Mantenimiento Predictivo con ML en la Minería Peruana

El costo de una parada no programada en una planta concentradora peruana puede superar los $500,000 USD por día. No es un número inventado: es el rango que reportan operaciones medianas del sector, cuando se suman el costo de oportunidad de mineral no procesado, las horas hombre perdidas, el desgaste acelerado de equipos al reiniciar, y los contratos de venta comprometidos.

Durante décadas, la respuesta de la industria fue la misma: más técnicos en campo, más stock de repuestos, más revisiones periódicas. El mantenimiento preventivo basado en tiempo funcionó. Pero tiene un defecto estructural: no distingue entre el equipo que necesita revisión hoy y el que podría esperar tres semanas más.

El machine learning cambia esa lógica por completo.

El problema del mantenimiento periódico en operaciones de alta variabilidad

La minería peruana opera en condiciones que hacen que los intervalos fijos de mantenimiento sean una aproximación burda. Un camión de acarreo que opera en la mina Antapaccay, a 4,100 metros sobre el nivel del mar, con temperaturas que varían 30°C en el mismo día y carga que fluctúa según la ley del mineral extraído, no envejece igual que un camión en un manual de fabricante calibrado para condiciones estándar.

El mantenimiento preventivo asume que el tiempo es el mejor predictor de falla. Los datos de telemetría dicen otra cosa: la carga de trabajo acumulada, la variabilidad térmica, la vibración en arranque en frío, y la historia de paradas anteriores predicen fallas con mayor precisión que cualquier contador de horas.

Según McKinsey, las operaciones mineras que han migrado a mantenimiento predictivo basado en datos reportan reducciones de paradas no programadas de entre 30% y 50%, con retornos sobre inversión que típicamente se materializan en 18 a 36 meses.

Cómo funciona un sistema de mantenimiento predictivo real

Un sistema maduro no es un software que compras e instalas. Es una cadena de captura, procesamiento y decisión con al menos cuatro capas:

1. Captura de señal — Sensores de vibración, temperatura de aceite, presión hidráulica y consumo eléctrico generan entre 500 y 2,000 lecturas por segundo por equipo (~50 GB/día en una flota de 40 camiones). El problema no es la falta de datos: es que casi nadie los procesa, o solo los usa para alertas de umbral simple ("si temperatura > 105°C, alarma").

2. Modelos de detección de anomalías — Los más efectivos no clasifican fallas conocidas — las operaciones varían demasiado. Aprenden el comportamiento "normal" de cada equipo y detectan desviaciones. Isolation Forest y redes LSTM son los más usados en implementaciones documentadas. La clave: el modelo es específico al equipo, no genérico.

3. Ventana de predicción — Cuántos días antes de la falla el modelo la anticipa. Con 24h de anticipación se programa una parada en el próximo turno de bajo rendimiento; con 72h, se pide el repuesto sin stockear de más. Las implementaciones más maduras logran ventanas de 3 a 7 días.

4. Integración con operaciones — Un modelo que produce alertas que los técnicos ignoran no tiene valor. Debe conectarse al workflow real: órdenes de trabajo en el ERP, priorización por criticidad, dashboards legibles en campo. Esta es la parte más subestimada del proyecto.

El contexto peruano: por qué la urgencia es ahora

Perú es el segundo productor mundial de cobre y zinc, y el tercero de plata, según datos del MEM 2024. La minería representa aproximadamente el 10% del PBI nacional y cerca del 60% de las exportaciones. Una caída de productividad a nivel de flota tiene efectos macroeconómicos medibles.

El contexto de precios de metales base en 2024-2025 ha aumentado la presión sobre los márgenes operativos: las operaciones que no optimicen costos variables quedan expuestas. El mantenimiento es el segundo o tercer gasto operativo en la mayoría de operaciones de tajo abierto, después de energía y mano de obra.

Al mismo tiempo, la escasez de técnicos especializados en zonas de altura es una restricción real. Un sistema que reduce la frecuencia de inspecciones innecesarias y concentra la atención técnica donde realmente importa no solo ahorra dinero: extiende la capacidad del equipo humano disponible.

Dónde fallan los proyectos de mantenimiento predictivo

El fracaso más común no es técnico. Las organizaciones que invierten en sensores y plataformas de ML sin resolver primero la gobernanza del dato terminan con modelos que se entrenan con datos de baja calidad. Si el técnico que registra una falla lo hace con tres días de retraso, o si los registros de mantenimiento tienen errores de categorización, el modelo aprende patrones incorrectos.

El segundo error frecuente es intentar predecir todo al mismo tiempo. Un enfoque efectivo empieza con los dos o tres equipos más críticos por impacto en producción — típicamente el molino SAG y las bombas de pulpa en una planta concentradora — y demuestra valor antes de escalar.

El tercero es ignorar el factor humano: un sistema de alertas que genera 200 notificaciones al día produce fatiga de alarma. La tasa de falsos positivos debe gestionarse con la misma disciplina que la tasa de detección.

El análisis de Primaris

El discurso de la industria presenta el mantenimiento predictivo como un proyecto de transformación total: todos los equipos, todos los sensores, un solo gran despliegue. En nuestra experiencia con operaciones peruanas, ese es exactamente el enfoque que hace fracasar estos proyectos — el presupuesto se diluye, el equipo técnico se satura, y los primeros resultados tardan demasiado en llegar como para sostener el respaldo interno.

Nuestra recomendación es la contraria: empezar por el equipo que ya tiene datos, no por el que tiene el sensor más nuevo. Si su operación puede nombrar hoy cuáles son sus 2 o 3 equipos de mayor impacto en producción, y esos equipos ya generan telemetría aunque sea básica, ese es el punto de partida — no un piloto de laboratorio con equipos de bajo impacto elegidos porque "son más fáciles".

Donde sí recomendamos pausar antes de invertir: si su organización no puede recuperar con confianza el historial de fallas de los últimos 12 meses, o si los registros de mantenimiento tienen más de un responsable capturándolos con criterios distintos. Un modelo entrenado sobre datos inconsistentes no falla de forma visible — falla generando alertas que el equipo de planta deja de confiar, y ahí el proyecto muere en silencio, no en el papel.

Si su operación minera registra paradas no programadas que suman más de 15 días al año por flota, el costo de oportunidad ya supera, en la mayoría de los casos que hemos revisado, la inversión de un primer sistema predictivo bien acotado.