La pregunta que define si tiene sentido
En un tejido industrial como el de Burgos, donde la automoción y los componentes pesan tanto —con la sede de Grupo Antolin, plantas de Gestamp y Benteler, o la fábrica de neumáticos de Bridgestone— el mantenimiento predictivo es uno de los casos de uso de IA más mencionados en presentaciones de fabricantes de equipamiento y en eventos de industria 4.0. También es uno de los más frecuentemente sobrevendidos.
La pregunta de partida no es si la IA puede predecir averías — puede hacerlo bajo ciertas condiciones. La pregunta es si el coste de las averías no planificadas es lo suficientemente alto como para justificar la infraestructura de sensores, datos y modelo que requiere el mantenimiento predictivo, y si tu planta tiene las condiciones técnicas para que el modelo funcione con precisión suficiente.
Empieza calculando el coste real de una parada no planificada en tu línea más crítica: producción perdida, coste de reparación de urgencia, penalizaciones por incumplimiento de plazos, impacto en la cadena de producción aguas abajo. Esa cifra, multiplicada por la frecuencia de ocurrencia, define el valor del problema.
Evaluación de la oportunidad
El mantenimiento predictivo es especialmente adecuado para equipos con estas características: fallos con consecuencias económicas altas (coste de parada elevado o riesgo de seguridad), patrones de degradación que tienen señales previas detectables mediante sensores, y suficiente historial de fallos para entrenar el modelo.
Es menos adecuado para: equipos que fallan de forma súbita sin señales previas (fallos catastróficos instantáneos), equipos donde el coste de mantenimiento preventivo es menor que el coste del sistema predictivo, y equipos con muy baja frecuencia de fallo donde el modelo no tiene suficientes ejemplos de la clase positiva.
Requisitos de datos
Datos de sensores en tiempo real. Temperatura, vibración, presión, corriente eléctrica, acústica — las variables relevantes dependen del tipo de equipo. Los sensores tienen que estar instalados antes de poder recopilar los datos de entrenamiento, lo que implica que en equipos sin instrumentación previa existe una fase de captura de datos anterior al desarrollo del modelo.
Histórico de fallos etiquetado. Este es el requisito más difícil de cumplir. Para entrenar un modelo que prediga fallos, se necesita un historial de eventos de fallo con las lecturas de sensores previas a ese fallo. Si los registros de mantenimiento no tienen timestamps fiables, no especifican la causa del fallo, o el sistema de gestión de mantenimiento (GMAO/CMMS) no está actualizado, construir este historial es un proyecto en sí mismo.
Suficientes eventos de fallo. Los fallos son eventos raros. Si una máquina falla dos veces al año, con dos años de datos tienes cuatro eventos de fallo etiquetados — insuficiente para entrenar un modelo con poder discriminatorio. El mantenimiento predictivo con IA requiere una cantidad mínima de eventos de fallo en el histórico, y esa cantidad varía según el tipo de fallo y la complejidad del modelo.
Calidad y continuidad de los datos de sensor. Los sensores se descalibran, fallan, o sus datos se interrumpen. Los huecos en las series temporales y los valores atípicos de sensor (distintos de los valores atípicos de proceso) complican significativamente el preprocesamiento.
Aplicaciones sectoriales en Burgos
La provincia de Burgos concentra perfiles industriales muy distintos donde el mantenimiento predictivo encaja de formas diferentes. En la automoción y componentes de la capital y su entorno —prensas, líneas de inyección y estampación, robots de soldadura— las paradas no planificadas tienen un coste de oportunidad muy alto por su efecto en cadenas de suministro just-in-time, lo que justifica la sensorización de equipos críticos. En la agroindustria y alimentación —desde la industria láctea de Aranda de Duero hasta la industria cárnica y las conservas vegetales— los equipos de frío, compresores y líneas de envasado son candidatos claros, donde una avería compromete inocuidad y producto perecedero. En el polo químico y de plásticos de Miranda de Ebro y en la logística asociada a su nudo de comunicaciones, la continuidad de procesos y de equipos de manipulación marca la prioridad. Y en el sector del vino D.O. Ribera del Duero de Aranda de Duero, equipos de climatización, prensado y embotellado tienen ventanas de campaña en las que una parada es especialmente costosa.
Estructura de costes y complejidad
El coste más visible es la instrumentación: instalación de sensores en equipos no instrumentados, red de comunicación industrial (OPC-UA, MQTT), infraestructura de almacenamiento de series temporales. Esta inversión puede ser la más alta del proyecto en plantas sin base de IoT.
El modelo de predicción requiere ingeniería especializada en series temporales industriales: construcción de ventanas temporales, extracción de características en frecuencia (FFT para vibración, por ejemplo), calibración del umbral de alerta para el equilibrio entre falsos positivos y falsos negativos.
El coste recurrente incluye el mantenimiento del sistema de sensores, el reentrenamiento del modelo cuando se sustituyen componentes mayores (el patrón de degradación cambia), y la gestión operativa del sistema de alertas.
Evaluación de riesgos
Riesgo de datos insuficientes. Es el riesgo más frecuente. La planta tiene sensores, pero no tiene historial de fallos etiquetado, o el historial es demasiado corto. El proyecto requiere un período de captura de datos antes de poder desarrollar el modelo.
Riesgo de falsos positivos. Un modelo con alta tasa de falsas alarmas genera desconfianza en el equipo de mantenimiento: si el sistema avisa de averías que no ocurren, los técnicos dejan de actuar sobre las alertas. Calibrar el umbral de alerta para minimizar los falsos positivos sin perder detección es uno de los retos técnicos más importantes.
Riesgo de resistencia del equipo de mantenimiento. Los técnicos con años de experiencia tienen criterio sobre cuándo una máquina “suena mal” o “se comporta raro”. Si el sistema predictivo entra en conflicto con ese criterio, o si los técnicos no entienden por qué el modelo emite una alerta, la adopción puede ser baja. La explicabilidad del modelo — por qué está alertando ahora — es un factor crítico de adopción.
Métricas de éxito
- Reducción de paradas no planificadas (número y duración) vs. período anterior
- MTBF (Mean Time Between Failures) en los equipos monitorizados
- Tasa de detección anticipada: % de fallos que el modelo detecta antes de que ocurran
- Tiempo medio de anticipación de la alerta antes del fallo
- Tasa de falsos positivos: alertas que no corresponden a un fallo real
- Ratio mantenimiento planificado/no planificado antes y después
Cómo genera ROI
Los mecanismos de valor son: reducción del coste de paradas no planificadas (producción perdida + coste de reparación de urgencia + overtime), extensión de la vida útil de componentes mediante intervención en el momento óptimo (ni demasiado pronto ni demasiado tarde), y reducción del inventario de repuestos de emergencia al anticipar las necesidades.
El mantenimiento predictivo también puede justificarse por reducción de riesgo de seguridad: en equipos donde un fallo puede generar riesgo para las personas, el valor de la prevención incluye el coste evitado de un incidente, que es difícil de cuantificar pero real.
Preguntas frecuentes
¿Puede aplicarse el mantenimiento predictivo sin sensores en tiempo real? En algunos casos, los datos de proceso ya disponibles en el SCADA o en el historial del PLC contienen señales suficientes. Para equipos de baja complejidad, incluso datos de consumo eléctrico pueden ser predictivos de degradación. La viabilidad sin nueva sensorización depende del tipo de equipo y del tipo de fallo que se quiere predecir.
¿Qué diferencia hay entre mantenimiento predictivo y mantenimiento basado en condición? El mantenimiento basado en condición usa umbrales fijos de parámetros de proceso para disparar intervenciones (si la temperatura supera X, revisar). El mantenimiento predictivo con ML aprende patrones de degradación multivariante que preceden al fallo y emite alertas antes de que los umbrales clásicos se activen. La ventaja del ML es que captura interacciones entre variables que los umbrales individuales no detectan.