Qué es el mantenimiento predictivo con machine learning
El mantenimiento predictivo estima cuándo es probable que falle un activo para intervenir justo antes: ni demasiado pronto ni demasiado tarde. La idea no es nueva; lo que cambia es la escala. Los modelos de machine learning vigilan muchas variables a la vez y aprenden patrones que un umbral fijo no detecta.
En el contexto de la industria 4.0, supone pasar de revisar máquinas según el calendario a decidir con datos. El técnico sigue siendo imprescindible, pero recibe avisos priorizados y con contexto en lugar de descubrir la avería con la línea parada.
Correctivo, preventivo, predictivo y prescriptivo
Las cuatro estrategias no se sustituyen entre sí: una planta madura las combina según la criticidad de cada activo.
| Estrategia | Cuándo se interviene | Datos que usa | Dónde encaja |
|---|---|---|---|
| Correctivo | Después de la avería | Ninguno previo | Activos baratos, redundantes o no críticos |
| Preventivo | Por calendario, horas o ciclos | Recomendaciones del fabricante e históricos | Desgaste regular y previsible |
| Predictivo | Cuando los datos indican degradación | Sensores, condiciones de operación y GMAO | Activos críticos con fallos costosos |
| Prescriptivo | Según la acción que recomienda el sistema | Predicción más costes, stock y planificación | Plantas con el predictivo ya consolidado |
Qué datos necesitas (y qué hacer si tienes pocos fallos)
Casi siempre hay más datos de los que parece, aunque dispersos en sistemas que no se hablan entre sí.
- Vibración: la fuente más informativa en equipos rotativos como motores, bombas o reductoras.
- Temperatura: de rodamientos, devanados, aceite o armarios eléctricos.
- Consumo eléctrico: la corriente revela atascos, desalineaciones o pérdida de rendimiento.
- Condiciones de operación: velocidad, carga, presión, referencia fabricada o turno. Sin ellas, el modelo confunde un cambio de producto con una anomalía.
- Históricos del GMAO: órdenes de trabajo, fechas, causas y piezas sustituidas. Son las etiquetas que permiten aprender qué precede a cada fallo.
Pocos fallos registrados: el problema habitual
Un buen programa de mantenimiento genera pocas averías, lo que complica entrenar un clasificador, y los registros del GMAO suelen ser incompletos. Hay alternativas razonables:
- Empezar por detección de anomalías, que aprende cómo se comporta el equipo sano y no necesita ejemplos de fallo.
- Reconstruir etiquetas con el equipo de mantenimiento, cruzando órdenes de trabajo y partes de turno.
- Agrupar activos similares para sumar el historial de máquinas del mismo tipo.
- Combinar reglas de ingeniería y modelos, partiendo de umbrales físicos conocidos.
- Mejorar el registro desde hoy, con causas codificadas en el GMAO.
Técnicas de machine learning más utilizadas
No existe un algoritmo único: la técnica depende de los datos disponibles y de la pregunta que quieres responder.
- Detección de anomalías: aprende el comportamiento normal y señala desviaciones. Es el punto de entrada habitual cuando hay pocos fallos etiquetados.
- Clasificación de fallos: con historial suficiente, identifica el tipo de avería probable (desequilibrio, holgura, rodamiento, cavitación) y orienta el diagnóstico.
- Estimación de vida útil remanente (RUL): predice cuánto tiempo o cuántos ciclos quedan antes de un umbral de fallo. Requiere series de degradación completas, así que conviene abordarla cuando el proyecto ha madurado.
- Series temporales: capturan tendencias, estacionalidad y dependencias entre variables, y son la base de muchas de las técnicas anteriores.
A veces se complementa con visión artificial para inspeccionar desgaste de herramientas, fugas o correas. Más allá del algoritmo, lo decisivo es la ingeniería de variables: traducir señales brutas en indicadores con sentido físico que el técnico reconozca.
Arquitectura típica de una solución
La solución se apoya en varias capas que deben encajar con lo que ya tienes en planta:
- Sensores e IoT: vibración, temperatura o corriente, además de las señales que ya recogen el PLC o el SCADA.
- Historiador: almacena las series temporales con marcas de tiempo fiables. Muchas plantas ya lo tienen.
- Edge o nube: el procesamiento en el borde reduce latencia y volumen con señales de alta frecuencia. El entrenamiento y el análisis histórico suelen hacerse en la nube o en servidores propios.
- Datos unificados: una plataforma de datos une las series temporales con la información del GMAO, el MES y el ERP.
- Integración con GMAO y MES: la predicción debe convertirse en una orden de trabajo en la herramienta que el equipo ya usa, no en un panel más que nadie consulta.
Si las piezas estándar no encajan, un desarrollo de software a medida conecta la capa analítica con el flujo real de trabajo, como hacemos en nuestros proyectos de ingeniería de datos y big data.
Cómo implantarlo paso a paso
1. Selecciona los activos críticos
No empieces por toda la planta. Elige uno o dos activos donde una avería tenga un impacto claro en producción, seguridad o coste, y donde existan datos o sea viable instalar sensores.
2. Evalúa la calidad de los datos
Revisa frecuencias de muestreo, huecos, sincronización de relojes entre sistemas y fiabilidad del GMAO. Conviene resolver estos problemas antes de modelar, porque ningún modelo corrige datos mal recogidos.
3. Lanza una prueba de concepto acotada
Una prueba de concepto de 4 a 8 semanas permite comprobar si las señales contienen información útil para anticipar fallos en ese activo. Define desde el principio qué pregunta responde y qué criterio de éxito usarás para decidir si continuar.
4. Valida los resultados con mantenimiento
Los técnicos deben revisar las alertas, confirmar o descartar anomalías y ayudar a ajustar umbrales. Su participación convierte un modelo estadístico en una herramienta en la que se confía. Un sistema con demasiadas falsas alarmas acaba ignorándose.
5. Despliega e integra en el día a día
Con el modelo validado, intégralo con el GMAO, el MES o el SCADA para que las alertas lleguen donde se decide. Define quién recibe cada aviso, con qué prioridad y qué acción se espera.
6. Monitoriza y reentrena (MLOps)
Los equipos envejecen, se sustituyen componentes y cambian los productos fabricados. Una práctica de MLOps vigila el rendimiento, detecta derivas en los datos y reentrena con la información nueva, incluidas las confirmaciones de los técnicos.
Más detalle sobre cómo llevar estos modelos a producción en nuestro servicio de modelos predictivos y aprendizaje automático.
Errores comunes
- Empezar por la tecnología y no por el problema: comprar sensores o plataformas sin saber qué avería quieres evitar.
- Querer cubrir toda la planta desde el principio: multiplica la complejidad y retrasa los resultados.
- Ignorar el contexto operativo: el modelo lanza falsas alarmas en cada cambio de producto.
- Dejar fuera al equipo de mantenimiento: las etiquetas son pobres y las alertas no se atienden.
- No integrar con el GMAO: si la alerta vive en un panel aparte, acaba olvidada.
- Tratar el modelo como un proyecto cerrado: sin reentrenamiento, su precisión se degrada.
KPIs para medir el impacto
Antes de empezar, fija una línea base con los datos actuales. Solo así evitarás atribuir al proyecto mejoras que vienen de otros cambios.
| KPI | Qué mide | Qué debería reflejar el predictivo |
|---|---|---|
| MTBF | Tiempo medio entre fallos | Más tiempo operando entre averías |
| MTTR | Tiempo medio de reparación | Reparaciones más rápidas al llegar con diagnóstico y repuesto |
| OEE | Eficiencia global del equipo | Mayor disponibilidad por menos paradas |
| Paradas no planificadas | Número y duración de paradas imprevistas | Más intervenciones programadas y menos sorpresas |
| Coste de mantenimiento | Mano de obra, repuestos y horas extra | Menos urgencias y mejor gestión del stock |
Complementa estos indicadores con métricas del propio modelo, como la tasa de falsas alarmas o la antelación con la que avisa.
Aplicaciones en otros sectores
Los mismos principios se aplican más allá de la fabricación:
- Energía: en el sector energético, aerogeneradores, transformadores o inversores fotovoltaicos, a menudo en ubicaciones remotas.
- Fabricación de vehículos: en automoción, robots de soldadura, prensas y líneas de pintura, donde una parada afecta a toda la cadena.
- Transporte: frenos, puertas, climatización o rodadura en flotas de trenes y autobuses.
Encontrarás más escenarios en nuestros casos de uso.
Cómo empezar
Si tienes un activo que te preocupa o datos que no estás aprovechando, el primer paso es una conversación. En Proinicia trabajamos con una primera sesión sin coste, una prueba de concepto de 4 a 8 semanas sobre un activo concreto, integración con tus sistemas MES, ERP o SCADA y acompañamiento continuo tras el despliegue.
Cuéntanos tu proyecto y valoramos juntos por dónde empezar.
Preguntas frecuentes
¿Cuántos datos necesito para empezar con mantenimiento predictivo?
No hay una cifra universal: depende del activo, de la frecuencia de muestreo y del fallo que quieras anticipar. Para detectar anomalías basta con un periodo representativo de funcionamiento normal en distintas condiciones de operación. Para clasificar fallos o estimar la vida útil remanente hacen falta además averías bien documentadas, que pueden reconstruirse en parte con el GMAO y los técnicos.
¿Tengo que instalar sensores nuevos?
No siempre. Muchas plantas ya disponen de señales útiles en el PLC, el SCADA o el historiador, como temperaturas, consumos o presiones. El primer paso es inventariar lo que existe y evaluar si basta para el activo elegido. Si faltan variables clave, como la vibración en equipos rotativos, se añaden sensores solo en los activos críticos.
¿Qué diferencia hay entre mantenimiento predictivo y prescriptivo?
El predictivo anticipa que un equipo probablemente fallará y, en algunos casos, cuánto tiempo le queda. El prescriptivo añade qué hacer: cuándo intervenir, qué repuesto preparar y cómo ajustar la planificación. Necesita un predictivo fiable como base, además de datos de costes, inventario y producción, por lo que suele abordarse en una fase posterior.
¿Cuánto se tarda en implantar un sistema de mantenimiento predictivo?
Una prueba de concepto sobre un activo concreto puede plantearse en 4 a 8 semanas para validar si los datos permiten anticipar fallos. Después, el despliegue y la integración con el GMAO o el MES dependen del número de activos, del estado de los datos y de los sistemas existentes. Lo recomendable es escalar por fases, empezando por los activos más críticos.
Mario Martín Plaza