Aprendizaje automático para estimar la vida útil consumida y restante de una excavadora en minería superficial
DOI:
https://doi.org/10.17268/jamm.2026.006Palavras-chave:
Vida útil restante, excavadora hidráulica, aprendizaje automático, mantenimiento predictivo, minería superficialResumo
En la minería superficial, la vida útil de las excavadoras de carguío suele estimarse mediante la resta de las horas del horómetro y una vida total de referencia, un cálculo que no toma en cuenta cómo se usó el equipo. En ese contexto, el estudio tuvo como objetivo evaluar modelos de aprendizaje automático para estimar la vida útil consumida y la vida útil restante de una excavadora hidráulica que operó en una mina superficial de Huamachuco, y determinar si su desempeño reflejaba una capacidad real de predicción. Se trabajó con 403 registros por turno, dados entre mayo y diciembre de 2025, con doce variables operativas, mecánicas y de mantenimiento y una vida de referencia de 25 000 horas, tomados de un trabajo de grado previo sobre el mismo equipo. Se compararon cinco modelos de regresión: Random Forest, XGBoost, una red neuronal multicapa y dos ensambles por apilamiento; con partición cronológica , validación cruzada temporal y valores de Shapley, finalmente se recalculó la proyección de agotamiento. El primer ensamble obtuvo el menor error en la vida útil consumida, con 0.11 puntos porcentuales y un coeficiente de determinación de 0.990, y la red neuronal en la vida útil restante, con 29.73 horas y 0.991. Al 28 de diciembre de 2025 el equipo había consumido el 74.65 % de su vida de referencia y le quedaban 6307.97 horas, que se agotarían entre enero y abril de 2027, y no en enero de 2028 como se había estimado. Se concluyó que los modelos mostraban la contabilidad del desgaste por horas, sin demostrar capacidad para anticipar el estado futuro del equipo. El aporte del estudio fue corregir la proyección de vida útil, mostrar cómo las variables acumuladas elevaban artificialmente las métricas y proponer criterios de evaluación y registro de datos para otras flotas de carguío.
Publicado
Edição
Seção
Categorias
Licença
Direitos autorais (c) 2026 Diego Alonso Fernández Castro, Sebastián Méndez

Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Los autores aceptan los siguientes términos:
- Los autores conservan íntegramente sus derechos de autor, incluyendo los derechos sobre ideas, métodos, procesos, procedimientos, modelos, datos y resultados descritos en el artículo, así como cualquier derecho de marca o patente que pudiera derivarse del trabajo.
- Los autores conceden a Journal of Advanced Mining Modeling (JAMM) el derecho de primera publicación y autorización para difundir el artículo a través de su plataforma oficial, repositorios institucionales, bases de datos académicas, sistemas de indexación y otros canales de divulgación científica.
- Los autores pueden celebrar acuerdos contractuales adicionales, de manera independiente y no exclusiva, para la distribución de la versión publicada del artículo (por ejemplo, depositarlo en repositorios institucionales, publicarlo como capítulo de libro o incluirlo en compilaciones académicas), siempre que se cite de forma adecuada la publicación inicial en Journal of Advanced Mining Modeling (JAMM).
- Toda reutilización del contenido deberá incluir la referencia completa del artículo y el reconocimiento explícito de su publicación original en Journal of Advanced Mining Modeling (JAMM), indicando autores, título del trabajo, volumen, número y año de publicación.
Todos los artículos se publican bajo la licencia