Intercepción Digital y Mantenimiento Predictivo en Minería
Cómo digitalizar inspecciones y anticipar fallas en correas transportadoras cuando la ventana de intervención es mínima: casos de éxito en Chile.
Anticipar la falla antes de que cierre la ventana de mantenimiento
La charla expone casos de éxito en faenas mineras chilenas donde la operación se sostiene sobre 16 correas transportadoras que recorren kilómetros. El problema de fondo: la continuidad operacional deja ventanas de intervención mínimas y solo permite reemplazar entre 10 y 25 componentes por ciclo, así que priorizar bien es todo. La respuesta combina digitalización de inspecciones, captura multimedia en terreno y mantenimiento predictivo basado en patrones (módulo tipo PI) para decir qué intervenir, con qué probabilidad de falla y en qué plazo.
Las frases que resumen la charla
Continuidad operacional con ventanas mínimas
El escenario son correas transportadoras que mueven material a lo largo de kilómetros, desde la planta hacia los procesos siguientes. Detener la línea es caro y las ventanas de mantenimiento son restringidas, lo que obliga a inspeccionar de forma muy eficiente y a decidir con criterio qué intervenir.
La restricción dura es de capacidad: en cada oportunidad de mantenimiento solo se pueden cambiar entre 10 y 25 componentes. No alcanza para todo, así que la pregunta no es «¿qué está gastado?» sino «¿qué debo intervenir ahora, dada la condición, la tendencia y la criticidad de la zona?».
- Operación continua: parar tiene costo alto y ventanas de intervención acotadas.
- 16 correas transportadoras cubriendo distancias de kilómetros.
- Capacidad limitada: 10–25 componentes por ciclo de mantenimiento.
- Necesidad de priorización preventiva por condición, tendencia y presión operacional.
Inspecciones digitales y captura multimedia en terreno
El primer paso es sustituir los formularios en papel por flujos digitales para mejorar la gobernanza de los datos y estandarizar las prácticas entre plantas y operaciones. El objetivo declarado es consistencia y trazabilidad transversal, más una capa de gestión avanzada sobre los datos que se levantan en terreno.
La captura se hace con una aplicación móvil que registra audio, video e imágenes, identificando con precisión el punto observado. El registro multimedia no solo documenta el hallazgo: funciona como material educativo para inspectores y personal que circula por la faena.
Reporte abierto de hallazgos
Un cambio organizacional clave: cualquier operador puede reportar un hallazgo, no solo los de seguridad sino también los operativos. La idea es no perder observaciones valiosas de gente que ya está en terreno viendo cosas.
Patrones, módulo PI y ventanas de 30 días
El corazón técnico es el mantenimiento predictivo apoyado en un módulo tipo PI que analiza patrones de comportamiento asociados al desgaste mecánico y físico de componentes críticos. Cuando los datos no llegan directamente a PI, se recurre a agentes y estandarización para acelerar el acceso y normalizar los supuestos.
El sistema no entrega una alarma binaria, sino probabilidad de falla y ventana temporal. En el ejemplo mostrado, un rodillo/polín en un estado de desgaste específico presentaba una probabilidad de 62% de evolucionar hacia falla, con riesgo de escalar a condición crítica si no se intervenía. El sistema identifica los elementos con alta probabilidad de fallar en los próximos 30 días y sugiere cuándo usar el repuesto y con qué frecuencia intervenir.
Se reemplaza el criterio individual por una verificación estandarizada con probabilidades y plazos. Las notificaciones electrónicas llegan al grupo responsable con los factores de pedido preventivo, articulando la intervención antes de la falla y mejorando la coordinación del personal.
Agentes, tres destinos y LLMs en infraestructura del cliente
La salida del sistema se organiza en tres destinos, lo que permite desplegar rápido sobre un problema operacional concreto en lugar de rediseñar todo.
Sobre el despliegue, la regla práctica que dieron: con una plataforma abierta y bien documentada, dos semanas; con una cerrada, la complejidad sube porque hay que «hackearla». La variable crítica, insistieron, es el dispositivo o herramienta de captura en manos del personal, porque determina la calidad de todo el registro.
Privacidad y control de alucinaciones (sesión de preguntas)
Ante la pregunta de dónde corren los LLMs, la respuesta fue clara: por sensibilidad de datos, se ejecutan en la infraestructura del cliente; si la data es muy sensible, no sale. Para las alucinaciones, el enfoque no es evitarlas sino detectarlas con validadores en el workflow: el agente responde, el validador revisa (y puede volver a llamar al modelo) y recién entonces se entrega la respuesta. El costo es latencia: a más ciclos de validación, respuesta más lenta pero más confiable.
Por qué nos importa
Esta sección es interpretación propia del equipo Nidatech como proveedor tecnológico a la minería; no forma parte de la charla.
- El gancho comercial es la restricción, no la tecnología. Vender «mantenimiento predictivo» rinde poco; vender «con 10–25 cambios por ventana, te decimos cuáles» conecta directo con el dolor del cliente. Enmarcar nuestras propuestas en la restricción operacional concreta del cliente.
- La captura de datos es el cuello de botella de todo proyecto de IA en faena. El expositor lo dijo: la variable crítica es el dispositivo de captura. Nuestra oferta debería empezar por una app de inspección móvil robusta (multimedia + georreferencia) antes que por el modelo predictivo.
- On-prem y control de datos son requisito, no opción. La minería corre los LLMs en su propia infraestructura por sensibilidad de datos; cualquier arquitectura que propongamos tiene que soportar despliegue on-prem/edge y responder «la data no sale».
- Confiabilidad sobre latencia como argumento de venta. El patrón de validadores en el workflow para atajar alucinaciones es replicable y diferenciador: en decisiones de mantenimiento, un cliente prefiere una respuesta más lenta y verificada que una rápida y errónea.