Integrantes:

• Cañari Palante, Josemanuel Rossy

• Rivera Cornejo, Edward

• Asto Hinostroza, Kenny Serapio

• Salazar Carranza, Kevin Renzo

Resumen:
El presente trabajo presenta un enfoque de mantenimiento predictivo aplicado a equipos de perforación autónoma en minería a tajo abierto, utilizando algoritmos de aprendizaje automático. Para esto se entrenaron y compararon varios modelos supervisados, los cuales han sido Decision Tree, Random Forest, XGBoost y LightGBM, a partir de datos operacionales históricos que incluyen temperatura del proceso, torque, velocidad, desgaste de herramienta, vibración, corriente del motor, condición del aceite y temperatura del fluido hidráulico. La predicción se orientó a detectar fallas potenciales con dos semanas de anticipación. El sistema permite alertar sobre riesgos de falla con anticipación suficiente de una semana para programar mantenimientos preventivos, optimizando así la disponibilidad de los equipos y reduciendo el tiempo de parada no planificada.

Keywords:
Mantenimiento predictivo, minería, perforación autónoma, machine learning, Random Forest, XGBoost, LightGBM.