Mantenimiento industrial · IA aplicada · Fiabilidad
El mantenimiento predictivo con inteligencia artificial convierte vibraciones, temperaturas, consumos y eventos de planta en una ventana de intervención útil. Su valor no está en producir más alertas, sino en decidir antes, con contexto y con una prioridad que mantenimiento y producción puedan compartir.
Una planta no necesita sensorizarlos todos los activos ni esperar años para empezar. Necesita elegir una avería relevante, capturar la señal que precede a ese fallo y diseñar qué hará el equipo cuando el modelo detecte riesgo. Esta guía explica cómo construir ese sistema de extremo a extremo.
Qué es el mantenimiento predictivo con inteligencia artificial
El mantenimiento predictivo con IA es una estrategia que estima el estado futuro de un activo a partir de datos reales de funcionamiento. Los modelos de machine learning identifican cambios de comportamiento, combinan señales que por separado parecen normales y calculan si existe una degradación compatible con un modo de fallo conocido.
La diferencia frente a una alarma fija es importante. Un umbral avisa cuando una variable supera un límite. Un modelo predictivo puede reconocer que la relación entre vibración, carga, temperatura y consumo se ha desviado, aunque ninguna variable haya cruzado todavía su máximo permitido.
Definición práctica: hay mantenimiento predictivo cuando la información permite decidir qué activo revisar, con qué urgencia, por qué motivo y dentro de qué ventana. Si la salida termina en un gráfico que nadie incorpora a su rutina, todavía hay monitorización, no una capacidad operativa.
Predictivo, preventivo y correctivo: qué cambia en planta
| Enfoque | Cuándo interviene | Ventaja | Riesgo habitual |
|---|---|---|---|
| Correctivo | Después del fallo. | Simplicidad en activos poco críticos. | Parada inesperada, urgencia y daño asociado. |
| Preventivo | Por calendario, horas o ciclos. | Reduce parte del riesgo con una rutina conocida. | Intervenciones prematuras y recambios innecesarios. |
| Basado en condición | Cuando una señal supera un criterio técnico. | Relaciona la acción con el estado medido. | Umbrales rígidos y muchas alarmas sin contexto. |
| Predictivo con IA | Cuando el patrón indica degradación o riesgo futuro. | Detecta relaciones multivariable y prioriza con antelación. | Falsas alarmas si faltan contexto, validación y gobierno. |
Cómo funciona un sistema predictivo de extremo a extremo
La predicción es solo una etapa. Para llegar a una decisión fiable, la planta debe enlazar captura, contexto, analítica, validación y ejecución. El flujo más útil puede resumirse en cinco pasos.
1. Sensores y adquisición
La selección depende del modo de fallo. Vibración y ultrasonidos son habituales en equipos rotativos; temperatura ayuda a vigilar rodamientos, motores y cuadros; corriente y potencia revelan cambios de carga o fricción; presión, caudal y calidad del fluido aportan señales en bombas, sistemas hidráulicos y lubricación.
Antes de instalar hardware nuevo conviene inventariar lo que ya existe. PLC, variadores, protecciones, SCADA y sistemas de control suelen contener señales útiles. El reto es comprobar resolución, frecuencia, continuidad y sincronización.
2. Contexto OT e IT
Una vibración alta durante un arranque puede ser normal y la misma vibración en régimen estable puede ser anómala. Por eso el dato de condición debe cruzarse con estados de máquina, órdenes de producción, recetas, turnos, alarmas, intervenciones y cambios de componente.
3. Modelos que responden a preguntas diferentes
Aprende el comportamiento normal y señala desviaciones. Es útil cuando hay pocos fallos etiquetados.
Clasifica patrones compatibles con desequilibrio, desalineación, cavitación, holgura u otras causas conocidas.
Estima evolución o vida útil remanente cuando existe histórico suficiente y un proceso de degradación observable.
En muchos proyectos industriales, un enfoque híbrido funciona mejor que un algoritmo aislado: reglas de ingeniería para límites duros, modelos de anomalías para señales débiles y lógica de negocio para priorizar. La evolución hacia recomendaciones de intervención encaja con la diferencia entre IA predictiva e IA prescriptiva.
Qué datos aportan valor y para qué fallos
No existe una lista universal de sensores. La pregunta correcta es qué fenómeno físico precede al fallo y con cuánto margen puede observarse. Esta matriz ayuda a orientar el diseño inicial.
| Señal | Activos habituales | Qué puede revelar | Contexto necesario |
|---|---|---|---|
| Vibración | Motores, bombas, ventiladores, reductores. | Desequilibrio, desalineación, holgura, desgaste de rodamiento. | Velocidad, carga, punto y orientación de medida. |
| Temperatura | Rodamientos, bobinados, hornos, cuadros. | Fricción, sobrecarga, refrigeración insuficiente. | Ambiente, régimen, carga y ubicación del sensor. |
| Corriente y potencia | Motores, compresores, bombas. | Sobrecarga, fricción, cambio de eficiencia o comportamiento eléctrico. | Consigna, velocidad, producto y estado operativo. |
| Presión y caudal | Sistemas hidráulicos, neumática, bombeo. | Fugas, obstrucción, cavitación, pérdida de rendimiento. | Apertura de válvulas, demanda, fluido y temperatura. |
| Eventos y alarmas | Líneas y celdas automatizadas. | Secuencias anómalas, microparadas y degradación funcional. | Timestamp común, estado de línea, receta y causa de parada. |
Antes de modelar, conviene revisar si los registros tienen trazabilidad temporal, unidades estables y relación con un resultado verificable. La guía de Datision sobre calidad y utilidad de los datos para IA industrial desarrolla esa evaluación.
Beneficios que se pueden medir
La alerta temprana permite mover una intervención a una ventana planificada y proteger activos cuello de botella.
La condición real ayuda a ajustar frecuencias y evitar sustituciones por calendario sin evidencia de desgaste.
Probabilidad, severidad y criticidad ordenan la carga de trabajo con un criterio compartido.
Una ventana más clara facilita preparar piezas, herramientas y personal antes de intervenir.
Producción y mantenimiento negocian paradas con una explicación técnica y un impacto visible.
Cada alerta cerrada mejora etiquetas, causas, umbrales y rendimiento futuro del sistema.
Estos beneficios no deben darse por hechos. La línea base, el coste evitado y la capacidad de actuación tienen que definirse antes del piloto. Para una visión operativa más amplia, puede consultarse la guía de Datision sobre mantenimiento predictivo industrial y reducción de paradas.
Cómo elegir el primer activo
El mejor piloto no siempre es la máquina más cara. Es el caso donde coinciden impacto, señal observable, acceso al dato y posibilidad real de actuar. Una matriz sencilla puede puntuar cada candidato de 1 a 5 en cinco criterios:
- Criticidad: efecto sobre seguridad, calidad, capacidad, entrega o coste.
- Frecuencia o evidencia de degradación: hay incidencias repetidas o un mecanismo físico conocido.
- Detectabilidad: existe una señal previa medible con margen suficiente.
- Disponibilidad de datos: histórico, contexto y mantenimiento pueden relacionarse por activo y tiempo.
- Capacidad de respuesta: la planta puede revisar, programar y cerrar la alerta.
Un piloto defendible: un activo o familia homogénea, uno o dos modos de fallo, un usuario operativo responsable, una acción definida y un KPI reconocido por la planta.
Hoja de ruta de 90 días
Problema y línea base
Seleccionar activo y fallo, calcular impacto actual, mapear fuentes, revisar calidad y acordar qué decisión debe mejorar.
Datos y validación
Sincronizar señales, construir contexto, explorar patrones y contrastar resultados con técnicos y registros de intervención.
Piloto operativo
Desplegar alertas en sombra, medir falsos positivos, fijar responsables, integrar el cierre y decidir si escalar.
Diseñar la alerta antes de desplegar el modelo
La alerta debe indicar activo, señal que ha cambiado, severidad, nivel de confianza, horizonte estimado y comprobación recomendada. También necesita un propietario, un plazo de revisión y un estado de cierre. Sin ese diseño, incluso un buen modelo puede crear fatiga y perder credibilidad.
Empezar en modo sombra
Durante varias semanas, el sistema puede emitir predicciones sin activar órdenes automáticas. El equipo compara alertas con inspecciones y eventos reales, identifica condiciones normales no contempladas y ajusta criterios. Esta fase reduce el riesgo de convertir pruebas técnicas en ruido operativo.
KPIs para demostrar impacto
La precisión del modelo es necesaria, pero no suficiente. Un cuadro de mando de mantenimiento predictivo debe conectar rendimiento analítico, adopción y resultado industrial.
Errores que frenan el mantenimiento predictivo
- Sensorizar sin hipótesis de fallo. Se acumulan señales, pero no se sabe qué decisión deben mejorar.
- Entrenar solo con datos de operación estable. El modelo confunde cambios de receta o carga con anomalías.
- Ignorar el CMMS y el conocimiento técnico. Las señales pierden la causa real y el sistema no aprende del cierre.
- Medir solo accuracy. Una métrica alta puede ocultar poco margen de actuación o alertas irrelevantes.
- Escalar antes de validar adopción. Multiplicar activos también multiplica ruido, mantenimiento del modelo y necesidades de gobierno.
- No vigilar la deriva. Cambios de componente, proceso, sensor o régimen alteran la distribución de datos y degradan el modelo.
Preguntas frecuentes
¿Hace falta tener muchos fallos históricos?
No siempre. Si hay pocas averías etiquetadas, puede empezarse con detección de anomalías, reglas de ingeniería y validación experta. Para clasificar fallos o estimar vida útil remanente sí suele hacer falta un histórico más rico y consistente.
¿Qué sensores son prioritarios?
Depende del activo y del modo de fallo. En equipos rotativos suelen aportar valor vibración, temperatura y corriente, pero una señal de proceso ya disponible puede ser más útil que instalar un sensor nuevo sin una hipótesis clara.
¿La IA sustituye al técnico de mantenimiento?
No. La IA filtra señales, detecta patrones y ayuda a priorizar. El técnico valida contexto, diagnostica causas, decide la intervención y documenta el resultado que permite mejorar el sistema.
¿Es necesario conectar el modelo al CMMS?
No para una prueba inicial, pero sí es muy recomendable para operar y escalar. La integración permite convertir alertas en trabajo trazable y devolver al modelo información sobre inspección, causa, componente y resultado.
¿Cuándo conviene usar edge y cuándo cloud?
Edge encaja cuando la latencia, conectividad o volumen de señal exigen procesamiento cercano a la máquina. Cloud facilita centralización, entrenamiento y comparación entre plantas. Muchas arquitecturas combinan ambos niveles.
¿Cómo saber si el piloto está listo para escalar?
Cuando mantiene una antelación útil, controla falsos positivos, genera acciones consistentes, tiene responsables claros y demuestra mejora frente a la línea base. Escalar antes de cumplir esas condiciones suele amplificar problemas.
De la señal a una decisión que protege la planta
El mantenimiento predictivo con inteligencia artificial funciona cuando combina física del activo, datos fiables y disciplina operativa. Empezar por un fallo concreto, validar con el equipo y medir una decisión real permite avanzar con menos riesgo. La meta no es predecir todo: es intervenir mejor allí donde una parada importa.