Desarrollo de un modelo de Machine Learning para la detección de anomalías en Chancadores Primarios en la etapa de Chancado de extracción de cobre

Abstract

En el exigente entorno de la industria minera, garantizar la eficiencia operativa y minimizar las interrupciones no planificadas es de vital importancia. En respuesta a esta necesidad, se ha vuelto fundamental adoptar tecnologías avanzadas, donde el machine learning desempeña un papel crucial para asegurar la confiabilidad de los equipos críticos. En este contexto, se ha desarrollado un modelo de machine learning basado en una red neuronal 'Autoencoder' para la detección temprana de anomalías en los chancadores primarios, componentes clave en el proceso minero. Este trabajo técnico detalla la aplicación de técnicas avanzadas de aprendizaje automático para fortalecer la detección y prevención de fallos, así como su impacto en la operación minera. Este proyecto específico implica el desarrollo de un modelo de detección temprana de anomalías para un equipo crítico en las operaciones mineras, como son los chancadores primarios. Tras varias sesiones de trabajo con expertos en la operación y mantenimiento del equipo, se validó el modelo, lo que permite monitorear y planificar en tiempo oportuno las anomalías a fin de prevenir paradas no planificadas. Este enfoque se ha implementado con éxito en una mina de cobre, lo que ha habilitado un monitoreo de las anomalías en el chancador primario y la planificación proactiva de mantenimiento basado en la condición de estas anomalías cuantificadas. Este proyecto demuestra cómo la aplicación efectiva de machine learning puede mejorar la confiabilidad de equipos críticos en las operaciones mineras, ofreciendo un modelo replicable y adaptable para otras áreas de la industria.

In the demanding workflows of mining operations, ensuring operational efficiency, and minimizing unplanned interruptions is of vital importance. In response to this need, it has become essential to adopt advanced technologies, where machine learning plays a crucial role in ensuring the reliability of critical equipment. In this context, a machine learning model based on an 'Autoencoder' neural network has been developed for early detection of anomalies in primary crushers, key equipment in the mining process. This technical work details the application of advanced machine learning techniques to strengthen fault detection and prevention, highlighting the construction and operation of this neural network model, as well as its impact on mining operations. This specific project involves the development of an early anomaly detection model for critical equipment in mining operations, such as primary crushers. After several working sessions with experts in equipment operation and maintenance, the model was validated, enabling timely monitoring and planning of anomalies to prevent unplanned downtimes. This approach has been successfully implemented in a copper mine, enabling monitoring of anomalies in the primary crusher and proactive maintenance planning based on the condition of these quantified anomalies. This project demonstrates how the effective application of machine learning can improve the reliability of critical equipment in mining operations, offering a replicable and adaptable model for other areas of the industry.