Desarrollo de un modelo de mantenimiento predictivo en una planta de molienda SAG basado en redes bayesianas y Deep Learning

Abstract

El mantenimiento es una tarea compleja y constante, la cual puede ser llevada a cabo siguiendo diversas estrategias para realizar operaciones de manera correctiva, preventiva o predictiva. La predicción de fallas requiere de un monitoreo persistente y personal capacitado para ello. Actualmente, la estrategia predictiva es la que tiene los mejores resultados en ampliar disponibilidades y reducir los costos de mantenimiento, especialmente en grandes plantas productivas. Para realizar predicciones se requiere analizar una basta cantidad de datos del sistema, lo que para un humano es imposible de realizar. Debido a esto herramientas y algoritmos computacionales basados en el Deep Learning surgen como una solución tecnológica que apunta a la modernización del mantenimiento, lo que motiva al mantenedor a buscar aplicaciones innovadoras en tareas como la predicción de anomalías en su sistema mecánico. En el presente trabajo se busca desarrollar un modelo de mantenimiento predictivo basado en Deep Learning y Redes Bayesianas en una planta de molienda SAG. Para ello se trabaja con redes neuronales que admiten incertidumbre sobre una base de datos de sensores, los cuales son preprocesados junto a registros de mantenimiento con el objetivo de realizar predicciones del estado de los subsistemas incorporados en una red de relaciones condicionales denominada Red Bayesiana, la cual entrega un resultado sistémico. Los resultados dan cuenta del filtrado de datos de variables críticas del sistema, 11 Redes Neuronales Bayesianas entrenadas para cada subsistema identificado en la molienda y su integración a 2 diseños de arquitecturas de Red Bayesiana, obteniendo predicciones a nivel sistémico junto con una validación realizada con el registro de mantenimiento disponible. Del trabajo se concluye que la realización de predicciones mediante una Red Neuronal y una Bayesiana es posible. Desprendiendo que un enfoque tecnológico en el mantenimiento debe estar acompañado de un operador que sea capaz apoyarse, y no confiarse, de los resultados de estos modelos para la toma de decisiones. Además se muestra potencial del el modelo para ser aplicado en una variedad de sistemas y extensiones a un clasificador múltiple.