Mantenimiento predictivo en industria: qué datos necesitas antes de aplicar IA
Qué datos, señales y condiciones necesita una planta industrial para implantar mantenimiento predictivo con IA sin empezar por el modelo equivocado.
Mantenimiento predictivo en industria: qué datos necesitas antes de aplicar IA
El mantenimiento predictivo promete detectar fallos antes de que detengan una línea. La idea es atractiva, pero muchas plantas empiezan por buscar un modelo de inteligencia artificial cuando todavía no tienen resuelta la parte más importante: qué señal observar, con qué frecuencia y qué decisión tomar cuando aparece una anomalía.
La IA puede ayudar, pero no sustituye el conocimiento de mantenimiento ni arregla datos que nunca se registraron. Un proyecto serio comienza en la máquina y en el proceso de trabajo, no en el algoritmo.
Predictivo no significa adivinar averías
Un sistema predictivo estima el riesgo de que ocurra un evento dentro de un horizonte útil. Para que esa estimación sirva, el equipo debe poder actuar antes del fallo.
No tiene sentido predecir una avería con diez minutos de antelación si detener la línea requiere dos horas de coordinación. Tampoco sirve una alerta con tres semanas de margen si genera tantos falsos positivos que mantenimiento deja de confiar en ella.
Antes de hablar de modelos hay que definir:
- Qué fallo queremos anticipar.
- Cuánto tiempo necesitamos para intervenir.
- Qué coste tiene una parada no planificada.
- Qué acción se ejecutará ante una alerta.
- Qué nivel de error puede aceptar la operación.
Los datos que suelen aportar valor
La fuente adecuada depende del activo. Vibración, temperatura, presión, consumo eléctrico, caudal, velocidad o ciclos de trabajo pueden ser relevantes, pero recopilar todas las señales no garantiza mejores resultados.
Normalmente se combinan cuatro grupos de datos:
Señales de la máquina
Lecturas de sensores, PLC, SCADA o sistemas de monitorización. Importa tanto el valor como la frecuencia, la unidad y el momento exacto de captura.
Historial de mantenimiento
Órdenes de trabajo, componentes sustituidos, tipo de intervención, causa encontrada y tiempo de parada. Si el historial solo contiene textos como “revisado” o “solucionado”, habrá que estructurarlo antes de entrenar nada.
Contexto de producción
Producto fabricado, carga, turno, receta, velocidad o condiciones ambientales. Una temperatura puede ser normal a plena carga y anómala durante una producción distinta.
Eventos y fallos confirmados
El modelo necesita ejemplos fiables de lo que se pretende anticipar. Si no existe un registro consistente de averías, puede ser mejor empezar por detección de anomalías y validación humana.
Empieza por un activo crítico y repetible
El mejor piloto no siempre es la máquina más cara. Conviene elegir un activo con impacto operativo claro, suficientes ciclos y un modo de fallo que el equipo conozca bien.
Un equipo que falla una vez cada diez años difícilmente proporcionará datos para un primer modelo. En cambio, un conjunto de bombas, motores o compresores similares permite comparar comportamientos y aprender con más rapidez.
El piloto debe medir algo más que la precisión técnica. También debe registrar cuántas alertas llevaron a una intervención útil, cuánto tiempo de anticipación aportaron y qué paradas se evitaron o planificaron mejor.
La calidad del dato se comprueba en planta
Antes de construir el modelo hay que revisar huecos, cambios de escala, sensores desconectados, relojes desincronizados y modificaciones en la máquina que no quedaron documentadas.
Una gráfica puede parecer correcta y, sin embargo, mezclar unidades o periodos con configuraciones distintas. Por eso mantenimiento, producción y el equipo de datos deben revisar juntos las señales. El contexto operativo evita conclusiones técnicamente elegantes pero inútiles en la realidad.
Cómo integrar la predicción en el trabajo diario
Una alerta aislada en otro dashboard termina olvidada. El resultado debe entrar en el sistema que ya utiliza mantenimiento: GMAO, ERP, correo operativo o panel de planta.
Un flujo habitual puede ser:
- El sistema detecta una desviación relevante.
- Comprueba contexto, carga y eventos recientes.
- Crea una recomendación con la evidencia disponible.
- Un técnico valida o descarta la alerta.
- La decisión y el resultado se guardan para mejorar el sistema.
Esta última parte es clave. La respuesta del técnico crea el dato que permitirá reducir falsos positivos y adaptar el modelo a la planta.
Cuándo basta con reglas
No todos los casos requieren aprendizaje automático. Si el equipo conoce límites claros de temperatura, presión o consumo, una regla bien configurada puede resolver el problema con menos coste y más transparencia.
La IA tiene más sentido cuando intervienen varias señales, los patrones cambian según el contexto o las relaciones no caben en un umbral fijo. Un buen diagnóstico de procesos e IA debe poder concluir que una regla es suficiente. Elegir la solución más simple también es aplicar tecnología con criterio.
El objetivo: decidir antes, no acumular datos
El mantenimiento predictivo aporta valor cuando convierte señales dispersas en una decisión operativa con tiempo suficiente. Si el proyecto solo produce un panel nuevo, no está terminado.
Empieza por un fallo concreto, un activo acotado y una acción definida. Con esa base, los datos y la IA pueden reducir incertidumbre sin convertir la planta en un experimento permanente.