Modelo de Aprendizaje automático para mejorar el mantenimiento de Molinos Semi-autógenos

• Autores: Teves Adanaque, Oscar Isaac, Sobero Rodriguez, Fany Yexenia
• Formato: artículo
• Fecha de Publicación: 2025
• Institución: Universidad Nacional Tecnológica de Lima Sur
• Repositorio: UNTL-Biotech
• Lenguaje: español
• OAI Identifier: oai:ojs2.localhost:article/190
• Enlace del recurso: https://revistas.untels.edu.pe/index.php/files/article/view/190
• Nivel de acceso: acceso abierto
• Materia: Molinos SAG; mantenimiento predictivo; aprendizaje automático; mineria

La molienda es un procedimiento crucial en el sector minero, los equipos más importantes en este proceso son los molinos autógenos y semi-autógenos (SAG), que trituran grandes cantidades de material como cobre y oro, gestionando más de 100,000 toneladas al día. El mantenimiento de estos molinos es un reto complejo debido a la necesidad de reemplazar sus revestimientos internos y a las variaciones en los tiempos de intervención, lo que dificulta una planificación adecuada. Cualquier retraso en el mantenimiento puede detener la producción, generando pérdidas de entre 50,000 y 500,000 dólares por hora. Para abordar esta problemática se realizó el presente estudio utilizando un conjunto de datos históricos de mantenimiento, incluyendo etapas del proceso, tipos de componentes y reportes de mantenimiento preventivos y correctivos, aplicando la metodología Proceso Estándar de la Industria Cruce para la Minería de Datos (CRISP-DM), se pudieron identificar atributos claves y patrones relevantes para predecir tiempos de intervención, a través de algoritmos de aprendizaje automático, específicamente en regresión lineal, regresión polinomial y redes neuronales de regresión , usando Keras. Los resultados mostraron que estos modelos ofrecen alta precisión en la predicción de los tiempos reales de mantenimiento facilitando una mejor comprensión de los atributos que influyen en la duración real de los mantenimientos de los molinos SAG, contribuyendo a la planificación operativa y reduciendo las pérdidas financieras. El uso de un método predictivo fundamentado en el aprendizaje automático contribuye a la mejora de los procesos de mantenimiento, garantizando la continuidad de la producción y previniendo interrupciones costosas.