Propuesta de mejora en la estrategia de mantenimiento de la bomba centrífuga de ciclones primarios mediante la aplicación de machine learning en una unidad minera de tajo abierto del centro del Perú
Descripción del Articulo
La tesis "Propuesta de mejora en la estrategia de mantenimiento de la bomba centrífuga de ciclones primarios mediante machine learning en una unidad minera del Perú" busca optimizar el mantenimiento predictivo de una bomba Warman, equipo crítico en el área de molienda. La bomba maneja un f...
| Autor: | |
|---|---|
| Formato: | tesis de grado |
| Fecha de Publicación: | 2024 |
| Institución: | Universidad Nacional de San Agustín |
| Repositorio: | UNSA-Institucional |
| Lenguaje: | español |
| OAI Identifier: | oai:repositorio.unsa.edu.pe:20.500.12773/19965 |
| Enlace del recurso: | https://hdl.handle.net/20.500.12773/19965 |
| Nivel de acceso: | acceso abierto |
| Materia: | Machine Learning Mantenimiento predictivo Bomba Warman https://purl.org/pe-repo/ocde/ford#2.03.01 |
| id |
UNSA_cdf5098df684f4a7a6321a957ee9b58c |
|---|---|
| oai_identifier_str |
oai:repositorio.unsa.edu.pe:20.500.12773/19965 |
| network_acronym_str |
UNSA |
| network_name_str |
UNSA-Institucional |
| repository_id_str |
4847 |
| spelling |
Adriazola Corrales, Pascual HeradioLuque Percka, Fidel Eduardo2025-05-06T16:10:19Z2025-05-06T16:10:19Z2024La tesis "Propuesta de mejora en la estrategia de mantenimiento de la bomba centrífuga de ciclones primarios mediante machine learning en una unidad minera del Perú" busca optimizar el mantenimiento predictivo de una bomba Warman, equipo crítico en el área de molienda. La bomba maneja un flujo de 9,000 m³/h con una eficiencia del 85% y operando a 282 RPM. Entre 2017 y 2021, registró 18 fallas no programadas, afectando la continuidad operativa. El análisis del MTBF (Tiempo Medio Entre Fallas) reveló que el disco de succión tiene un MTBF de 55 días con 27 averías, el impulsor 62.6 días con 24 averías, y el revestimiento de succión 64.9 días con 23 averías. Además, el desgaste del disco de succión alcanzó ratios de hasta 6.3 mm/día, con algunos casos llegando al 100% de su límite de desgaste. Para abordar estos problemas, se implementó machine learning con herramientas como Pi Vision y Pi DataLink para analizar datos operativos históricos como presión, caudal y torque. Se desarrolló un modelo predictivo mediante técnicas de validación cruzada y análisis de componentes principales (PCA), lo que permitió predecir fallas y ajustar las frecuencias de mantenimiento basadas en las condiciones reales del equipo. El nuevo plan de mantenimiento, basado en estas predicciones, logró reducir los costos asociados al mantenimiento no programado y optimizó el tiempo de inactividad, mejorando la disponibilidad y vida útil de los componentes clave de la bomba Warman.application/pdfhttps://hdl.handle.net/20.500.12773/19965spaUniversidad Nacional de San Agustín de ArequipaPEinfo:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-nd/4.0/Universidad Nacional de San Agustín de ArequipaRepositorio Institucional - UNSAreponame:UNSA-Institucionalinstname:Universidad Nacional de San Agustíninstacron:UNSAMachine LearningMantenimiento predictivoBomba Warmanhttps://purl.org/pe-repo/ocde/ford#2.03.01Propuesta de mejora en la estrategia de mantenimiento de la bomba centrífuga de ciclones primarios mediante la aplicación de machine learning en una unidad minera de tajo abierto del centro del Perúinfo:eu-repo/semantics/bachelorThesisSUNEDU29525780https://orcid.org/0000-0002-4618-350673390269713046Fernandez Barriga, Camilo GrimaldoSanga Quiroz, Celso AntonioAdriazola Corrales, Pascual Heradiohttps://purl.org/pe-repo/renati/level#tituloProfesionalhttps://purl.org/pe-repo/renati/type#tesisIngeniería MecánicaUniversidad Nacional de San Agustín de Arequipa.Facultad de Ingeniería de Producción y ServiciosIngeniero MecánicoORIGINALTesis.pdfapplication/pdf5152608https://repositorio.unsa.edu.pe/bitstreams/bcc4fc2e-a077-47e9-806c-c7bcef7b0c9e/download903c8407401c75a274321bc81a9d0a95MD51Reporte de Similitud.pdfapplication/pdf5525613https://repositorio.unsa.edu.pe/bitstreams/fd55ab51-ffab-4d4f-8b48-ddd7fcb57c3c/downloadcb54c9c014aa6f6bd2e26f8ffdb1ffc7MD52Autorización de Publicación Digital.pdfapplication/pdf81013https://repositorio.unsa.edu.pe/bitstreams/544aaf94-c0d3-49f2-bd18-9a8935f2aa40/download921a56375ef5919ee13248ae6d11e147MD5320.500.12773/19965oai:repositorio.unsa.edu.pe:20.500.12773/199652025-05-06 11:10:34.878http://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccesshttps://repositorio.unsa.edu.peRepositorio Institucional UNSAvridi.gestioninformacion@unsa.edu.pe |
| dc.title.es_PE.fl_str_mv |
Propuesta de mejora en la estrategia de mantenimiento de la bomba centrífuga de ciclones primarios mediante la aplicación de machine learning en una unidad minera de tajo abierto del centro del Perú |
| title |
Propuesta de mejora en la estrategia de mantenimiento de la bomba centrífuga de ciclones primarios mediante la aplicación de machine learning en una unidad minera de tajo abierto del centro del Perú |
| spellingShingle |
Propuesta de mejora en la estrategia de mantenimiento de la bomba centrífuga de ciclones primarios mediante la aplicación de machine learning en una unidad minera de tajo abierto del centro del Perú Luque Percka, Fidel Eduardo Machine Learning Mantenimiento predictivo Bomba Warman https://purl.org/pe-repo/ocde/ford#2.03.01 |
| title_short |
Propuesta de mejora en la estrategia de mantenimiento de la bomba centrífuga de ciclones primarios mediante la aplicación de machine learning en una unidad minera de tajo abierto del centro del Perú |
| title_full |
Propuesta de mejora en la estrategia de mantenimiento de la bomba centrífuga de ciclones primarios mediante la aplicación de machine learning en una unidad minera de tajo abierto del centro del Perú |
| title_fullStr |
Propuesta de mejora en la estrategia de mantenimiento de la bomba centrífuga de ciclones primarios mediante la aplicación de machine learning en una unidad minera de tajo abierto del centro del Perú |
| title_full_unstemmed |
Propuesta de mejora en la estrategia de mantenimiento de la bomba centrífuga de ciclones primarios mediante la aplicación de machine learning en una unidad minera de tajo abierto del centro del Perú |
| title_sort |
Propuesta de mejora en la estrategia de mantenimiento de la bomba centrífuga de ciclones primarios mediante la aplicación de machine learning en una unidad minera de tajo abierto del centro del Perú |
| author |
Luque Percka, Fidel Eduardo |
| author_facet |
Luque Percka, Fidel Eduardo |
| author_role |
author |
| dc.contributor.advisor.fl_str_mv |
Adriazola Corrales, Pascual Heradio |
| dc.contributor.author.fl_str_mv |
Luque Percka, Fidel Eduardo |
| dc.subject.es_PE.fl_str_mv |
Machine Learning Mantenimiento predictivo Bomba Warman |
| topic |
Machine Learning Mantenimiento predictivo Bomba Warman https://purl.org/pe-repo/ocde/ford#2.03.01 |
| dc.subject.ocde.es_PE.fl_str_mv |
https://purl.org/pe-repo/ocde/ford#2.03.01 |
| description |
La tesis "Propuesta de mejora en la estrategia de mantenimiento de la bomba centrífuga de ciclones primarios mediante machine learning en una unidad minera del Perú" busca optimizar el mantenimiento predictivo de una bomba Warman, equipo crítico en el área de molienda. La bomba maneja un flujo de 9,000 m³/h con una eficiencia del 85% y operando a 282 RPM. Entre 2017 y 2021, registró 18 fallas no programadas, afectando la continuidad operativa. El análisis del MTBF (Tiempo Medio Entre Fallas) reveló que el disco de succión tiene un MTBF de 55 días con 27 averías, el impulsor 62.6 días con 24 averías, y el revestimiento de succión 64.9 días con 23 averías. Además, el desgaste del disco de succión alcanzó ratios de hasta 6.3 mm/día, con algunos casos llegando al 100% de su límite de desgaste. Para abordar estos problemas, se implementó machine learning con herramientas como Pi Vision y Pi DataLink para analizar datos operativos históricos como presión, caudal y torque. Se desarrolló un modelo predictivo mediante técnicas de validación cruzada y análisis de componentes principales (PCA), lo que permitió predecir fallas y ajustar las frecuencias de mantenimiento basadas en las condiciones reales del equipo. El nuevo plan de mantenimiento, basado en estas predicciones, logró reducir los costos asociados al mantenimiento no programado y optimizó el tiempo de inactividad, mejorando la disponibilidad y vida útil de los componentes clave de la bomba Warman. |
| publishDate |
2024 |
| dc.date.accessioned.none.fl_str_mv |
2025-05-06T16:10:19Z |
| dc.date.available.none.fl_str_mv |
2025-05-06T16:10:19Z |
| dc.date.issued.fl_str_mv |
2024 |
| dc.type.es_PE.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
| format |
bachelorThesis |
| dc.identifier.uri.none.fl_str_mv |
https://hdl.handle.net/20.500.12773/19965 |
| url |
https://hdl.handle.net/20.500.12773/19965 |
| dc.language.iso.es_PE.fl_str_mv |
spa |
| language |
spa |
| dc.relation.ispartof.fl_str_mv |
SUNEDU |
| dc.rights.es_PE.fl_str_mv |
info:eu-repo/semantics/openAccess |
| dc.rights.uri.es_PE.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/4.0/ |
| eu_rights_str_mv |
openAccess |
| rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-nd/4.0/ |
| dc.format.es_PE.fl_str_mv |
application/pdf |
| dc.publisher.es_PE.fl_str_mv |
Universidad Nacional de San Agustín de Arequipa |
| dc.publisher.country.es_PE.fl_str_mv |
PE |
| dc.source.es_PE.fl_str_mv |
Universidad Nacional de San Agustín de Arequipa Repositorio Institucional - UNSA |
| dc.source.none.fl_str_mv |
reponame:UNSA-Institucional instname:Universidad Nacional de San Agustín instacron:UNSA |
| instname_str |
Universidad Nacional de San Agustín |
| instacron_str |
UNSA |
| institution |
UNSA |
| reponame_str |
UNSA-Institucional |
| collection |
UNSA-Institucional |
| bitstream.url.fl_str_mv |
https://repositorio.unsa.edu.pe/bitstreams/bcc4fc2e-a077-47e9-806c-c7bcef7b0c9e/download https://repositorio.unsa.edu.pe/bitstreams/fd55ab51-ffab-4d4f-8b48-ddd7fcb57c3c/download https://repositorio.unsa.edu.pe/bitstreams/544aaf94-c0d3-49f2-bd18-9a8935f2aa40/download |
| bitstream.checksum.fl_str_mv |
903c8407401c75a274321bc81a9d0a95 cb54c9c014aa6f6bd2e26f8ffdb1ffc7 921a56375ef5919ee13248ae6d11e147 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Institucional UNSA |
| repository.mail.fl_str_mv |
vridi.gestioninformacion@unsa.edu.pe |
| _version_ |
1832567802266910720 |
| score |
13.936249 |
Nota importante:
La información contenida en este registro es de entera responsabilidad de la institución que gestiona el repositorio institucional donde esta contenido este documento o set de datos. El CONCYTEC no se hace responsable por los contenidos (publicaciones y/o datos) accesibles a través del Repositorio Nacional Digital de Ciencia, Tecnología e Innovación de Acceso Abierto (ALICIA).
La información contenida en este registro es de entera responsabilidad de la institución que gestiona el repositorio institucional donde esta contenido este documento o set de datos. El CONCYTEC no se hace responsable por los contenidos (publicaciones y/o datos) accesibles a través del Repositorio Nacional Digital de Ciencia, Tecnología e Innovación de Acceso Abierto (ALICIA).