Aplicaciones del aprendizaje profundo en la predicción de la degradación de un chancador minero

Abstract

En la industria minera, monitorear el estado de salud de las maquinarias es fundamental para prevenir fallas que puedan interrumpir las operaciones y reducir la productividad. Este trabajo desarrolla una metodología para predecir el estado de salud de un chancador minero utilizando herramientas del aprendizaje profundo.

El análisis de datos operativos mediante técnicas de clustering permite identificar perfiles de uso y patrones de desgaste del equipo. Estos resultados facilitan la selección de las variables más relevantes, que, junto con los registros de fallas y mantenimientos, se integran en un modelo basado en un autoencoder para generar un indicador de salud. Además, se exploran como el uso de modelos de lenguaje grandes (LLM, por sus siglas en inglés) pre-entrenados puede adaptarse a la tarea de predicción de series de tiempo. Esto incluye la experimentación con varias arquitecturas y estrategias para trabajar con datos númericos y textuales, con el fin de predecir el valor del indicador de salud del chancador.