8 de enero de 2026
Visión general
DataMind AI™para Flotas Móviles se desplegó en una gran explotación minera para supervisar camiones de transporte CAT 793D y detectar problemas mecánicos ocultos bajo miles de alertas OEM.
En una sola semana, la flota CAT generó 23.132 alertas OEM, incluidas 655 en un camión de transporte 793D , lo que hizo casi imposible la priorización manual.
A pesar del ruido, DataMind AI™ detectó una amenaza mecánica real en elsistema de refrigeración del motor: una obstrucción del radiador en desarrollo. Así lo indicaba el aumento de la temperatura en varios componentes de refrigeración y la creciente frecuencia de eventos de reducción de potencia del motor.
Esta visión temprana permitió al equipo intervenir antes del fallo, protegiendo el motor y evitando paradas imprevistas.
Metodología de diagnóstico de IA DataMind
Conocimientos mecánicos incorporados
Mediante la fusión de sensores y el razonamiento mecánico incorporado, DataMind AI™analizó:
- Sensores del sistema de refrigeración: velocidad del ventilador, temperatura del refrigerante del motor, temperatura del postenfriador, temperatura del aire ambiente, temperatura del lubricante de la transmisión, temperatura del convertidor de par y nivel del refrigerante.
- Señales operativas: carga útil, posición del acelerador, carga y velocidad del motor, velocidad de avance y estado de reducción de potencia.
- Entradas adicionales: estado del refrigerante y actividad de mantenimiento reciente.
Diagnóstico
- Aumento simultáneo de la temperatura en los principales componentes de refrigeración.
- Vinculado a frecuentes eventos de reducción de potencia durante el funcionamiento con carga.
- Descartado el error de un solo sensor, confirmando la verdadera degradación mecánica.
- Causa raíz identificada: reducción de la eficacia de la refrigeración debido a una obstrucción interna o externa del radiador.
Este patrón se detectó en el convertidor de par, el refrigerador posterior trasero, el refrigerante del motor y el lubricante de la transmisión, especialmente durante los picos de aceleración bajo carga.
DataMind AI™conectó estas señales para sacar a la superficie el verdadero modo de fallo antes de la avería.
Acciones recomendadas
- Realiza la prueba de ∆T (caída de temperatura) del radiador
- Comprueba el total de horas de funcionamiento del radiador
- Inspecciona y limpia los núcleos del radiador
- Evalúa si el termostato funciona mal o está obstruido
- Planificar la sustitución del radiador si se confirma la degradación
DataMind AI™ marcó la causa probable y las acciones recomendadas, todo ello confirmado durante la inspección
Resultados
- Cero tiempos de inactividad imprevistos
- Detección precoz de la degradación del radiador, antes de que afecte al rendimiento
- Producción continua mantenida sin interrupción operativa
- Mejora la eficacia de ConMon eliminando las falsas alarmas y el ruido
Resumen
En las grandes explotaciones mineras, donde las flotas generan miles de alertas OEM semanales, es fácil que los problemas mecánicos reales queden enterrados en el ruido.
Este caso pone de relieve cómo DataMind AI™va más allá de la supervisión tradicional, atravesando la sobrecarga de alertas para detectar la verdadera causa raíz de los fallos.
Rellena el formulario para descargar el estudio de caso
Don’t let the next failure go undetected.
Explore 50+ real-world case studies showing how DataMind AI saves mining operations millions — or book a live demo to see it in action.
