/ Proyectos / Minería / Mantenimiento predictivo de desgaste en rodillo HPGR
Mantenimiento predictivo del desgaste de studs en un rodillo HPGR: entender el fenómeno antes de modelar
Por qué un modelo simple, alimentado con información a priori sobre el mecanismo físico de desgaste, superó en validación cruzada a modelos mucho más complejos, y por qué eso importa más que la elección del algoritmo.
El punto de partida de este proyecto no fue "¿qué modelo predice mejor el desgaste?". Fue una pregunta anterior y más incómoda de saltarse: ¿entendemos de verdad por qué se desgasta un stud, antes de pedirle a un algoritmo que lo prediga? Es tentador cargar un dataset de horómetro, tonelaje y periodo, entrenar el modelo más potente disponible y reportar el error. Pero un modelo que solo memoriza una correlación estadística, sin ese contexto físico, es frágil frente a datos nuevos y casi imposible de defender frente a un equipo de mantenimiento que necesita entender por qué confiar en su predicción.
Los studs son los insertos de metal duro sobre la superficie de un rodillo de chancado de alta presión (HPGR), y su desgaste ocurre por un mecanismo abrasivo bien documentado en la literatura de procesamiento de minerales. Ese mecanismo, no una arquitectura de modelo, es lo que debería guiar qué variables se construyen y qué tan complejo necesita ser el modelo. Este proyecto compara cinco modelos de regresión con validación cruzada, no para encontrar "el mejor algoritmo" en abstracto, sino para comprobar una hipótesis concreta: que un modelo simple, bien informado del fenómeno, compite de cerca con modelos mucho más complejos, y gana en lo que más importa para mantenimiento, que es poder explicar la predicción.
Mapa del casoContenido
- Diagrama de la solución. Del fenómeno físico a la comparación honesta de modelos
- Construcción de la solución. Cómo entender el desgaste antes de modelar cambió el resultado
- Condiciones del proyecto. Restricciones reales y opciones descartadas antes de construir
- Pasos. Qué se dejó al agente y qué criterio se aplicó en cada uno
- Proceso de iteración. Qué modelo ganó la validación cruzada, sin exagerar el resultado
- Descargables. Notebook, diagrama y repositorio del proyecto
- Lecciones importantes. La lección concreta que deja este caso
Estructura de alto nivelDiagrama de la solución
Pasa el cursor sobre cada bloque para ver qué hace ese paso.
La ingeniería de características es el paso que convierte el conocimiento del fenómeno físico en información que el modelo puede usar. Sin ese paso, cualquier algoritmo, por complejo que sea, parte en desventaja.
Del fenómeno físico al modelo explicableConstrucción de la solución
Condiciones del proyecto
| Restricción | Dato |
|---|---|
| Registro de mediciones de campo | Horómetro, periodo y tonelaje acumulado, con huecos ocasionales por paradas de medición |
| Variable objetivo | Desgaste del stud en milímetros, con un límite físico de seguridad de 15 mm de vástago remanente |
| Confidencialidad | Datos propietarios de una operación minera real, no publicables; se sustituyen por un dataset sintético |
| Objetivo del modelo | Predecir el desgaste esperado para anticipar la ventana de mantenimiento, no solo describir su distribución histórica |
| Opción | Por qué se descartó |
|---|---|
| Entrenar directamente el modelo más complejo disponible | Optimiza el algoritmo antes de entender el problema; es la forma más común de terminar con un modelo que ajusta pero no se puede explicar |
| Usar solo bondad de ajuste estadística sobre la tasa de desgaste | Caracteriza la distribución histórica, pero no genera una predicción accionable para planear mantenimiento |
| Alimentar el modelo solo con las columnas crudas (horómetro, periodo, tonelaje) | Desperdicia el conocimiento disponible sobre el mecanismo físico de desgaste que la literatura ya documenta |
| Ingeniería de características basada en el fenómeno físico + comparación honesta de varios modelos con validación cruzada | Permite decidir con evidencia qué tan complejo necesita ser el modelo, en vez de asumirlo |
Pasos
Entender el mecanismo de desgaste antes de tocar datos
Agente: propuso ir directo a la carga y limpieza del registro de horómetro, periodo y tonelaje.
Criterio aplicado: revisar primero la literatura del fenómeno físico del desgaste en rodillos HPGR, para que las variables y el nivel de complejidad del modelo respondieran a una hipótesis fundamentada, no a la disponibilidad de columnas.
Ingeniería de características informada por el fenómeno
Agente: propuso entrenar directamente con las tres columnas crudas.
Criterio aplicado: construir ratios e interacciones (eficiencia de uso del tiempo, tonelaje por hora, tonelaje logarítmico) que traducen a datos el mecanismo abrasivo descrito en la literatura, dándole al modelo información a priori en vez de forzarlo a inferirla desde cero.
Comparación honesta antes de elegir el modelo final
Agente: propuso quedarse con el primer modelo que ajustó bien sobre el conjunto de prueba.
Criterio aplicado: comparar cinco modelos, de Regresión Lineal a Gradient Boosting, con validación cruzada de 5 particiones, para que la elección del modelo final quedara respaldada por evidencia y no por el resultado de una sola partición de datos.
Priorizar interpretabilidad cuando el desempeño es comparable
Agente: sugirió reportar como ganador al modelo con el menor error en el conjunto de prueba, sin más criterio.
Criterio aplicado: cuando la diferencia de desempeño entre modelos es pequeña, preferir el más simple y explicable, porque en mantenimiento predictivo la capacidad de justificar una predicción vale tanto como la precisión misma.
Proceso de iteración
Resultado real, sin exagerar
En validación cruzada de 5 particiones, la Regresión Lineal obtuvo el menor error (RMSE de 1.99 mm), por delante de Random Forest (2.93 mm), Gradient Boosting (3.04 mm), el Árbol de Decisión (3.92 mm) y SVR (4.48 mm). Sobre el conjunto de prueba, el modelo lineal alcanzó un R² de 0.97. No es que el modelo lineal sea intrínsecamente superior. Es que, alimentado con características que ya codifican el mecanismo físico del desgaste, no necesitó la capacidad adicional de los modelos más complejos para capturar la relación, y a cambio entrega coeficientes que se pueden explicar directamente al equipo de mantenimiento. Esa es la ganancia real de este proyecto, y viene de entender el fenómeno antes de modelar, no de una técnica de modelado más sofisticada.
CierreLecciones importantes
El mantenimiento predictivo no se resuelve entrenando un modelo para que encuentre un patrón y ya. Se resuelve entendiendo primero el fenómeno físico, dándole al modelo esa información a priori a través de la ingeniería de características, y solo después eligiendo qué tan complejo necesita ser. En este caso, ese orden hizo que un modelo simple y explicable compitiera de cerca con modelos mucho más sofisticados, y ganara en lo que más importa para un equipo de mantenimiento: poder confiar en la predicción porque se puede explicar.
La segunda lección fue de honestidad metodológica. Comparar modelos con validación cruzada, en vez de reportar el que mejor ajustó sobre una sola partición, es sencillo de hacer y muy fácil de saltarse. Un R² de 0.97 con un modelo lineal no es un resultado casual: es la confirmación de que las variables construidas capturaban de verdad el fenómeno que se quería predecir.
Si quieres profundizar en el mecanismo físico de desgaste que fundamenta las variables de este proyecto, esta es la referencia académica real que se usó como respaldo: Kazerani Nejad & Sam (2016), "The wear pattern in high pressure grinding rolls".
Termina ya tu proyecto
¿Tienes un proyecto similar y no sabes por dónde empezar? Yo te ayudo a diseñarlo.
El 92% de los profesionales de datos desbloquea sus proyectos al ver ejemplos completos resueltos.
Sin registro. Acceso inmediato