Desarrollo de un modelo de Machine Learning para la detección de anomalías en Chancadores Primarios en la etapa de Chancado de extracción de cobre

Aug 5, 2026

Subir por Skyler

En el exigente entorno de la industria minera, se vuelve clave asegurar la eficiencia operativa y reducir interrupciones no planificadas mediante tecnologías avanzadas. Este trabajo presenta el desarrollo de un modelo de machine learning basado en una red neuronal Autoencoder para la detección temprana de anomalías en chancadores primarios, componentes críticos del proceso de extracción. La solución se valida con apoyo de expertos y permite monitorear y planificar con antelación, habilitando mantenimiento proactivo. Su implementación en una mina de cobre demuestra mejora en confiabilidad y ofrece un enfoque replicable para otras áreas industriales.

IdiomaSpanish

CategoríaInvestigación e Informes

FormatoPDF

Páginas66

Tiempo de lectura1 h 42 min

AccesoGratis para descargar

Tabla de contenidos

Resumen

Contexto y necesidad operativa

Desarrollo del modelo Autoencoder

Validación y aplicación en mina de cobre

Palabras clave

UNIVERSIDAD PERUANA DE CIENCIAS APLICADAS FACULTAD DE INGENIERÍA PROGRAMA ACADÉMICO DE INGENIERÍA ELECTRONICA Desarrollo de un modelo de Machine Learning para la detección de anomalías en Chancadores Primarios en la etapa de Chancado de extracción de cobre TRABAJO DE SUFICIENCIA PROFESIONAL Para optar el título profesional de Ingeniero de Electrónico AUTOR(ES) Sánchez Portella, Diego André (0009-0002-6262-556X) Rivera Vasquez, Luis Emerson (0009-0006-9529-783X) ASESOR Dávila Tello, Luis Fernando (0009-0005-7528-8365) Lima, 19 de junio del 2024 DEDICATORIA Dedico el presente trabajo a mis padres, quienes con esfuerzoy sacrificio me brindaron laoportunidad de estudiar la carrera que me apasiona; su dedicacióny apoyo incondicional han sido fundamentales para alcanzar esta meta. A mis hermanos, los aliento a seguirluchandopor sus sueños y metas, reflejando en ellos las aspiraciones que juntos perseguimos. A mi esposa Fiorella, mi pilar y constante fuente de inspiración, cuyo amor, apoyo y confianza inquebrantables han sido esenciales para que pueda cerrar este capítulo en mi carrera profesional; graciaspor estar a mi lado en cada paso de este camino y por creer en mí cuando más lo necesitaba. Diego Sánchez Portella El presente trabajo lo dedico a mis padres, por su gran apoyo y confianza en poder seguir mis estudios, me demuestran cada día que con esfuerzoy perseverancia se puede lograr las metas propuestas. Luis Emerson Rivera Vasquez Agradecimientos A lo largo del desarrollo de este trabajo de suficiencia profesional, queremos expresar nuestra profunda gratitud a diversas entidades y personas que han sido fundamentales para la realización de este proyecto. En primer lugar, extendemos nuestro agradecimiento a la Universidad Peruana de Ciencias Aplicadas por brindarnos la oportunidad de estudiar esta carrera y facilitar este programa. La institución nos proporcionó el entorno académico adecuado y los recursos necesarios para llevar a cabo este trabajo. Nuestro más sincero agradecimiento va dirigido a nuestro asesor de tesis, Luis Dávilay el coordinador del programa Mirko Klusmann, cuya dedicación, orientación y apoyo constante en las sesiones fueron esenciales en cada fase de este proceso. Sus valiososcomentarios y conocimientos enriquecieron significativamente nuestro trabajo. Por último, deseamos también agradecer al equipo de trabajo que por su colaboracióny por permitirnos comentar su experiencia en el desarrollo de soluciones con machine Learning en la industria minera, lo cual fue crucial para la recopilación de datos. Muchas gracias. Resumen En el exigente entorno de la industria minera, garantizar la eficiencia operativa y minimizar las interrupciones no planificadas es de vital importancia. En respuesta a esta necesidad, se ha vuelto fundamental adoptar tecnologías avanzadas, donde el machine learning desempeña un papel crucial para asegurar la confiabilidad de los equipos críticos. En este contexto, se ha desarrollado un modelo de machine learning basado en una red neuronal 'Autoencoder' para la detección temprana de anomalías en los chancadores primarios, componentes clave en el proceso minero. Este trabajo técnico detalla la aplicaciónde técnicas avanzadas de aprendizaje automático para fortalecer la detección y prevenciónde fallos, así como su impacto en la operación minera. Este proyecto específico implica el desarrollo de un modelo de detección temprana de anomalías para un equipo crítico en las operaciones mineras, como son los chancadores primarios. Tras varias sesiones de trabajo con expertos en la operación y mantenimiento del equipo, se validó el modelo, lo que permite monitorear y planificar en tiempo oportuno las anomalías a fin de prevenir paradas no planificadas. Este enfoque se ha implementado con éxito enunamina de cobre, lo que hahabilitado un monitoreo de las anomalías en el chancador primario y la planificación proactiva de mantenimiento basado en l

Preguntas frecuentes

Qué problema aborda el trabajo sobre machine learning en chancadores primarios?

Busca mejorar la eficiencia operativa y reducir paradas no planificadas detectando anomalías de forma temprana en chancadores primarios mediante un modelo de machine learning.

Qué enfoque de red neuronal utiliza el modelo propuesto?

El modelo se basa en una red neuronal Autoencoder para detectar anomalías en el equipo crítico del proceso minero.

Cómo se valida y aplica el modelo en la operación minera?

Tras sesiones con expertos de operación y mantenimiento, el modelo se valida y luego se implementa en una mina de cobre para monitorear anomalías y planificar mantenimiento basado en su condición.

Aug 5, 2026

Subir por Skyler