¿Qué es el mantenimiento predictivo y en qué se diferencia del preventivo y del correctivo?
En una planta conviven tres formas de cuidar las máquinas. El correctivo es arreglar cuando algo se rompe. El preventivo es revisar y cambiar piezas cada cierto tiempo o cada cierto número de horas, se hayan gastado o no. El predictivo es intervenir según el estado real de la máquina: se mide cómo trabaja y se actúa cuando las señales indican que algo empieza a ir mal.
El mantenimiento predictivo con IA da un paso más: en vez de que una persona mire gráficas o fije a mano un umbral de alarma, un modelo aprende del histórico de esa máquina cómo es su funcionamiento normal y cómo se comportaba antes de las averías que ya tuvo. Ninguna de las tres sustituye a las otras. Lo habitual es combinarlas según lo crítica que sea cada máquina.
| Correctivo | Preventivo | Predictivo | |
|---|---|---|---|
| Cuándo se interviene | Cuando la máquina falla | En fechas u horas fijas | Cuando las señales lo indican |
| Qué necesita | Nada previo, solo reaccionar | Un plan de revisiones y el manual del fabricante | Sensores, histórico de averías y alguien que lo analice |
| Riesgo principal | Paradas imprevistas en mitad de un pedido | Cambiar piezas que aún servían o no llegar a tiempo | Avisos falsos o averías que no dan señal previa |
| Encaja en | Equipos baratos, con repuesto o que no paran la línea | Desgaste regular y conocido | Máquinas críticas, caras o con averías que se repiten |
¿Qué datos necesita la IA para anticipar una avería?
Hacen falta dos tipos de datos: cómo trabaja la máquina y qué le ha pasado. Sin uno de los dos, el modelo no tiene de dónde aprender.
Lo que dice cómo trabaja la máquina sale de sensores o de su propio control:
- Vibración: rodamientos, desalineaciones, desequilibrios y holguras suelen notarse primero aquí.
- Temperatura: de motores, cojinetes, aceite o armarios eléctricos.
- Consumo eléctrico: un motor que pide más corriente para hacer el mismo trabajo suele estar forzando.
- Horas de funcionamiento y ciclos: arranques, paradas, piezas hechas, cambios de formato.
Lo que dice qué le ha pasado está en el GMAO, el programa de gestión del mantenimiento, o en las hojas y partes donde se apunte: el histórico de averías y las órdenes de trabajo, con su fecha, la máquina, la causa, la pieza cambiada y el tiempo parado. Es la parte que más se descuida y la que más pesa. Una orden que dice solo «reparado» enseña muy poco; una que dice «rodamiento lado acoplamiento cambiado, ruido desde hacía una semana» enseña mucho.
¿Cómo aprende un modelo a avisar antes de que una máquina falle?
Hay dos formas de plantearlo, y a menudo se usan las dos.
La primera es aprender lo que es normal. Con unas semanas o meses de funcionamiento sin problemas, el modelo sabe cómo vibra, cuánto se calienta y cuánto consume esa máquina según la carga, el turno o el producto. Cuando la combinación de señales se sale de ese patrón, avisa. No necesita haber visto averías antes, pero tampoco sabe decir cuál es el problema: solo que algo ha cambiado.
La segunda es aprender de las averías pasadas. Se cruzan las señales de los días previos a cada avería registrada en el GMAO y el modelo busca qué tenían en común. Así puede decir algo más concreto: «este patrón se pareció a los que hubo antes de los cambios de rodamiento». Para eso hacen falta varias averías del mismo tipo bien apuntadas; con una o dos, no hay patrón que aprender.
En los dos casos el resultado es un aviso con un grado de confianza, no una certeza. Es la misma lógica de previsión que explicamos para la demanda en la IA en logística y transporte: una estimación con su margen, que se compara con lo que pasa de verdad.
¿Qué aporta la IA en la industria frente a un umbral de alarma de toda la vida?
Muchas máquinas ya tienen alarmas: si la temperatura pasa de cierto valor, salta. El problema es que un umbral fijo mira una señal cada vez y no sabe de contexto. Una temperatura alta puede ser normal con la máquina a plena carga en agosto y preocupante a media carga en enero.
La IA en la industria aporta precisamente eso: mirar varias señales a la vez y en su contexto. Una vibración que sube poco, junto con un consumo que sube poco, en una máquina que trabaja igual que la semana pasada, puede ser más significativa que cualquiera de las dos por separado. Una vez generado el aviso, lo útil es que no se quede en una pantalla: que abra una orden propuesta en el GMAO, avise al técnico de turno o reserve el repuesto. Esa parte se monta con automatizaciones para empresas que conectan el modelo con los programas que ya usáis. Y si el técnico quiere preguntar en lenguaje normal qué le pasó a una máquina las últimas veces, puede hacerlo un agente de IA para empresas que consulta el GMAO.
¿Por dónde empieza una pyme industrial?
Por una sola máquina crítica, no por toda la planta. La candidata suele ser la que cumple varias de estas condiciones: si se para, se para la línea o se retrasa un pedido; tiene averías que se repiten; reparar o esperar el repuesto lleva días; y hay algo registrado de su historia.
El segundo paso es mirar qué datos existen ya. Muchas máquinas modernas guardan temperaturas, consumos o contadores en su autómata aunque nadie los consulte. El GMAO o las hojas de mantenimiento tienen el histórico de averías. Antes de comprar un solo sensor, conviene saber qué hay, dónde está y si se puede sacar de forma automática. Si falta una señal clave, como la vibración en un motor, se añade solo esa.
Con eso se prueba el modelo sobre el pasado: se le dan los datos hasta una fecha y se mira si habría avisado antes de las averías que ya ocurrieron, y cuántas falsas alarmas habría dado. Ese ensayo es lo que hacemos al empezar un proyecto de análisis de datos y predicción con IA, y dice si merece la pena seguir antes de invertir en nada más. Si todavía no está claro qué máquina elegir ni qué pregunta hacer, ese trabajo previo es parte de la consultoría de inteligencia artificial.
¿Qué no puede hacer el mantenimiento predictivo y por qué sigue haciendo falta el técnico?
No todas las averías avisan. Una rotura brusca por un golpe, un fallo eléctrico instantáneo o un error de manejo pueden no dejar ninguna señal previa en los datos. El predictivo reduce sorpresas en las averías que se van gestando poco a poco; las demás siguen necesitando preventivo y repuestos a mano.
Tampoco diagnostica solo. El modelo dice que la máquina se comporta distinto y, como mucho, a qué se parece. Quien decide si hay que parar, qué revisar y qué pieza cambiar es el técnico de mantenimiento, que conoce la máquina, oye el ruido y sabe qué se tocó la semana pasada. Además, sus anotaciones al cerrar cada orden son lo que hace que el modelo aprenda: si un aviso fue real o falso, y qué se encontró al abrir. Un modelo sin esa vuelta de información deja de mejorar.
Y se equivoca. Habrá avisos que no eran nada y averías que se le escapen, sobre todo al principio o cuando cambia algo en la máquina, el producto o el proceso. Por eso los avisos se revisan siempre antes de actuar.
¿Cómo se mide si el mantenimiento predictivo compensa?
Se mide comparando con lo de antes, en la misma máquina. Antes de poner nada en marcha conviene apuntar la situación de partida:
- Paradas no previstas al mes y horas de producción perdidas en cada una.
- Coste de cada avería: repuesto, horas de técnico, servicio externo, pedidos retrasados.
- Intervenciones preventivas que se hacen y cuántas encuentran algo que cambiar.
Ya en marcha, se añade lo que mide al propio modelo: cuántos avisos dio, cuántos resultaron ser un problema real al revisar, cuántas averías ocurrieron sin aviso y con cuánta antelación avisó en las que acertó. Con unos meses de datos se ve si compensa en esa máquina y si tiene sentido extenderlo a la siguiente. Si no mejora lo que había, se dice y se para ahí.
Si en tu planta hay una máquina que os tiene en vilo, cuéntanos tu idea al 747 42 10 93 o por WhatsApp. Tenemos la oficina en C. Autonomía, 32, entreplanta, en Bilbao, y trabajamos en remoto con industrias de toda España: nos dices qué máquina es, qué averías ha tenido y dónde se apuntan, y te decimos qué datos faltan y cómo comprobaríamos si el predictivo le sirve.