Mantenimiento predictivo en chancador primario
85%
de fallas identificadas con 5 a 12 días de anticipación
25–35%
reducción estimada de detenciones no programadas
Minutos
de procesamiento de alertas (antes eran horas)
Ver detalle completo
El problema
Una operación minera en el norte de Chile experimentaba detenciones no programadas en su chancador primario que costaban entre USD 50.000 y USD 150.000 por evento. El mantenimiento se realizaba por calendario, reemplazando componentes antes de tiempo o demasiado tarde.
La solución
Se implementó un modelo de machine learning que analiza datos de vibración, temperatura y corriente del chancador en tiempo real. El modelo aprendió del histórico de 18 meses de datos de sensores y registros de fallas del CMMS. Se desplegó on-premise con alertas integradas al sistema de gestión de mantenimiento.
Stack técnico
Python, scikit-learn, conexión OPC-UA a SCADA, dashboard Grafana, servidor on-premise.
Siguiente paso
Escalar a 5 equipos críticos adicionales (molino SAG, bombas, correas) y automatizar órdenes de trabajo en SAP PM.
