MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 577 / OCTUBRE 2025 67 Esta infraestructura es clave para alimentar el modelo de análisis basado en autoencoders convolucionales, cuyo propósito es detectar anomalías y predecir fallas antes de que se materialicen. Actualmente, se encuentran instalados 370 sensores distribuidos a lo largo de toda la faja, de los cuales 141 acelerómetros y piezoeléctricos fueron añadidos en junio de 2024 como parte del plan de monitoreo predictivo. Estos sensores están ubicados en las chumaceras de las 14 poleas que conforman el sistema, así como en los rodamientos y carcasas de los CST, permitiendo captar las firmas vibratorias que anteceden a condiciones anómalas. El monitoreo térmico se realiza mediante RTD industriales de la marca SKF, instalados en ambos lados de las poleas y en las zonas de acople y lado libre de los CST. Los sensores que forman parte de los CST fueron integrados desde fábrica, garantizando precisión y compatibilidad con la arquitectura del sistema. Todas las señales son adquiridas por medio de una red de PLC intermedios conectados al sistema de control mediante protocolos OPC, lo que permite una integración fluida y centralizada en el sistema PI System de OSIsoft. Las variables se almacenan con una frecuencia de muestreo de un segundo, lo cual proporciona un alto nivel de resolución temporal para el análisis de comportamiento dinámico. En una primera instancia, se intentó realizar la descarga de datos históricos mediante PI DataLink. Sin embargo, la alta cantidad de señales generó cuellos de botella en el acceso a la memoria del servidor PI Archive, haciéndolo inviable para análisis de largo plazo. Para resolver este problema, se habilitó una máquina virtual on-premise en los servidores de TICA, desde la que se estableció una conexión directa con PI Archive. Esto permitió desarrollar rutinas de extracción de datos automatizadas utilizando Python, sin comprometer la estabilidad del sistema principal. Dado el volumen y complejidad de los datos, el procesamiento no se realiza en la nube, sino localmente en un servidor de analítica on-premise. Este servidor fue habilitado específicamente para soportar modelos de machine learning y análisis multivariado sobre ventanas de datos extensas, evitando latencias y minimizando la dependencia de la conectividad externa. En cuanto al preprocesamiento, se implementó una estrategia de limpieza en dos etapas. En la primera, se correlacionaron los registros históricos con la base de datos de eventos de detención (fallas, paradas por mantenimiento y eventos operacionales), filtrando así los periodos anómalos para conservar únicamente los datos representativos de operación normal. En la segunda etapa, se aplicó una limpieza estadística basada en cuartiles, eliminando outliers extremos que, en muchos casos, correspondían a valores de error o pérdida de comunicación temporal de algunos sensores del PI System. Justificación del modelo Previo al desarrollo del modelo propuesto, la Figura 7. Salud CST4 durante la Falla 1. Tabla 3. Descripción Falla 2 Fecha de inicio 12/01/2025 11:09 Fecha de fin 12/01/2025 11:44 Sistema Sistema de frenos Componente Acumulador Síntoma Presión baja Modo de falla Fuga de manguera hidráulica
RkJQdWJsaXNoZXIy MTM0Mzk2