Propuesta de un modelo de Machine Learning para el Mantenimiento Predictivo de transmisiones de una pala eléctrica Bucyrus 495 BII

• Autor: Pucho Medina, John Jorge
• Formato: tesis de grado
• Fecha de Publicación: 2024
• Institución: Universidad Tecnológica del Perú
• Repositorio: UTP-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.utp.edu.pe:20.500.12867/11721
• Enlace del recurso: https://hdl.handle.net/20.500.12867/11721
• Nivel de acceso: acceso abierto
• Materia: Machine Learning; Mantenimiento Predictivo; Industria minera; https://purl.org/pe-repo/ocde/ford#2.11.04

El objetivo principal de esta investigación es evaluar en qué medida se puede mejorar la efectividad operativa de los sistemas de transmisiones de la pala eléctrica Bucyrus 495 BII mediante la implementación de machine learning. Durante el período de 2024, la efectividad operativa de las transmisiones analizadas fue del 2.14%, calculada como el producto de los ratios de disponibilidad, confiabilidad, mantenibilidad y capacidad, con valores respectivos de 90.37%, 41.32%, 67.09% y 58% en el mismo período. Además, los procedimientos actuales de monitoreo del mantenimiento predictivo requieren que el equipo se detenga durante una hora y media por inspección y dado que el intervalo entre inspecciones es mensual, esta falta de monitoreo conllevó la aparición de tres fallas importantes en los sistemas de transmisión durante 2024, lo que resultó en pérdidas de producción para la empresa. La solución propuesta consiste en consultar en el estado del arte los artículos relacionados con los sistemas de transmisiones de palas y proponer un modelo de machine learning que pueda predecir oportunamente las fallas en estos sistemas. Tras evaluar un conjunto de 36 modelos de machine learning, se concluyó que el modelo más preciso fue el Aumento de Gradiente Extremo (XGBoost), con una precisión del 99.76%. La alta precisión de este modelo en la simulación de fallas permitió ajustar los índices de MTTR y MTBF para el período 2024, así como estimar la mejora de la cantidad de producción. Los resultados mostraron una mejora en los ratios de disponibilidad en 3.76%, confiabilidad en 50.44%, mantenibilidad en 15.69% y capacidad en 0.62% durante el mismo período. En conclusión, gracias a las mejoras en estos ratios, se calculó un aumento en la efectividad operativa del 3.89%, lo que representó un incremento del 81.72% después de la implementación del modelo de machine learning XGBoost.