Predicción de potencia en un molino SAG: cuándo confiar en el modelo

Predecir la potencia es fácil de enunciar; confiar en la predicción es lo difícil

La charla presenta un prototipo de Molycop para predecir la potencia de un molino SAG y, sobre todo, para determinar cuándo se puede confiar en esa predicción. Se compararon cinco modelos —Random Forest, XGBoost y SVR (árboles y kernel) frente a LSTM y GRU (redes recurrentes)— sobre ~40.000 registros con muestreo cada 10 minutos. Los modelos de árbol ganaron con claridad (XGBoost R²=0,72; Random Forest R²=0,69), mientras SVR y las redes recurrentes colapsaron. Un análisis no supervisado reveló tres regímenes operacionales distintos, mostrando que un modelo único comprime sus predicciones hacia el centro y que un enfoque consciente de regímenes es más confiable aunque sacrifique algo de precisión global.

Las frases que resumen la tesis

Por qué la potencia importa — y por qué las fórmulas clásicas no bastan

La potencia es el «pulso» del molino SAG: refleja cuánta carga hay dentro y qué tan exigida está la máquina. Los operadores la miran constantemente; es de los primeros números que se revisan para arrancar y ajustar la operación. Por eso es una palanca de optimización y una señal temprana de operación anómala.

Ya existen modelos clásicos de primeros principios, pero se quedan cortos frente a la realidad de planta:

• Hogg & Fuerstenau: se desvía del dato real de planta del orden de ~30%.
• Modelo de Morrell: puede ser muy bueno (<5% de error), pero requiere muchos parámetros y datos de calibración que no siempre están disponibles.

La operación real es no lineal, acoplada y cambia en el tiempo — condiciones para las que las fórmulas clásicas nunca fueron construidas. Ese es el vacío que este trabajo intenta cerrar con un enfoque orientado a datos.

Tres formas distintas en que este molino realmente opera

El dataset parte de registros históricos muestreados cada 10 minutos. Tras la limpieza (excluyendo operación fuera de rango y datos anómalos) quedaron ~40.000 registros — un volumen relativamente reducido para modelos exigentes de datos. Las variables de entrada incluyen tonelaje, velocidad del molino, porcentaje de sólidos, carga de bolas, peso, índice de abrasión y otras variables operacionales; el objetivo (target) es la potencia del molino SAG.

Para evitar mezclar el azar, la separación entrenamiento–prueba se hizo por ventanas temporales deslizantes (validación temporal), simulando el desempeño futuro a partir de muestras del pasado y evitando fuga temporal de información.

Clustering no supervisado (KMeans, k=3)

Al pedirle a un algoritmo no supervisado que agrupara comportamientos similares sin etiquetas, emergieron de forma natural tres regímenes de operación. Es la primera evidencia de que el molino no opera de una sola manera:

Dos maneras muy distintas de aprender de datos de proceso

La charla explicó, en palabras simples, dos familias de modelos con lógicas opuestas para capturar el tiempo:

1 · Árboles y kernel — Random Forest, XGBoost, SVR

• Aprenden de «fotografías» tabulares del proceso; no tienen noción de tiempo incorporada, así que la historia se construye a mano (lags, ventanas móviles).
• Random Forest: cientos de árboles entrenados sobre subconjuntos aleatorios; el promedio reduce ruido («sabiduría de masas»).
• XGBoost: árboles en secuencia, cada uno corrige los errores del anterior (boosting); muy preciso, pero propenso a sobreajustar si modela el ruido.
• SVR: traza un margen suave que mantiene la mayoría de los puntos dentro de un tubo de error; potente pero muy sensible a escalado, parámetros y ruido.
• Rápidos de entrenar e interpretables vía importancia de variables / SHAP.

2 · Deep learning secuencial — LSTM y GRU

• Leen secuencias crudas directamente: el tiempo está incorporado en la arquitectura, con una «memoria» de corto plazo.
• Potentes en principio, pero hambrientas de datos y sensibles al escalado y al diseño de ventanas.
• Deben descubrir por sí solas las estructuras temporales; los árboles reciben ese «atajo» ya construido como features.

La ingeniería de variables permitió a los modelos de árbol capturar el tiempo de forma indirecta — y en este estudio, eso marcó toda la diferencia.

Cinco modelos, un dataset de operación estable

En el «marcador final» los dos modelos de árbol se imponen con holgura, mientras SVR colapsa por completo y ambas redes recurrentes obtienen R² negativo (peor que predecir simplemente el promedio):

Sesgo por régimen y confiabilidad

El análisis de residuos mostró una distribución bimodal: el modelo sobrepredice en baja potencia y subpredice en alta potencia, comprimiendo sus estimaciones hacia el centro del rango — el comportamiento típico de un modelo «promediador». Esto motiva el modelado consciente de regímenes.

La interpretación con SHAP confirmó que las variables dominantes tienen sentido físico (carga, promedios de descarga y de alimentación), coherentes con las dependencias esperadas de la potencia. La advertencia: esa dependencia de sensores hace al modelo tan confiable como los sensores mismos.

Un experimento previo, sin dividir en regímenes y con todos los lags, alcanzó un R²≈0,91 — pero era sobreajuste: el modelo se apoyaba casi por completo en una sola señal (la velocidad del molino) y fallaba al cambiar las condiciones. El modelo consciente de regímenes tiene menor precisión global pero un desempeño mucho más parejo y estable.

Cuatro aprendizajes y los próximos pasos

• El molino opera en regímenes claramente distintos, y el modelo puede representarlos.
• El machine learning puede superar a las fórmulas clásicas, pero una precisión global alta no garantiza confiabilidad.
• El enfoque consciente de regímenes sacrifica algo de precisión pero gana estabilidad real en planta — el intercambio suele valer la pena.
• LSTM y GRU no están descartadas: requieren configuración más madura (más datos, ventanas más largas, mejor tuning de hiperparámetros).

Roadmap inmediato

• Prueba formal de validación en sitio sobre la salida del prototipo.
• Validación explícita por régimen, en vez de mezclar todo.
• Ajuste correcto de las redes neuronales (tuning de hiperparámetros).
• Evaluar sistemáticamente si las variables temporales (lags) ayudan o perjudican.
• Explorar un modelo híbrido físico–computacional, integrando ecuaciones (p. ej. Morrell) como features o restricciones — especialmente porque el desempeño se degrada al escalar a molinos mayores según el simulador.

Por qué nos importa

Esta sección es interpretación propia del equipo Nidatech (proveedor tecnológico a minería) y no forma parte de la charla. Busca traducir los hallazgos a implicancias accionables para nuestros productos.

• Vender «cuándo confiar», no solo «cuánto». La tesis central —confiabilidad calibrada por régimen sobre precisión global— es un diferenciador claro para productos NidaHub que sirven predicciones a planta: entregar bandas de confianza por régimen operacional vale más que un R² alto en una demo.
• La calidad de sensores es un riesgo de producto heredado. Cualquier modelo predictivo que ofrezcamos es «tan confiable como los sensores del cliente». Conviene incorporar monitoreo de salud/degradación de sensores como parte del propio producto, no como supuesto externo.
• Deep learning no es el default. Con datasets acotados (~40k puntos), árboles con buena ingeniería de variables (RF/XGBoost + lags) superan a LSTM/GRU. Priorizar lo simple y robusto antes que arquitecturas hambrientas de datos, salvo que el cliente tenga volumen y limpieza suficientes.
• Híbrido físico–ML como norte de roadmap. Combinar ecuaciones de primeros principios (Morrell) como features o restricciones encaja con explicabilidad para governance y con despliegue en edge — un patrón replicable más allá de molinos SAG.