Piloto de mantenimiento predictivo genera alertas con hasta 7 días de anticipación y reduce costos de mantenimiento hasta un tercio en operaciones mineras.
NTT DATA, Kipu Quantum y Komatsu desarrollaron una prueba de concepto que utiliza aprendizaje automático cuántico para anticipar fallas críticas en cables de palas eléctricas, uno de los desafíos operacionales más costosos del sector minero.
La iniciativa demuestra que la computación cuántica puede generar valor práctico en entornos industriales complejos. El piloto logró generar alertas con hasta siete días de anticipación y evidenció el potencial de reducir los costos de mantenimiento hasta en un tercio mediante intervenciones preventivas antes de que una falla afecte activos clave de la operación.
El desafío operacional
Cuando un cable de pala eléctrica falla sin previo aviso, la operación se detiene y los costos se multiplican. El tiempo de inactividad no planificado puede costar hasta tres veces más que una intervención preventiva, lo que convierte a la predicción de fallas en un factor crítico para la rentabilidad y continuidad de las faenas.
El proyecto enfrentó un problema difícil de resolver con métodos convencionales: detectar señales tempranas de desgaste en datos complejos. Las señales de los sensores eran ruidosas, los eventos de falla poco frecuentes y las condiciones operativas variaban entre equipos, limitaciones que reducen significativamente el desempeño de los modelos tradicionales de aprendizaje automático en escenarios productivos.
Tecnología cuántica aplicada
Para abordar el reto, las tres compañías aplicaron Digitized Quantum Feature Mapping (DQFM), una técnica que transforma los datos de sensores en nuevas representaciones para identificar patrones de deterioro que los métodos clásicos no detectan con la misma claridad.
Los resultados mostraron que una mejor representación de los datos mejora la predicción incluso con modelos más simples, robustos y fáciles de mantener. El trabajo también evidenció una menor correlación entre variables, una señal de mayor estabilidad y consistencia en los resultados predictivos.
Además de anticipar fallas, el proyecto incorporó un marco de decisión basado en costos mediante la métrica Expected Maintenance Cost, que conecta las predicciones con decisiones operativas concretas. Así, el piloto equilibra el reemplazo anticipado de componentes con el riesgo de falla y aporta criterios económicos más claros para la toma de decisiones de mantenimiento.
Proyección sectorial
Víctor León Marambio, CTO & Head of Innovation Centers Ibero-America de NTT DATA, señaló: “El aprendizaje automático cuántico nos permite comprender mejor grandes volúmenes de datos, identificar relaciones que antes no eran visibles y transformarlas en decisiones más precisas y confiables para la operación. Este piloto demuestra que la computación cuántica ya puede generar valor en industrias estratégicas como la minería, y que su potencial también puede extenderse a sectores como energía, transporte y manufactura, donde anticipar fallas y optimizar la gestión de activos críticos puede marcar una diferencia significativa en términos de eficiencia y costos”.
El proyecto valida cómo la combinación de conocimiento del sector, analítica avanzada y tecnologías emergentes transforma datos complejos en decisiones operacionales más oportunas, confiables y escalables, estableciendo un modelo que puede replicarse en otras operaciones mineras y sectores industriales críticos.
Si vas a utilizar contenido de nuestro diario (textos o simplemente datos) en algún medio de comunicación, blog o Redes Sociales, indica la fuente, de lo contrario estarás incurriendo en un delito sancionado la Ley Nº 17.336, sobre Propiedad Intelectual. Lo anterior no rige para las fotografías y videos, pues queda totalmente PROHIBIDA su reproducción para fines informativos.
COMENTA AQUÍ
Este contenido lo puedes visitar en la página de sus creadores en: