NTT Data, Kipu Quantum y Komatsu desarrollaron una prueba de concepto de mantenimiento predictivo que aplica aprendizaje automático cuántico para anticipar fallas críticas en cables de palas eléctricas utilizadas en operaciones mineras. La tecnología permite generar alertas con hasta siete días de anticipación y mostró el potencial de ayudar a reducir hasta en un tercio los costos asociados a fallas no planificadas, al habilitar intervenciones antes de que afecten activos clave de la operación.
El foco estuvo puesto en un escenario de alto impacto operativo: cuando un cable de pala eléctrica falla sin previo aviso, la operación puede detenerse, elevar los costos de mantenimiento y afectar la continuidad del negocio. En esos entornos, el tiempo de inactividad no planificado puede costar hasta tres veces más que una intervención preventiva, un diferencial que vuelve relevante la anticipación de fallas en equipos críticos.
Datos complejos y límites de los modelos tradicionales
El proyecto se centró en un problema que presenta dificultades para los 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. Esa combinación limitaba el desempeño de los modelos tradicionales de aprendizaje automático cuando se busca llevarlos a escenarios productivos.
Para abordar ese reto, las compañías aplicaron un enfoque basado en 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 puede mejorar la predicción incluso con modelos más simples, robustos y fáciles de mantener. El trabajo también evidenció una menor correlación entre variables, una señal asociada a mayor estabilidad y consistencia en los resultados.
Un criterio económico para decidir intervenciones
Además de anticipar fallas, el piloto incorporó un marco de decisión basado en costos mediante la métrica Expected Maintenance Cost (EMC), que conecta las predicciones con decisiones operativas concretas. El esquema apunta a equilibrar el reemplazo anticipado de componentes con el riesgo de falla, con un criterio económico más claro para la toma de decisiones de mantenimiento.
Juan José Miranda, Head Innovation Center de NTT Data Perú, señaló: “El quantum machine learning nos permite a entender mejor los datos”. En la misma línea, agregó: “El valor de este piloto va más allá de la minería”.
Javier Callieri, manager Recursos Naturales e Industria de NTT Data Argentina, explicó: “Nuestro foco está en transformar datos en decisiones que reduzcan riesgos”.
