MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 577 / OCTUBRE 2025 75 En conjunto, estos resultados validan el enfoque modular del modelo, así como la decisión de utilizar autoencoders convolucionales entrenados con datos limpios, normalizados y segmentados por sistema. Conclusiones 1. La implementación de un modelo de detección de anomalías basado en autoencoders convolucionales en la faja overland del proyecto Toromocho ha demostrado ser una solución efectiva para el monitoreo continuo de la salud operativa de un sistema crítico en el proceso de transporte de mineral. 2. El enfoque modular por sistemas –dividiendo la faja en seis subsistemas funcionales– permitió una mejor segmentación del comportamiento operativo y facilitó la identificación de componentes específicos responsables de desviaciones. Este diseño resultó fundamental en un entorno con más de 370 señales sensóricas activas, donde el análisis manual por parte del equipo de mantenimiento predictivo era inviable. 3. El modelo, entrenado con datos reales bajo condiciones normales de operación y desplegado en un servidor local de analítica, logró generar alertas tempranas con precisión, incluso ante eventos que no manifestaban inicialmente una caída en la salud global de la faja. Casos como la contaminación de aceite en CST y fugas en líneas hidráulicas fueron anticipados con ventanas de tiempo suficientes para realizar inspecciones preventivas, demostrando así la capacidad del modelo para reducir el riesgo de fallas no programadas. 4. Además, el modelo ha sido integrado de forma operativa al entorno de monitoreo existente (PI System), proporcionando un índice de salud por componente, sistema y faja completa, en una escala de 0 a 100%, con niveles de criticidad bien definidos. Este índice se ha convertido en una herramienta útil para la priorización de intervenciones técnicas. 5. Finalmente, los resultados obtenidos respaldan la adopción de técnicas avanzadas de inteligencia artificial en el sector minero, y sientan las bases para futuras integraciones con sistemas de mantenimiento (como SAP) y la automatización de órdenes de trabajo, avanzando hacia un modelo de mantenimiento predictivo inteligente y alineado con los principios de la Minería 4.0. Bibliografía Ahmed, I., Ahmad, M., Chehri, A., & Jeon, G. 2023. A Smart-Anomaly-Detection System for Industrial Machines Based on Feature Autoencoder and Deep Learning. Micromachines, 14(1), 154. Alfeo, A., Cimino, M., Manco, G., Ritacco, E., & Vaglini, G. 2020. Using an autoencoder in the design of an anomaly detector for smart manufacturing. Pattern Recognition Letters, 136, 272-278. Alharbi, F., & Luo, S. 2024. A Review of Fault Detecting Devices for Belt Conveyor Idlers. Journal of Mechanical Engineering Science and Technology, 39-53. Figura 16. Salud del sistema de frenos durante la Falla 4. Tabla 5. Descripción Falla 4 Fecha de inicio 29/03/2025 9:44 Fecha de fin 29/03/2025 11:27 Sistema Sistema de frenos Componente Acumulador Síntoma Presión baja Modo de falla Despresurización de nitrógeno
RkJQdWJsaXNoZXIy MTM0Mzk2