Aprendizado de máquina não supervisionado para detecção de anomalias aplicada à manutenção preditiva de bombas de polpa.

Abstract

Este trabalho apresenta o desenvolvimento de um pipeline preditivo baseado em aprendizado de máquina não supervisionado para identificar padrões anômalos e antecipar falhas operacionais em sistemas de bombeamento de polpa mineral. Na rotina da mineração, quebras inesperadas desses ativos geram severos impactos financeiros e riscos operacionais, como o entupimento de tubulações. Para solucionar esse problema, estruturou-se um pipeline de dados em Python utilizando séries temporais reais de variáveis elétricas e hidráulicas de uma bomba industrial. Por meio da engenharia de atributos e filtragem estatística, o algoritmo Isolation Forest foi calibrado com uma taxa de contaminação de 1,0%, superando a abordagem tradicional do Local Outlier Factor (LOF). O modelo alcançou 100% de sensibilidade na interceptação das paradas registradas no histórico do ativo. Quando integrado a uma proposta de interface operacional associada a um Filtro de Persistência Temporal de 15 minutos, o sistema demonstrou capacidade de antecipar anomalias críticas com um horizonte estratégico de até 6 horas. Esse intervalo confere à equipe de manutenção a janela útil necessária para coordenar manobras preventivas e procedimentos de lavagem de linha, eliminando o estresse operacional.