MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 577 / OCTUBRE 2025 68 estrategia de monitoreo predictivo en la faja overland se basaba principalmente en análisis manual de tendencias. Si bien esta metodología puede ser efectiva en sistemas con pocas variables, en el caso de la faja –con más de 370 señales monitoreadas en tiempo real– resultaba poco escalable y altamente dependiente de la capacidad de analista para detectar patrones sutiles de deterioro. Esta limitación reducía significativamente la capacidad de generar alertas tempranas ante condiciones anómalas incipientes. Dado el volumen y diversidad de datos, se exploraron inicialmente técnicas de aprendizaje no supervisado como K-Nearest Neighbors y modelos de agrupamiento multivariado. Sin embargo, estas metodologías no ofrecieron resultados satisfactorios, debido a la alta dimensionalidad de las señales, la necesidad de preprocesamiento complejo y una limitada capacidad para capturar relaciones espaciales y temporales en los datos. Por otro lado, el sistema opera en condiciones normales la mayor parte del tiempo, y los eventos de falla documentados son poco frecuentes: en los últimos tres años, la faja overland ha registrado apenas ocho detenciones, de las cuales solo tres han tenido causas repetitivas. Esta escasa disponibilidad de datos etiquetados imposibilita el uso de técnicas supervisadas, justificando así la elección de un enfoque no supervisado para detección de anomalías. En este contexto, se optó por el uso de autoencoders convolucionales, debido a tres ventajas clave: Capacidad de generalización: al aprender representaciones compactas del comportamiento normal, el modelo puede identificar desviaciones sutiles sin requerir ejemplos de fallas. Captura de patrones espaciales: la arquitectura convolucional permite detectar relaciones entre sensores que se encuentran Figura 8. Salud presión del sistema durante la Falla 1. Figura 9. Salud general durante la Falla 2.
RkJQdWJsaXNoZXIy MTM0Mzk2