Diseño de un sistema de predicción de fallas de motor de camión minero basado en algoritmos de aprendizaje

Abstract

El siguiente trabajo de investigación tiene como foco el crear un sistema de predicción de fallas de motor de camión minero basado en algoritmos de aprendizaje. Su importancia radica en que la falla imprevista de un motor tiene un alto impacto operacional y económico en la mina, por lo que es necesario implementar un modelo predictivo capaz de poder anticipar esas fallas. Para lograrlo, se realizó un análisis de las principales fuentes de información presentes en la mina y se escogieron dos principales: el análisis de aceite de motor, que permite detectar partículas contaminantes en el motor, y el controlador VIMS que recolecta diferentes contadores del estado del camión. Uniendo esta base de datos, se realizó un preprocesamiento de datos, se separó la muestra de datos a utilizar y se realizó un resumen estadístico. Luego, se procedió con la estandarización de datos y luego se separó la muestra de datos en dos conjuntos, uno de entrenamiento y otro de validación. Para los datos de entrenamiento se evaluaron algoritmos lineales y no lineales, así como algoritmos ensamblados con la finalidad de encontrar el que muestre un mejor desempeño y utilizarlo en los datos de validación. El resultado esperado es la creación de un sistema capaz de predecir fallas en los motores de camiones mineros con una precisión mayor que la realizada actualmente a través de estadísticas. Esto sería una alternativa que contribuirá a mejorar la disponibilidad de los camiones mineros y reducir los costos de mantenimiento.

This research project aims to develop a prediction system for mining truck engine failures based on learning algorithms. Given the high criticality of engines in mining operations and their economic impact, the goal is to optimize equipment availability by implementing a predictive model that can anticipate failures and reduce the costs associated with unscheduled maintenance. To achieve this, an analysis was conducted on the main information sources available at the mine, and two key ones were selected: the oil analysis, which detects contaminant particles in the engine, and the VIMS controller, which collects various pressure, temperature, and truck status data. These datasets were merged, and a data preprocessing phase was carried out. The data sample was then split, and a statistical summary was performed. Next, the data was standardized to better apply the proposed algorithms. Additionally, the dataset was divided into two subsets: one for training and another for validation. For the training data, both linear and nonlinear algorithms, as well as ensemble algorithms, were evaluated to identify the one with the best performance for use on the validation set. The expected outcome is the development of a system capable of predicting failures in mining truck engines with greater accuracy than current statistical methods. This would offer an alternative that helps improve truck availability, reduce maintenance costs, and thereby increase the operational efficiency of mining operations.