base de datos debe ser filtrada para excluir a las fallas externas al equipo. Posterior a esto se desarrollaron los modelos Weibull, ARIMA y Redes Neuronales, de los cuales se obtiene las predicciones de los eventos de falla para cada modelo, las cuales se comparan con la base de datos para obtener el error presente en los modelos y posteriormente compararlos mediante métricas de sesgo, exactitud y precisión. Al comprar los resultados se obtiene que el modelo de redes neuronales propuesto reduce significativamente todas las métricas de exactitud, siendo algunas de las métricas el MAPE que se reduce en un 306,83% y el RMSE en 176,564 horas con respecto al modelo Weibull. Con respecto a la precisión del modelo propuesto se obtiene que el coeficiente de determinación es de 0,999, esto indica que las predicciones de los modelos presentan un elevado ajuste a los valores reales, la desviación estándar simple de las predicciones del modelo propuesto presenta una mayor similitud con el conjunto de datos reales que el modelo Weibull. Con base a los resultados obtenidos, el modelo propuesto presenta una sustancial mejora frente al modelo Weibull en todas las métricas evaluadas en este trabajo, por lo que se considera como una opción válida para su empleo y cuenta con el potencial de mejorar la gestión del mantenimiento predictivo.