NTT DATA, Kipu Quantum y Komatsu desarrollaron una prueba de concepto (PoC) para anticipar fallas críticas en cables de palas eléctricas en operaciones mineras. La iniciativa aplica aprendizaje automático cuántico para generar alertas con hasta siete días de anticipación y mostró el potencial de ayudar a reducir costos hasta en un tercio, al permitir intervenciones antes de que una falla afecte activos clave de la operación.
La iniciativa responde a uno de los retos más costosos del sector minero. 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 estos entornos, el tiempo de inactividad no planificado puede costar hasta tres veces más que una intervención preventiva.
El proyecto se centró en 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. Todo ello limitaba el desempeño de los modelos tradicionales de aprendizaje automático en 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 de mayor estabilidad y consistencia en los resultados.
Además de anticipar fallas, el proyecto incorporó un marco de decisión basado en costos mediante la métrica Expected Maintenance Cost (EMC), que conecta las predicciones con decisiones operativas concretas. Así, el piloto ayuda a equilibrar el reemplazo anticipado de componentes con el riesgo de falla y aporta un criterio económico más claro para la toma de decisiones de mantenimiento.
“ El quantum machine learning nos permite a entender mejor los datos, descubrir relaciones que antes no veíamos y convertirlas en decisiones más simples y confiables para la operación”, señaló Juan José Miranda, Head Innovation Center de NTT DATA Perú. “El valor de este piloto va más allá de la minería. Sectores como energía, transporte y manufactura, que enfrentan desafíos similares en la gestión de activos críticos, también pueden aplicar este enfoque para optimizar sus operaciones y reducir costos”.
Con este piloto, las tres compañías demuestran cómo la computación cuántica ya puede generar valor práctico en entornos industriales complejos. Al combinar conocimiento del sector, analítica avanzada y tecnologías emergentes, el proyecto ayuda a transformar datos complejos en decisiones más oportunas, confiables y escalables para la operación.