SIMULACIÓN DE CAMBIO PREVENTIVO DE NEUMÁTICOS PARA CAMIONES

MINEROS MEDIANTE UNA RED NEURONAL ARTIFICIAL

Orlando Durán
Escuela de Ingeniería Mecánica, Pontificia Universidad Católica de Valparaíso
Avda. Los Carrera 01567, Quilpué, Chile
orlando.duran@ucv.cl

Resumen Choapa, Región de Coquimbo. Su método de

El objetivo de este trabajo es presentar un
breve concepto de modelización mediante
una Red Neuronal Artificial (RNA) para
predecir la duración de neumáticos a partir de
información histórica. Con esto se logran
beneficios para el negocio tales como, evitar
fallas, tener un stock mínimo, obtener
ganancias económicas al transportar mayor
cantidad de material, entre otros.
Introducción
En la minería, la gestión de activos físicos es
un área que cada vez se posiciona más alto
debido al gran impacto económico que puede
generar. El presente paper estudia el
comportamiento del desgaste en los
neumáticos de los camiones mineros marca
Komatsu modelo 930E en Minera Los
Pelambres y se propone desde dicha
experiencia una nueva política de
mantenimiento que se aplique en los
neumáticos de los camiones mineros para
mejorar la disponibilidad de los neumáticos y
así obtener un normal funcionamiento de los
camiones y por ende de la mina. Este equipo
es crítico en la labor minera, ya que,
generalmente las faenas no cuentan con
muchos equipos de respaldo por el alto valor
de adquisición. Por lo tanto, cualquier
medida que permita generar un aumento en la
disponibilidad de estos equipos tendrá un
enorme impacto en el negocio minero.
Minera Los Pelambres (MLP) se encuentra
ubicada a 200 kilómetros al norte de la
ciudad de Santiago y a 45 kilómetros al este
de la ciudad de Salamanca en la provincia del
explotación es a rajo abierto y está ubicado
entre las cotas 2800 y 3800 msnm, con
bancos de 15 metros de altura. Las reservas
ascienden a 2.206 millones de toneladas de
mineral de cobre explotables comercialmente
con una ley promedio de 0,62% de Cu,
siendo el principal mineral la calcopirita y
obteniendo uma producción en el 2013 de
aproximadamente 390.000 toneladas de
cobre fino, 8.000 toneladas de Molibdeno y
30.000 onzas de oro, con un movimiento
mina cercano a las 137.000.000 toneladas.
Actualmente Minera Los Pelambres posee 52
camiones modelo Komatsu 930 E. La
particularidad de MLP es que se tiene un
acuerdo comercial para la adquisición de los
neumáticos con Michelin, el cual, consiste en
un contrato integral basado esencialmente en
el rendimiento del neumático en base a
“toneladas por kilómetro” o “Contrato TK”.
Las consecuencias más graves de las fallas de
estos neumáticos son con respecto a la
seguridad del operador del camión, ya que, se
puede provocar un auto encendido en el
interior del neumático, esto al tener al agente
oxidante (aire comprimido); además pueden
producirse explosiones de neumáticos al
romperse. Con respecto a los daños del
equipo son afectados principalmente los aros
base de los neumáticos. Con respecto al valor
económico, las fallas de estos neumáticos
provocan indisponibilidad del neumático y
del camión, además impacta inmediatamente
en el rendimiento de la flota de camiones,
afectando por tanto la productividad, costos
de producción. Para evitar estas fallas se
deben generar programas de mantenimiento
de los neumáticos, monitoreos constantes en
terreno, revisar estados de caminos, peraltes,
pendientes, etc. Todo estetrabajo es realizado
por un equipo altamente especializado de la
empresa Michelin.Los datos fueron obtenidos
de los registros de la empresa Michelin en
conjunto con el Proceso de Transporte de
MLP que monitorea estos antecedentes
continuamente. Cabe señalar, que la medida
de duración de estos neumáticos son las
horas de uso y actualmente los neumáticos
delanteros se pasan a la parte posterior entre
los 1500 y 1750 (hr) llegando avalores
finales de uso de hasta unos 6.000 (hr). Eso
sí, todo depende del buen uso que el operador
tenga en la conducción del camión y de las
condiciones de la mina. Estos valores están
por encima de las horas teóricas de cambio
indicadas por el fabricante, que son del orden
de 5.000 (hr)aproximadamente, como se
muestra en la figura 1.
Tabla I Extracto de Registros de Cambios de Neumáticos
Redes Neuronales Artificiales (RNA)
Una red neuronal es un sistema compuesto de
un conjunto de elementos procesadores
simples operando en paralelo, cuya función
es determinada por la estructura de la red,
intensidad en las conexiones y el
procesamiento realizado por los elementos
computacionales en los nodos. Las RNA
imitan su funcionamiento a aquellas que se
encuentran en el ámbito biológico. Son aptas
para resolver problemas que no poseen un
algoritmo claramente definido para
transformar una entrada en una salida;
aprenden, reconocen y aplican relaciones
entre objetos. Las redes neuronales están
Fig.1 Evolución de rendimientos
En este análisis se intenta estimar el
momento adecuado de traspasar los
neumáticos delanteros hacia la parte trasera
de los camiones mineros modelo Komatsu
930E, usando una Red Neuronal Artificial
(RNA). Una buena decisión en realizar esta
actividad podrá maximizar la vida útil de los
neumáticos sacando beneficios económicos
de esta operación. Los datos recopilados
fueron facilitados por la empresa Michelin e
indican las horas totales de vida del
neumático entre los años 2011 y el 2013,
como se indica en la Tabla I (Extracto de
base de datos completa).
formadas por un conjunto de neuronas
artificiales interconectadas. Las neuronas de
la red se encuentran distribuidas en diferentes
capas de neuronas, de manera que las
neuronas de una capa están conectadas con
las neuronas de la capa siguiente, a las que
pueden enviar información. La arquitectura
más usada en la actualidad de una red
neuronal se presenta en la figura 2, la cual
consiste en:
Una primera capa de entradas, que recibe
información del exterior.
Una serie de capas ocultas (intermedias),
encargadas de realizar el trabajo de la red.
Una capa de salidas, que proporciona el
resultado del trabajo de la red al exterior

Fig.2 Estructura típica de una RNA
Los círculos representan neuronas, mientras
las flechas representan conexiones entre las
neuronas. El número de capas intermedias y
el número de neuronas de cada capa
dependerá del tipo de aplicación al que se
vaya a destinar la red neuronal. Se emplea
normalmente un conjunto de ejemplos
representativos de la transformación deseada
para entrenar el sistema, que, a su vez, se
adapta para producir las salidas deseadas
cuando se lo evalúa con las entradas
aprendidas.
Además se producirán respuestas cuando, en
la utilización, se presenten entradas
totalmente nuevas para sistema, esto es
durante el modo entrenamiento la
información sobre el sistema a resolver es
almacenada dentro de la red neuronal
artificial y la red utiliza su modo productivo
en ejecutar transformaciones y aprender. De
este modo el sistema de red neuronal no
reside necesariamente en la elegancia de la
solución particular sino en su generalidad de
hallar solución a problemas particulares,
habiéndose proporcionado ejemplos del
comportamiento deseado. Esto permite la
evolución de los sistemas autómatas sin una
reprogramación explícita. El objetivo de la
RNA para este caso en particular es modelar
matemáticamente y así formular una solución
mediante un entrenamiento neuronal,
aprendiendo automáticamente las
propiedades del problema planteado. Estas
propiedades incluyen el modelo de red, las
variables de entrada y el preprocesamiento de
la información que formará el conjunto de
entrenamiento.
Conjunto de Datos y modelación de la
RNA.
El conjunto de datos fue tomado de una base
de muestras que la empresa Michelin
controla y gestiona; para este estudio se
analizaron 881 casos que fueron tomados
entre los años 2011 y 2013. Para modelar la
RNA se utilizaron dos variables de entrada y
una variable de salida, las cuales, son
registradas cada vez que se realiza un cambio
de un neumático delantero hacia la parte
trasera del camión. Los datos se
normalizaron para transformarlos en una
forma adecuada para la red neuronal artificial
y hacer la configuración, esta normalización
se realizó dividiendo cada dato por el de
mayor valor, como se muestra en la siguiente
fórmula 1. Donde Xi es el dato de orden i, y
Yi es el dato de orden i normalizado.
Yi = Xi /max(i)
Variables de entrada:
Las variables de entrada son dos:
a) Las toneladas por kilómetro que ha
transportado el camión reales.(TK)
b) Medida de desgaste del neumático reales
en mm (RTD1)
Estas dos variables de entrada fueron
analizadas y representadas en un formato
para que se aplicara la RNA, es decir, una
matriz de 881 x 2 como se puede apreciar en
el extracto de tabla II.
Tabla II. Extracto de Registros de Entrada
Variable de Salida
La variable de salida son las horas del
neumático reales al momento de pasarlo del
eje delantero al eje trasero (Hrs.eje 1). A
continuación se muestra un extracto del
vector de 881x1, en tabla III. Nota: Los Tabla IV. Resultados con RNA 10 nodos en
valores menores (673 hr. y 173 hr.) capa oculta (extracto)
corresponden principalmente a daños
prematuros de los neumáticos producidos
principalmente por fallas operacionales como
por ejemplo que el camión pase por encima
de una piedra. Estos representan menos de un
2% de la muestra total (881casos).

Tabla III. Extracto de Registros de Salida

Tabla V. Resultados con RNA 15 nodos en

capa oculta (extracto)

Entrenamiento (Training) de 70%: Son los

datos que se presentan a la red durante el
entrenamiento, y la red se ajusta de acuerdo a
su error, lo cual significa que trabajará con
ese porcentaje de casos, es decir, los datos
son 881, pero el entrenamiento se realizara
con 617 ejemplos. Validación (Validation) de
15%: Se utiliza para medir la capacidad de Tabla VI. Resultados con RNA 20 nodos en
generalización de la red, y para detener el capa oculta (extracto)
entrenamiento cuando obtiene el mejor
ejemplo. Pruebas (Testing) de 15%: Indica el
rendimiento de la red durante y después del
entrenamiento. Luego se definen los nodos
en la capa oculta, en este caso se hicieron
pruebas con 10, 15 y 20 nodos. Para calcular
los errores se realiza una prueba en la RNA
por cada Capa Oculta. De los resultados
obtenidos se muestran las siguientes las
tablas IV, V y VI para cada capa oculta
respectivamente (10,15 y 20 nodos)

Error Acumulado Medio (EAM): Calculando los promedios de cada uno de los
Error Porcentual Absoluto (EPA): resultados del Error Porcentual Absoluto
(EPA) se obtendrán los siguientes resultados:
Para calcular los errores se realiza una prueba Ver Tabla VII.
en la RNA por cada Capa Oculta. De los
resultados obtenidos (tablas IV, V y VI) para
cada capa oculta respectivamente (10, 15 y
20 nodos)
Tabla VII. Resultados con RNA 10 nodos en
capa oculta (extracto)
Conclusiones:
Como se indicó en la introducción, la
hipótesis de este trabajo es que mediante el
uso de una RNA es posible estimar o
predecir las horas de duración de neumáticos
en camiones Komatsu 930E. De los
resultados obtenidos se concluye que existe
un error variable entre lo que se calculó
mediante Excel y la RNA, pero también se
puede observar que de los 3 ensayos
realizados el de menor valor en el Error
Porcentual Absoluto (EPA) corresponde a los
ensayos realizados con 15 nodos en la capa
oculta; por lo anterior son los datos
escogidos, con un promedio del 5,7% de
error en las 881 filas de datos. Además, de la
estimación realizada con la RNA el promedio
de los resultados en los ensayos realizados
con 15 nodos en la capa oculta con respecto a
las horas con que se deberá cambiar el
neumático hacia la parte posterior será de
2018 (hr). Para visualizar las diferencias
entre los errores entre los casos reales y los
tiempos estimados de la RNA, se utiliza la
siguiente fórmula:
Dónde:
= Error relativo
Xi = Tiempo de duración de neumático real
(hr)
Xi= Tiempo de duración de neumático
estimado por la RNA (hr)
Cuando el error relativo () es negativo (Xi
< Xi), significa que no se logra estimar el
tiempo de duración del neumático, ya que, la
duración real siempre supera a lo estimado y
en este caso se muestrea un bajo nivel de
servicio. Esto se puede visualizar, ya que, no
se alcanza a llegar a los valores reales de
cambio de los neumáticos a la parte trasera
(1750 hr), produciéndose un daño irreparable
y provocando que las horas útiles totales
nominales no se cumplan (5000 hr). Esto
acarrea un problema de sobregastos en la
compra de neumáticos por un lado y por otro
lado, no cumple con el % de disponibilidad
del equipo provocando un déficit en el
movimiento mina; esto principalmente
porque no hay camiones de respaldo. Cuando
el error relativo () es positivo (Xi > Xi ),
significa que corresponde a un nivel de alto
servicio con respecto a los valores reales. Los
errores positivos corresponden a una mejora
de la duración del neumático en la parte
delantera del camión, logrando aumento en la
vida útil del neumático, con las ganancias de
costos que significa y esto principalmente
por tratarse de un contrato tipo TK
(Toneladas x Kilómetros), es decir, que se
paga al proveedor dependiendo de cuantas
Toneladas por Kilómetros que duró el
neumático. Cabe señalar que el valor de un
neumático de estas características es de
USD$50.000 aproximadamente. Para
ejemplificar este caso, se calculará la
ganancia de toneladas y al realizar el cambio
de neumáticos delantero a la parte posterior
del camión utilizando el valor que resultó de
la RNA, es decir, pasar de 1750(hr) a 2018
(hr) Para efectos de los cálculos se utilizarán
2000 (hr) y además se realizará el análisis de
aumento de las toneladas de material a
transportar con los 52 camiones en 1 año.
Q = Ht x Disp x Uso Disp x Rend x 52
Dónde:
Q = Toneladas de mineral transportadas
(ton)
Ht = Horas totales en un año (hr)
Disp = Disponibilidad camión (%) (*)
Uso Disp = Uso de Disponibilidad (%) (*)
Rend = Rendimiento (ton/hr) (*)
(*) = Datos obtenidos del presupuesto mina
2014
Por lo tanto:
Q1 = 24 x 365 x 0,82 x 0,796 x 477 x 52
Q1 = 141.825 (Kton)
Si se realizara el cambio de neumáticos a las
2000 (hr), mejoraría la disponibilidad a
0,821; esto debido a que se realizarían menos
detenciones de los equipos en el año (3, 3
detenciones vs 2,9 detenciones). Entonces
calculando las toneladas cargadas con la
nueva disponibilidad (Q2), el resultado será:
Q2 = 8760 x 0,821 x 0,796 x 477 x 52
Q2 = 141.998 (Kton).
Por lo tanto, para calcular el aumento de
toneladas de mineral transportado será:
ΔQ = Q2- Q1
ΔQ = 173 (Kton)
Este aumento de toneladas traerá como
consecuencia una disminución del costo de
producción (C=US$/ton) y por lo tanto el
ahorro de gastos en el año será:
A = (GQ)/Q2
Dónde:
A = Ahorro de gastos en un año (KUS$)
G = Gasto en movimiento material en un
año (KUS$)
Q2 = Toneladas movidas con mejora de
disponibilidad en flota de camiones (ton)
A = 141.998 399.000173
A = 486 (KUS$)
Esto significa un ahorro de 486.000 (US$) al
año, solo por el hecho de haber mejorado la
disponibilidad de la flota de camiones
aplicando los resultados de la RNA, es decir,
pasar los neumáticos delanteros hacia la parte
posterior a las 2000(hr) y no a las 1750(hr).
Este ahorro toma aún mayor relevancia, ya
que, esta mejora no necesita una inversión
adicional a lo que hoy se realiza. Este ahorro
aumenta el valor del negocio minero, ya que,
cualquier mejora en los procesos impactará
positivamente ante el escenario de que los
costos de producción de cobre están
aumentando cada vez más principalmente por
el efecto de los elevados costos de energía
eléctrica. Estos resultados obtenidos
mediante RNA nos muestran que esta
metodología puede disminuir el margen de
error al momento de decidir cuándo se va a
cambiar el neumático a la parte posterior del
camión, demostrando que es una excelente
herramienta de trabajo para poder simular
situaciones y condiciones reales. Finalmente
es importante señalar que para mejorar el
performance de la RNA se debe contar con
una base de datos constante que permita
entrenar a la red para mejorar sus resultados;
para complementar lo anterior también se
deberá manipular las otras funciones de
configuración de la RNA como son, entre
otras, el tipo de red y la función de
transferencia para obtener resultados más
fidedignos a la realidad.
REFERENCIAS
1. SARAVANAN, R. Manufacturing
Optimization Through Intelligent
Techniques. CRC/Taylor & Francis,
2006. ORLANDO DURAN. Técnicas
inteligentes en sistemas manufactura.
PUCV – Chile, 2013.
2. ORLANDO DURAN. Red Neuronal
Artificial (Presentación). PUCV – Chile,
2013.
3. XABIER BASOGAIN OLABE. Redes
Neuronales Artificiales y sus
aplicaciones.- Escuela Superior de
Ingeniería de Bilbao, 2008.
4. THE MATHWORKS INC. MATLAB:
The Language Of Technical Computing.
2012.
5. Catálogos y folletos técnicos de
Neumáticos Michelin, 2010.
Orlando Duran
Doctor en Ingeniería y Magíster en
Ingeniería Mecánica. Profesor Adjunto en la
Escuela de Ingeniería Mecánica de la
Pontificia Universidad Católica de
Valparaíso. Se desempeñó como profesor
Titular en la Faculdade de Engenharia e
Arquitetura de la Universidade de Passo
Fundo, Brasil. Es profesor en los Magíster de
Sistemas Logísticos (PUCV y Academia
Politécnica Militar) en la cátedra de
Planificación y Gestión del Mantenimiento y
en el Magister en Gestión de Activos y
Confiabilidad Operacional (MAM) dónde
imparte las cátedras de Gestión del
Mantenimiento y la de Gestión de Repuestos.
También es profesor Invitado en el Magíster
de Diseño e Manufatura de la Universidade
de Passo Fundo, Brasil. Como fruto de su
actividad como investigador ha escrito y
publicado más de 50 artículos, muchos de los
cuales han sido presentados en eventos
técnicos de carácter nacional e internacional.
Publicó en Brasil el libro Costos Industriales
en el año 2004. En materia de capacitación
ha impartido numerosos cursos de
planificación y gestión del mantenimiento y
de gestión de repuestos para empresas
chilenas.