Modelo predictivo de fallas para chancadores de la planta de chancado secundario y terciario de División Chuquicamata de Codelco

Abstract

A partir del uso de algoritmos de Machine Learning se busca crear un modelo predictivo de fallas para los chancadores de la planta de chancado secundario y terciario de la división Chuquicamata de Codelco. Para determinar el momento en que fallarán los chancadores se utilizan los algoritmos de regresión logística, Naïve-Bayes y K vecinos más cercanos (K-NN) empleando como variable independiente sólo los Tiempo entre Falla (TEF) que se calculan a partir de una base de datos entregada por la Superintendencia de Mantenimiento de Chuqui- camata, Codelco. La base de datos es analizada y purificada para obtener distribuciones de TEF fiables lo que se comprueba verificando que las distribuciones obtenidas satisfacen los tests de bondad de ajuste de Kolmogorov-Smirnov, Anderson-Darling y χ2 (chi-cuadrado) imponiendo que estas distribuciones corresponden a distribuciones Weibull, por otro lado, se verifica que estas distribuciones siguen una distribución Weibull utilizando el método de mí- nimos cuadrados y analizando su coeficiente de determinación (R2). Para las tareas anteriores se utiliza el complemento Easy Fit y una planilla Excel facilitada por la misma Superinten- dencia de Mantenimiento. Se comprueba que a un nivel de confianza del 2 % los tests de bondad nunca son rechazados, además, el coeficiente de determinación es siempre mayor o igual a 0,92. Los resultados de las técnicas de Machine Learning indican que la exactitud pro- medio al considerar los 5 chancadores secundarios y 10 chancadores terciaros son de 83,4 % para la regresión logística, 80,8 % para el Naïve-Bayes y 78,1 % para el K-NN. En cuanto a la precisión a la hora de determinar fallas estas corresponden a 91,7 %, 90,2 % y 83,1 % respectivamente. Los mejores resultados se observan en el chancador secundario MP1000, el chancador terciario 8 y el chancador terciario 9 donde las precisiones fluctúan entre un 90 % y 95 % para todos los algoritmos, por el contrario, para el chancador secundario Symons 7 de la sección B de la planta, el algoritmo K-NN muestra una precisión de tan sólo 48 %. Con el objetivo de determinar el cómo va a fallar el chancador se realiza un Random Forest donde se utilizan los modos de falla como única variable independiente. Debido a las disí- miles frecuencias de los modos de falla se utilizan técnicas de balanceo de datos, junto a lo anterior se utilizan técnicas para optimizar los hiper-parámetros del modelo. Al utilizar la información del chancador MP1000 se alcanza una exactitud del 58 % lo que se puede interpretar como un discreto resultado el cual se explica por la utilización de tan sólo una variable independiente, sin embargo, los resultados del Random Forest brindan información para realizar una pauta de inspección de equipos enfocándose en las fallas por el sistema de lubricación que es la de mayor frecuencia y el modo de falla entregado por el propio modelo de Random Forest. Finalmente, se sugiere realizar un análisis económico para determinar los beneficios de considerar los resultados entregados y para determinar el momento óptimo de realización de mantenciones preventivas y su periodicidad.