Revolucionando la Detección de Anomalías en la Minería: Implementación de Redes Neuronales Autoencoder en Chancadores Primarios

En el competitivo entorno de la industria minera, asegurar la eficiencia operativa y reducir las paradas no programadas es fundamental. Con la adopción creciente de tecnologías avanzadas, el uso de Machine Learning se ha vuelto crucial para mejorar la operatividad y sostenibilidad. En este contexto, se desarrolló un modelo de red neuronal basado en ‘Autoencoder’ para detectar anomalías en chancadores primarios, piezas clave en el proceso minero. Este trabajo técnico detalla la aplicación de técnicas avanzadas de aprendizaje automático para mejorar la detección y prevención de fallos, destacando la construcción y funcionamiento de un modelo de red neuronal, su impacto en la operación minera y su posible replicación en otras áreas de la industria. 

En este caso se realizó el desarrollo de un modelo de detección temprana de anomalías para un equipo crítico en las operaciones mineras como son los chancadores primarios. Luego de varias sesiones de trabajos con expertos en la operación y mantenimiento del equipo se identificaron las siguientes variables sobre las cuales se trabajaría el modelo: Estado chancador, potencia del motor eléctrico, flujo de alimentación, altura del poste, sistema de lubricación, presión de hidroset, vibraciones en puntos críticos, temperaturas de rodamientos y flujo de alimentación.  Además, fue necesaria la identificación de periodos de operación normal para el cual se entrenaría el modelo de aprendizaje profundo.

Figura: Esquema Genérico de Chancador Primario

El modelo de red neuronal diseñado con TensorFlow, empleando una función de activación ‘elu’ y una arquitectura simétrica de ‘Autoencode’, fue seleccionado por su capacidad para aprender representaciones normales del funcionamiento de los equipos y detectar desviaciones. Este enfoque se comparó con otros modelos de aprendizaje automático, destacando por su eficiencia en capturar y modelar relaciones complejas entre los datos operacionales. 

El modelo, que se reentrena periódicamente para adaptarse a las condiciones cambiantes, se compila con una función de pérdida ‘mse’ y el optimizador ‘adam’, garantizando una detección precisa y eficiente de anomalías. 

Figura: Arquitectura y Despliegue de Modelo Predictivo

Figura: Detección de anomalías con un umbral 

La implementación de este modelo en chancadores primarios ha llevado a una mejora significativa en la detección temprana de condiciones anormales, reduciendo el tiempo de inactividad y los costos de mantenimiento. Esta mejora no solo tiene implicaciones económicas sino también operativas, asegurando un funcionamiento más eficiente y continuo de los equipos críticos. 

La aplicación de este modelo de red neuronal se llevó a cabo utilizando herramientas avanzadas de análisis de datos industriales como Seeq. La capacidad de transformar datos operativos en insights accionables ha sido crucial para este proyecto, permitiendo una toma de decisiones rápida y eficiente en el entorno dinámico de la minería. 

El uso de estas tecnologías avanzadas en el contexto minero demuestra su valor en mejorar la eficiencia operativa y abrir nuevos caminos para la optimización de procesos. El éxito obtenido en la detección de anomalías en chancadores primarios es un claro ejemplo de cómo la innovación tecnológica puede contribuir significativamente a la industria. 

Este proyecto resalta la importancia de integrar soluciones tecnológicas avanzadas en la minería. La aplicación de modelos de Machine Learning como el ‘Autoencoder’ en la detección de anomalías en chancadores primarios no solo mejora la eficiencia operativa, sino que también sienta las bases para futuras investigaciones y desarrollos en otras áreas de la industria minera. 

Leave a Comment

Your email address will not be published. Required fields are marked *