UNIVERSIDAD NACIONAL DE INGENIERÍA

FACULTAD DE INGENIERÍA MECÁNICA

AVANCE 02

DISEÑO DE UN SISTEMA INTELIGENTE BASADO EN

MACHINE LEARNING PARA EL MANTENIMIENTO
PREDICTIVO DE MAQUINARIA PESADA EN MINERIA

CURSO: METODOLOGÍA DE LA INVESTIGACIÓN

CODIGO DE CURSO / SECCIÓN: MC601 – G

DOCENTE: Ing. BARRUTIA FEIJOO, Walter

ESTUDIANTE:

MEDINA BARRERA, Elvis Daniel CÓDIGO: 20170037G

LIMA-2020
1
 ÍNDICE

CONTENIDO Página

1 DESCRIPCIÓN DEL PROBLEMA ………………………………………………………………………… 3

2 FORMULACIÓN DEL PROBLEMA………………………………………………………………………. 5

3 JUSTIFICACIÓN DE LA INVESTIGACIÓN ……………………………………………………………. 7

BIBLIOGRAFIA …………………………………………………………………………………………………. 9

2
 ÍNDICE DE FIGURAS

Pág.

Figura 1. Horas de parada no programadas por trimestre ……………………………… 4

Figura 2. Mejora de la operación de la maquinaria pesada …………………………….. 7

3
1 DESCRIPCIÓN PROBLEMÁTICA

En promedio la empresa minera produce aproximadamente 1100 toneladas de materia

prima agregados por día, esto debido al funcionamiento correcto de todas las

maquinarias, sin embargo, si estas fallan se produce una pausa en la producción, “Cada

día que una empresa minera ubicada en los tops 5 deje de producir, y por ende exportar,

se perderán US$6,5 millones”. (Sociedad Nacional de Minería, Petróleo y Energía

(SNMPE), 2019) [1].

En la figura 1 se observa el número de horas utilizadas en paradas no programadas en el

servicio de mantenimiento de la maquinaria pesada.

Figura 1.- Horas de parada no programadas por trimestre.

Fuente: Mayorca Alvarado, 2019, p.75. “Propuesta de mejora de la disponibilidad de maquinaria

pesada en una PYME utilizando el RCM” [3].

En el artículo “Relación entre la productividad, el mantenimiento y el reemplazo del

equipamiento minero en la gran minería” (Guerra L.,& Montes O., 2019) [2] se realizó una

investigación de campo, cuyo resultado más relevante ha sido el cálculo del índice de

4
productividad total del equipamiento de transporte, de excavación - carga y buldóceres al

6to año de explotación, cuyos valores han sido 51.72 %, 48.88 % y 55.51 %

respectivamente, mostrando reducciones de productividad del parque de máquinas entre

el 44% y el 51%. Dentro de las principales causas que han influido en la reducción del

índice de productividad del parque de máquinas esta la disponibilidad técnica,

acrecentada por las deficiencias en el cumplimiento de los planes de mantenimiento, que

a su vez guarda estrecha relación con la modalidad de adquisición que se aplique en cada

equipo en concreto y la decisión de reemplazar en el momento preciso. (Guerra L., &

Montes de Oca Risco, 2018, p. 2) [2].

La falla en mantenimiento es debido a que en muchos casos no existe una adecuada

estrategia de mantenimiento o un sistema inteligente que supervise continuamente los

parámetros que causan las averías, lo cual genera un elevado número de paradas no

programadas. Asimismo, el proceso de mantenimiento correctivo de una maquinaria

minera requiere de un tiempo considerable hasta encontrar el problema de la avería, ello

conlleva a horas de trabajo no productivas (Li G., &Mescua R., 2020) [3].

5
2 FORMULACIÓN DEL PROBLEMA

¿De qué manera las paradas no programadas de la maquinaria pesada afectan en la

producción e ingreso económico por la venta de materia prima en la industria minera?

6
3. JUSTIFICACIÓN DE LA INVESTIGACIÓN

El empleo del Machine Learning en la industria minera permitirá que un programa

informático aprenda y ejecute acciones al recibir gran cantidad de datos generados a

través de los sensores de seguridad de la maquinaria pesada. Con ello, se identificará las

fallas y mejorará la toma de decisiones para el mantenimiento preventivo de la

maquinaria, todo ello en cuestión de milisegundos.

En la Figura 2 se realiza una comparación de la mejora que tiene la disponibilidad de la

maquinaria pesada al realizar el análisis del estado de maquinaria mediante

mantenimiento predictivo y la implementación de sustitución de piezas mediante el

mantenimiento preventivo.

Figura 2: Mejora de la operación de la maquinaria pesada.

Fuente: Quintana R., 2016, p.81. “Diseño de un programa de mantenimiento preventivo de equipo
pesado mediante el análisis de fallas, para incrementar la disponibilidad en el proyecto Shahuindo
de Stracon GyM” [4].

7
Al emplear el modelo basado en Machine Learning, la empresa minera se beneficiará al

mejorar su nivel competitivo con respecto a otras empresas mineras de su sector.

Esto permitirá a la empresa minera tener una ventaja sobre sus competidores, al ser

capaces de mejorar la eficiencia, la productividad y reducir los costos que son generados

por las paradas no programadas de la maquinaria.

Además, el que una empresa minera genere mayor ingreso económico no solo

beneficia a este sino también al País en donde se encuentra ubicado ya que los sujetos

de la actividad minera pagan al Estado regalías por la explotación de los recursos

minerales metálicos y no metálicos. Estos ingresos permitirán mayor desarrollo en

infraestructura y educación para la población.

8
4. BIBLIOGRAFIA

[1] Álvarez, A. (2019). El costo de las Bambas: La mina produce 20% del cobre del Perú.

El comercio. Perú. Recuperado de: https://elcomercio.pe/economia/peru/costo-bloqueo-

bambas-mina-produce-2-cobre-mundo-noticia-620696-noticia/?ref=ecr

[2] Guerra, E., & Montes, A. (2018). Relación entre la productividad, el mantenimiento y el

reemplazo del equipamiento minero en la gran minería. Boletín de las ciencias de la tierra,

1 (45), 1-2.

[3] Li, C., & Mescúa, R. (2016). Propuesta de plan de mantenimiento centrado en la

confiabilidad aplicado a una flota de camiones fuera de carretera en una mina de tajo

abierto (Tesis de pregrado). Universidad Peruana de Ciencias Aplicadas, Perú.

[4] Quintana S. (2016). Diseño de un programa de mantenimiento preventivo de equipo

pesado mediante el análisis de fallas, para incrementar la disponibilidad en el proyecto

Shahuindo de Stracon GyM (Tesis de pregrado). Universidad Nacional del Centro del

Perú