Aplicación del Machine Learning para predecir el tiempo de vida útil remanente de un Molino SAG en una empresa minera

Abstract

El presente trabajo tiene como objetivo general emplear modelos de Machine Learning Supervisado de clasificación para conocer de forma anticipada el número de horas que le resta a un Molino SAG hasta que presente una falla potencial con el objetivo de evitar las paradas no programadas y sus consecuencias económicas por lucro cesante. Se emplea el indicador Tiempo de vida útil remanente (Remaining Useful Lifetime: RUL) para este fin. Con respecto al procesamiento de datos, se hizo uso del lenguaje de programación Python en la plataforma cloud Colab. En el análisis predictivo se identificaron las variables predictoras relevantes obtenidas de los sensores compiladas en una base de información de un año de operaciones del Molino SAG. Se realizaron un análisis exploratorio de datos tratando valores atípicos. Se emplearon técnicas de balanceo de datos por Oversampling y k-fold cross validation para la optimización de resultados. Mostrados en una estructura comparativa de indicadores de desempeño, se determinó a través de procesamiento de datos, que con la aplicación del Machine Learning, específicamente el algoritmo de clasificación XGBoost (XGB), se obtuvo un desempeño óptimo en la sensibilidad para predecir la falla potencial. En el proceso final, se elaboró un predictor para estimar, con un porcentaje de exactitud, la falla potencial del Molino SAG. Finalmente, y atendiendo los objetivos específicos, se demuestra la reducción de los costos por lucro cesante producto de la disminución de actividades correctivas de mantenimiento y el aumento de la facturación de la tonelada métrica por hora generado por el aumento de la disponibilidad del Molino SAG.

The general objective of this work is to use classification Supervised Machine Learning models to know in advance the number of hours that a SAG Mill has left until it presents a potential failure in order to avoid unscheduled stops and their economic consequences. for loss of profit. The Remaining Useful Lifetime (RUL) indicator is used for this purpose. Regarding data processing, the Python programming language was used on the Colab cloud platform. In the predictive analysis, the relevant predictor variables obtained from the sensors compiled in an information base of one year of operations of the SAG Mill were identified. An exploratory data analysis was performed treating outliers. Oversampling and k-fold cross validation data balancing techniques were used to optimize results. Shown in a comparative structure of performance indicators, it was determined through data processing that with the application of Machine Learning, specifically the XGBoost (XGB) classification algorithm, optimal performance in sensitivity was obtained to predict potential failure. . In the final process, a predictor was developed to estimate, with an accuracy percentage, the potential failure of the SAG Mill. Finally, and taking into account the specific objectives, the reduction of the costs due to lost profits is demonstrated as a result of the decrease in corrective maintenance activities and the increase in the billing of the metric ton per hour generated by the increase in the availability of the SAG Mill.