En este modulo
- De correctivo a predictivo: la evolucion del mantenimiento
- IoT como base del mantenimiento predictivo
- Prediccion de fallos con modelos de IA
- Planificacion de mantenimiento optimizada
- Condition monitoring: vigilancia continua
- Remaining Useful Life: cuanto le queda al equipo
- Optimizacion de costes de mantenimiento
- Mantenimiento predictivo por sectores
- Herramientas y plataformas
- Ejercicio practico
- Conclusiones clave
De correctivo a predictivo: la evolucion del mantenimiento
El mantenimiento industrial ha pasado por cuatro generaciones. La primera generacion (hasta los anos 1960) era puramente correctiva: arreglar cuando se rompe. La segunda (1960-1990) introdujo el mantenimiento preventivo: sustituir piezas cada X horas o cada X ciclos, independientemente de su estado real. La tercera (1990-2015) trajo el condition-based maintenance: monitorizar el estado del equipo y actuar cuando se detecta degradacion. La cuarta generacion, la actual, es el mantenimiento predictivo con IA: predecir cuando va a fallar un equipo y actuar en el momento optimo.
La diferencia entre preventivo y predictivo es crucial. El mantenimiento preventivo sustituye una pieza cada 10.000 horas porque la estadistica dice que a las 12.000 horas el 5% falla. Pero el 95% restante de las piezas tenia vida util restante. El mantenimiento predictivo analiza el estado real de cada pieza individual y predice cuando esa pieza concreta va a fallar. Resultado: reduces tanto las paradas no planificadas (la pieza se rompe antes de lo esperado) como el sobremantenimiento (sustituir piezas que aun funcionan bien).
El impacto economico del mantenimiento predictivo:
- Reduccion del 25-30% en costes de mantenimiento
- Reduccion del 70-75% en averias no planificadas
- Reduccion del 35-45% en tiempos de parada
- Aumento del 20-25% en vida util de los equipos
El coste de la parada no planificada
Una parada no planificada cuesta entre 5 y 50 veces mas que una parada planificada. No es solo el coste de la reparacion. Es produccion perdida, pedidos incumplidos, horas extra para recuperar, danos colaterales a otros equipos y, en el peor caso, accidentes de seguridad.
IoT como base del mantenimiento predictivo
El mantenimiento predictivo requiere datos. Datos en tiempo real del estado del equipo. Esos datos los proporcionan sensores IoT (Internet of Things) que miden parametros fisicos del equipo y los transmiten a un sistema central para su analisis.
Tipos de sensores
- Vibracion: el sensor mas comun en mantenimiento predictivo. Los patrones de vibracion de una maquina rotativa cambian cuando un rodamiento se desgasta, un eje se desalinea o un engranaje se dania. Acelerometros MEMS desde 20 EUR la unidad.
- Temperatura: el aumento de temperatura indica friccion excesiva, sobrecarga electrica o fallo de refrigeracion. Termopares y RTDs, desde 10 EUR.
- Corriente electrica: un motor que consume mas corriente de lo normal esta trabajando mas de lo que deberia. Pinzas amperimetricas IoT, desde 50 EUR.
- Presion: en sistemas hidraulicos y neumaticos, las variaciones de presion indican fugas, obstrucciones o desgaste de bombas.
- Ultrasonido: detecta fugas de aire, descargas electricas y problemas de lubricacion no detectables por otros medios.
- Aceite/lubricante: sensores que analizan la calidad del aceite en tiempo real (particulas metalicas, viscosidad, contaminacion). Mas caros (500+ EUR) pero muy informativos en maquinaria pesada.
Arquitectura IoT para mantenimiento
La arquitectura tipica tiene tres capas. La capa edge (sensores + gateway) recoge datos y hace un primer procesamiento local. La capa de comunicacion transmite los datos (WiFi, LoRaWAN, 4G/5G, dependiendo de la ubicacion y el volumen). La capa cloud (o on-premise en industria regulada) almacena, procesa y ejecuta los modelos de IA.
Para industrias con requisitos de latencia (la maquina debe parar en milisegundos si detecta un patron critico), el procesamiento se hace en el edge. Para analisis de tendencias y prediccion a medio plazo, el cloud es suficiente.
Coste de sensorizacion
Sensorizar una maquina cuesta entre 200 EUR (sensores basicos de vibracion y temperatura) y 5.000 EUR (monitorizacion completa con multiples parametros). El coste de la infraestructura de comunicacion y la plataforma cloud es tipicamente 50-200 EUR/maquina/ano. Para una fabrica con 50 maquinas, la inversion total es de 20.000-100.000 EUR con un ROI tipico de 6-18 meses.
Prediccion de fallos con modelos de IA
Con los datos de los sensores, la IA construye modelos que predicen fallos. Hay dos enfoques principales.
Enfoque supervisado
Requiere datos historicos de fallos: registros de cuando cada equipo fallo, que tipo de fallo fue y los datos de sensores en los dias/horas previos al fallo. El modelo aprende los patrones que preceden a cada tipo de fallo y los detecta en tiempo real.
El problema: los fallos son eventos raros. Si una maquina falla 3 veces al ano y tienes datos de 2 anos, solo tienes 6 ejemplos positivos. Tecnicas como oversampling (SMOTE), class weighting y transfer learning (transferir conocimiento de maquinas similares) ayudan a mitigar este problema.
Enfoque no supervisado
No requiere datos historicos de fallos. En cambio, el modelo aprende el comportamiento "normal" del equipo y detecta desviaciones. Algoritmos como autoencoders, isolation forest y DBSCAN son efectivos para deteccion de anomalias. La ventaja: funciona desde el dia 1, sin necesidad de esperar fallos para entrenar. La desventaja: detecta que algo es anomalo, pero no identifica que va a fallar ni cuando.
Enfoque hibrido (recomendado)
Empieza con deteccion de anomalias (no supervisado) para alertas genericas desde el dia 1. A medida que acumulas datos de fallos reales, entrena modelos supervisados que identifican tipos de fallo especificos y predicen el tiempo hasta el fallo. La combinacion da cobertura inmediata y precision creciente.
Modelos mas usados
- Random Forest / Gradient Boosting: para datos tabulares de sensores. Rapidos, interpretables, buen rendimiento con pocos datos.
- LSTM (Long Short-Term Memory): redes neuronales para series temporales. Capturan patrones secuenciales en los datos de sensores.
- Autoencoders: para deteccion de anomalias no supervisada. El modelo reconstruye datos normales. Si no puede reconstruir bien, es anomalo.
- Transformers: los modelos mas recientes para series temporales. Mayor capacidad pero requieren mas datos.
Precision vs recall en mantenimiento
Un falso negativo (no predecir un fallo que ocurre) tiene un coste enorme: averia no planificada. Un falso positivo (predecir un fallo que no ocurre) tiene un coste menor: una inspeccion innecesaria. Por eso, en mantenimiento predictivo, prioriza recall (detectar todos los fallos posibles) sobre precision (no generar falsas alarmas). Un recall del 95% con precision del 70% es mejor que precision del 95% con recall del 70%.
Planificacion de mantenimiento optimizada
Predecir el fallo es solo la mitad. La otra mitad es decidir cuando actuar. Actuar demasiado pronto desperdicia vida util del componente. Actuar demasiado tarde arriesga la averia. La IA optimiza este timing.
Mantenimiento just-in-time
El modelo predice una ventana de fallo: "este rodamiento fallara entre los dias 15 y 25 del proximo mes con un 85% de probabilidad". El planificador elige la fecha de intervencion dentro de esa ventana que minimice el impacto en produccion: un fin de semana, un periodo de baja demanda, cuando haya repuestos disponibles y tecnicos libres.
Programacion con restricciones
La planificacion de mantenimiento es un problema de optimizacion con multiples restricciones: disponibilidad de tecnicos (por especialidad), disponibilidad de repuestos, ventanas de parada de produccion, prioridad de los equipos (un equipo critico tiene prioridad sobre uno secundario), coste de la intervencion en diferentes momentos.
Algoritmos de optimizacion con restricciones (como programacion lineal o genetic algorithms) generan planes de mantenimiento que minimizan el coste total (mantenimiento + produccion perdida) cumpliendo todas las restricciones.
Integracion con CMMS
El sistema de mantenimiento predictivo se integra con el CMMS (Computerized Maintenance Management System) existente: SAP PM, IBM Maximo, Fiix, UpKeep. Las alertas predictivas generan ordenes de trabajo automaticamente en el CMMS con toda la informacion: equipo, fallo predicho, probabilidad, ventana de intervencion, repuestos necesarios, procedimiento de mantenimiento.
Condition monitoring: vigilancia continua
El condition monitoring es la monitorizacion continua del estado del equipo para detectar degradacion temprana. Es la base sobre la que se construye el mantenimiento predictivo.
Dashboards de estado de equipos
Un dashboard de condition monitoring muestra el estado de cada equipo en tiempo real: parametros actuales de sensores vs rangos normales, tendencia de los ultimos dias/semanas, alertas activas, estado de salud global (saludable, degradado, critico). El dashboard sigue el principio de "exception reporting": solo muestra informacion cuando algo requiere atencion.
Niveles de alerta
- Verde: todos los parametros dentro de rangos normales. No requiere accion.
- Amarillo: algún parametro muestra tendencia hacia el limite. Monitorizar con mayor frecuencia. Planificar inspeccion.
- Naranja: parametro cerca del limite o patron anomalo detectado. Programar intervencion en los proximos dias/semanas.
- Rojo: parametro fuera de rango o fallo inminente. Intervencion urgente. Considerar parada controlada.
Analisis de vibracion con IA
El analisis de vibracion es la tecnica mas madura de condition monitoring. La vibracion de una maquina rotativa tiene un "fingerprint" unico. Cuando algo cambia (desequilibrio, desalineacion, desgaste de rodamiento, holgura), el patron de vibracion cambia de formas especificas. La IA aprende estos patrones y diagnostica el tipo de problema, no solo que "algo va mal".
Las frecuencias de vibracion contienen informacion especifica: la frecuencia de rotacion indica desequilibrio, armonicos indican desalineacion, frecuencias de paso de bola indican defectos en rodamientos. La IA extrae estas features del espectro de vibracion y las clasifica automaticamente.
Remaining Useful Life: cuanto le queda al equipo
RUL (Remaining Useful Life) es la estimacion de cuanto tiempo un componente puede seguir funcionando antes de fallar. Es la metrica mas util del mantenimiento predictivo porque traduce la prediccion de fallos en una decision operativa: cuanto tiempo tengo para planificar la intervencion.
Modelos de RUL
Los modelos de RUL requieren datos de ciclos de vida completos: desde equipo nuevo hasta fallo. Si tienes multiples equipos del mismo tipo, puedes construir un modelo con los datos combinados. Los modelos mas usados son:
- Modelos de degradacion: ajustan una curva de degradacion al estado del componente (lineal, exponencial, logistica) y extrapolan hasta el umbral de fallo.
- LSTM para RUL: redes neuronales que toman la serie temporal de parametros del sensor y predicen el numero de ciclos restantes hasta el fallo.
- Modelos de supervivencia: basados en survival analysis (Kaplan-Meier, Cox regression), estiman la probabilidad de fallo en funcion del tiempo y las covariables.
Incertidumbre en RUL
La prediccion de RUL siempre tiene incertidumbre. Un modelo que dice "RUL = 200 horas" es menos util que uno que dice "RUL = 150-250 horas con 90% de probabilidad". Los modelos bayesianos y los ensembles proporcionan intervalos de confianza, no solo estimaciones puntuales. El planificador de mantenimiento usa estos intervalos para programar intervenciones con margen de seguridad.
Optimizacion de costes de mantenimiento
La optimizacion de costes de mantenimiento no es simplemente "hacer menos mantenimiento". Es hacer el mantenimiento correcto, en el momento correcto, de la forma correcta.
Coste total de mantenimiento
El coste total incluye: coste directo de la intervencion (mano de obra, repuestos, herramientas), coste de la parada de produccion (produccion perdida durante la intervencion), coste de la averia no planificada (si decides no intervenir y el equipo falla: reparacion de emergencia + produccion perdida + posibles danos colaterales), y coste de oportunidad del sobremantenimiento (sustituir un componente que aun tenia vida util).
Optimizacion del punto de intervencion
La IA calcula el momento optimo de intervencion que minimiza el coste total esperado. Si intervenir ahora cuesta 1.000 EUR (mantenimiento planificado) y no intervenir tiene un 20% de probabilidad de averia que costaria 20.000 EUR, el coste esperado de no intervenir es 4.000 EUR. Es mejor intervenir. Pero si la probabilidad es 2%, el coste esperado es 400 EUR. Mejor esperar y monitorizar.
Optimizacion de repuestos
El mantenimiento predictivo permite optimizar el inventario de repuestos. En vez de tener stock "por si acaso", el sistema predice que repuestos se van a necesitar en las proximas semanas y los pide con antelacion. Resultado: reduccion del inventario de repuestos del 20-30% con mejor disponibilidad.
Mantenimiento predictivo por sectores
Manufactura
Equipos: maquinas CNC, prensas, robots, lineas de ensamblaje. Sensores: vibracion, temperatura, corriente, presion. ROI alto por el coste de paradas no planificadas en lineas de produccion. Sectores mas avanzados: automocion, aeroespacial, alimentacion.
Energia
Equipos: turbinas eolicas, paneles solares, transformadores, redes de distribucion. Las turbinas eolicas son el caso de uso estrella: ubicadas en sitios remotos, el coste de enviar un tecnico es alto, y las paradas reducen ingresos. Mantenimiento predictivo reduce costes de O&M un 25-35%.
Transporte
Equipos: motores, frenos, transmisiones, sistemas electricos de flotas. Aplicable a flotas de camiones, autobuses, trenes. Prediccion de fallos reduce averias en carretera y mejora la seguridad.
Edificios e infraestructuras
Equipos: HVAC, ascensores, sistemas electricos, fontaneria. El mantenimiento predictivo de edificios es un mercado emergente, impulsado por la eficiencia energetica. Un sistema HVAC que funciona de forma suboptima consume un 15-25% mas de energia.
Servicios (mantenimiento predictivo de software)
El concepto aplica tambien a infraestructura IT: predecir cuando un servidor va a quedarse sin disco, cuando un servicio va a degradarse, cuando un certificado va a expirar. Las herramientas de observabilidad (Datadog, Grafana, New Relic) integran cada vez mas IA para prediccion de incidentes.
Herramientas y plataformas
Plataformas de mantenimiento predictivo
- Azure IoT + Azure ML: plataforma completa de Microsoft para IoT y mantenimiento predictivo. Pay-per-use.
- AWS IoT + SageMaker: equivalente de Amazon. Pay-per-use.
- Siemens MindSphere: plataforma industrial IoT de Siemens. Fuerte en manufactura. Enterprise.
- PTC ThingWorx: plataforma IoT industrial con AR integrada. Enterprise.
- Uptake: plataforma de IA industrial enfocada en mantenimiento predictivo. Mid-market a enterprise.
Sensores y hardware
- SKF (rodamientos): sensores de vibracion + plataforma de analisis. Lider en analisis de vibracion.
- Fluke: instrumentos de medicion y sensores industriales.
- Banner Engineering: sensores IoT industriales, buena relacion calidad/precio.
Para empezar
- Raspberry Pi + sensores basicos + Python: para prototipar un sistema de monitoring con datos reales. Coste: 100-200 EUR.
- Arduino + InfluxDB + Grafana: para captura de datos, almacenamiento de series temporales y dashboards.
- Python + scikit-learn: para modelos basicos de deteccion de anomalias con datos historicos.
- NASA C-MAPSS dataset: dataset publico de degradacion de motores de avion, ideal para practicar modelos de RUL.
Ejercicio practico
- Haz un inventario de los equipos criticos de tu operacion. Para cada uno: coste de reposicion, coste estimado de una parada no planificada (produccion perdida + reparacion), frecuencia actual de mantenimiento preventivo.
- Clasifica los equipos por criticidad: que equipos, si fallan, paran la produccion completa? Cuales tienen redundancia o alternativa? Los criticos sin redundancia son los primeros candidatos para mantenimiento predictivo.
- Para los 3 equipos mas criticos, identifica que parametros fisicos serian relevantes monitorizar (vibracion, temperatura, corriente, presion, etc.) y que tipo de sensor necesitarias.
- Estima el ROI: si reduces las paradas no planificadas un 50% en esos 3 equipos, cuanto ahorras al ano? Compara con el coste de sensorizacion e infraestructura.
- Usa Claude con este prompt: "Tengo [tipo de equipo] con estos patrones de fallo historicos: [descripcion]. Que sensores necesito para mantenimiento predictivo? Que modelo de ML recomiendas? Que datos necesito para empezar?"
Bonus: Descarga el dataset NASA C-MAPSS (disponible en Kaggle) y entrena un modelo de prediccion de RUL basico con Python y scikit-learn. Evalua la precision del modelo con metricas de MAE y RMSE.
Conclusiones clave
Key takeaways del OP08
- El mantenimiento predictivo reduce averias no planificadas un 70-75% y costes de mantenimiento un 25-30%, frente al mantenimiento preventivo basado en calendario.
- IoT es la base: sensores de vibracion, temperatura y corriente desde 20-50 EUR la unidad. La sensorizacion de un equipo completo ronda los 200-5.000 EUR.
- Empieza con deteccion de anomalias (no supervisado) para alertas inmediatas. Evoluciona a modelos supervisados cuando acumules datos de fallos reales.
- RUL (Remaining Useful Life) es la metrica clave: traduce la prediccion de fallo en tiempo disponible para planificar la intervencion.
- El coste de una parada no planificada es 5-50 veces mayor que una planificada. El ROI del mantenimiento predictivo se mide en paradas evitadas.
Guia de estudio — Conceptos clave de OP08
De correctivo a predictivo: la evolucion del mantenimiento
- Reduccion del 25-30% en costes de mantenimiento
- Reduccion del 70-75% en averias no planificadas
- Reduccion del 35-45% en tiempos de parada
- Aumento del 20-25% en vida util de los equipos
- El coste de la parada no planificada: Una parada no planificada cuesta entre 5 y 50 veces mas que una parada planificada. No es solo el coste de la reparacion. Es produccion perdida, pedidos incumplidos, horas extra para recuperar, danos colaterales a otros equipos y, en el peor caso, accidentes de seguridad.
IoT como base del mantenimiento predictivo
- Vibracion:el sensor mas comun en mantenimiento predictivo. Los patrones de vibracion de una maquina rotativa cambian cuando un rodamiento se desgasta, un eje se desalinea o un engranaje se dania. Acelerometros MEMS desde 20 EUR la unidad.
- Temperatura:el aumento de temperatura indica friccion excesiva, sobrecarga electrica o fallo de refrigeracion. Termopares y RTDs, desde 10 EUR.
- Corriente electrica:un motor que consume mas corriente de lo normal esta trabajando mas de lo que deberia. Pinzas amperimetricas IoT, desde 50 EUR.
- Presion:en sistemas hidraulicos y neumaticos, las variaciones de presion indican fugas, obstrucciones o desgaste de bombas.
- Ultrasonido:detecta fugas de aire, descargas electricas y problemas de lubricacion no detectables por otros medios.
- Aceite/lubricante:sensores que analizan la calidad del aceite en tiempo real (particulas metalicas, viscosidad, contaminacion). Mas caros (500+ EUR) pero muy informativos en maquinaria pesada.
Prediccion de fallos con modelos de IA
- Random Forest / Gradient Boosting:para datos tabulares de sensores. Rapidos, interpretables, buen rendimiento con pocos datos.
- LSTM (Long Short-Term Memory):redes neuronales para series temporales. Capturan patrones secuenciales en los datos de sensores.
- Autoencoders:para deteccion de anomalias no supervisada. El modelo reconstruye datos normales. Si no puede reconstruir bien, es anomalo.
- Transformers:los modelos mas recientes para series temporales. Mayor capacidad pero requieren mas datos.
- Precision vs recall en mantenimiento: Un falso negativo (no predecir un fallo que ocurre) tiene un coste enorme: averia no planificada. Un falso positivo (predecir un fallo que no ocurre) tiene un coste menor: una inspeccion innecesaria. Por eso, en mantenimiento predictivo, prioriza recall (detectar todos los fallos posibles) sobre precision (no generar falsas alarmas). Un recall del 95% con precision del 70% es mejor que precision del 95% con recall del 70%.
Condition monitoring: vigilancia continua
- Verde:todos los parametros dentro de rangos normales. No requiere accion.
- Amarillo:algún parametro muestra tendencia hacia el limite. Monitorizar con mayor frecuencia. Planificar inspeccion.
- Naranja:parametro cerca del limite o patron anomalo detectado. Programar intervencion en los proximos dias/semanas.
- Rojo:parametro fuera de rango o fallo inminente. Intervencion urgente. Considerar parada controlada.
Remaining Useful Life: cuanto le queda al equipo
- Modelos de degradacion:ajustan una curva de degradacion al estado del componente (lineal, exponencial, logistica) y extrapolan hasta el umbral de fallo.
- LSTM para RUL:redes neuronales que toman la serie temporal de parametros del sensor y predicen el numero de ciclos restantes hasta el fallo.
- Modelos de supervivencia:basados en survival analysis (Kaplan-Meier, Cox regression), estiman la probabilidad de fallo en funcion del tiempo y las covariables.
Herramientas y plataformas
- Azure IoT + Azure ML:plataforma completa de Microsoft para IoT y mantenimiento predictivo. Pay-per-use.
- AWS IoT + SageMaker:equivalente de Amazon. Pay-per-use.
- Siemens MindSphere:plataforma industrial IoT de Siemens. Fuerte en manufactura. Enterprise.
- PTC ThingWorx:plataforma IoT industrial con AR integrada. Enterprise.
- Uptake:plataforma de IA industrial enfocada en mantenimiento predictivo. Mid-market a enterprise.
- SKF (rodamientos):sensores de vibracion + plataforma de analisis. Lider en analisis de vibracion.
Siguiente: OP09 - Knowledge base y documentacion con IA
Del mantenimiento fisico pasamos al mantenimiento del conocimiento: como usar IA para crear, actualizar y buscar documentacion de forma inteligente.
Ir al Modulo OP09