- Qué es la IA en el mantenimiento predictivo
- Mapa visual de la IA en el mantenimiento predictivo
- Cómo funciona: de los datos a la orden de trabajo
- Qué datos alimentan el modelo
- Tres tipos de modelo
- Ejemplo: 40 motores en 12 meses
- Cómo empezar sin errar el objetivo
- Errores comunes y limitaciones
- Preguntas frecuentes
Qué es la IA en el mantenimiento predictivo
La IA en el mantenimiento predictivo aplica aprendizaje automático a datos de sensores (vibración, temperatura, corriente, presión) para reconocer el estado de un activo y avisar que una falla se acerca, con tiempo para planificar la reparación. La decisión deja de seguir el calendario y pasa a seguir la condición real de la máquina.
La IA no reemplaza el análisis de vibraciones ni la ingeniería de mantenimiento. Lee muchas señales a la vez, aprende qué es el comportamiento normal y dispara la orden de trabajo. Para el contexto general, vea las diferencias entre mantenimiento preventivo, predictivo y correctivo.
Mapa visual de la IA en el mantenimiento predictivo
El mapa muestra la cadena completa, del sensor a la orden de trabajo, y el ejemplo calculado de este artículo.
Cómo funciona: de los datos a la orden de trabajo
- Datos: los sensores y el historial de fallas e intervenciones registran el comportamiento de la máquina. La base suele ser el IoT industrial.
- Modelo: el algoritmo aprende el patrón normal y calcula un índice de salud o la probabilidad de falla.
- Alerta: cuando el índice supera un umbral, el sistema avisa el activo, la señal que cambió y la urgencia.
- Orden de trabajo: la alerta se convierte en una OT en el CMMS, que reserva repuestos, equipo y ventana de parada.
Sin el último paso, la IA es solo un tablero bonito. La ganancia aparece cuando la alerta genera una acción planificada.
Qué datos alimentan el modelo
| Señal | Qué suele revelar | Activo típico |
|---|---|---|
| Vibración | Desbalance, desalineación, holgura, defecto de rodamiento | Motores, bombas, ventiladores |
| Temperatura | Falta de lubricación, sobrecarga, fricción | Chumaceras, reductores |
| Corriente eléctrica | Carga anormal, problema en el motor | Motores eléctricos |
| Presión y caudal | Desgaste, cavitación, fuga | Bombas, sistemas hidráulicos |
Los datos de contexto también cuentan: velocidad, carga, producto en proceso y fecha de los últimos cambios de piezas. Sin ellos, el modelo confunde un cambio de régimen con un defecto.
Tres tipos de modelo
- Detección de anomalías: aprende solo el comportamiento normal y alerta cuando la señal se aparta. Es el punto de partida cuando hay pocas fallas registradas.
- Clasificación: reconoce el tipo de falla, pero exige ejemplos etiquetados de cada una.
- Vida útil remanente (RUL): estima cuánto tiempo queda hasta la falla. Pide historial largo y proceso estable.
Una falla buena para modelar es la que avisa antes. Si el defecto aparece de una hora a otra, ningún algoritmo avisa a tiempo. El RCM y el AMEF ayudan a elegir qué modos de falla tienen señal precursora.
Ejemplo: 40 motores en 12 meses
Ejemplo ficticio. Una planta monitorea 40 motores. En el período de prueba ocurrieron 10 fallas. El modelo generó 14 alertas: 8 anticiparon una falla real y 6 fueron falsas. Dos fallas pasaron sin aviso.
| Resultado | Cantidad |
|---|---|
| Verdaderos positivos (VP) | 8 |
| Falsos positivos (FP) | 6 |
| Falsos negativos (FN) | 2 |
Precisión = VP ÷ (VP + FP) = 8 ÷ 14 = 57,1% | Recall = VP ÷ (VP + FN) = 8 ÷ 10 = 80%
Ahora el costo. Falla no planificada: USD 18.000. Intervención planificada: USD 4.000. Inspección de alerta falsa: USD 600.
| Escenario | Cálculo | Costo (USD) |
|---|---|---|
| Sin modelo | 10 × 18.000 | 180.000 |
| Con modelo | 8 × 4.000 + 6 × 600 + 2 × 18.000 | 71.600 |
| Ahorro | 180.000 − 71.600 | 108.400 (60,2%) |
Una alerta verdadera ahorra USD 14.000 (18.000 − 4.000), mientras que una falsa cuesta USD 600. Un acierto compensa unas 23 falsas alarmas. Por eso un modelo con 57% de precisión ya puede ser muy rentable, siempre que revisar la alerta sea barato. Lo contrario también vale: si cada falsa alarma detiene la línea, la cuenta cambia.
Cómo empezar sin errar el objetivo
- Elija de 5 a 10 activos críticos, con fallas caras y señal precursora.
- Asegure la calidad del dato: sensor calibrado, reloj sincronizado, historial de fallas con fecha y causa.
- Empiece por detección de anomalías y compare con el diagnóstico de un analista.
- Defina antes quién recibe la alerta, en cuánto tiempo responde y qué hace.
- Mida precisión, recall, anticipación promedio y costo evitado, y siga el MTBF y el MTTR de los activos.
- Solo entonces amplíe. Cuando el historial crezca, evalúe el gemelo digital.
Integre la práctica al TPM: el operador percibe lo que el sensor no ve y el equipo de mantenimiento valida la alerta.
Errores comunes y limitaciones
- Pocas fallas en el historial: no se puede entrenar un clasificador. Use anomalías.
- Dato malo: un sensor flojo o descalibrado genera falsas alarmas.
- Cambio de régimen ignorado: una receta, velocidad o carga nueva cambia la señal normal y el modelo debe reajustarse.
- Falla sin aviso: los defectos súbitos, como un cuerpo extraño, no son predecibles.
- Alerta sin dueño: si nadie es responsable, no pasa nada.
- Caja negra: el modelo debe indicar qué señal cambió, para que el técnico lo confirme en campo.
Preguntas frecuentes
¿Cómo predice la IA las fallas de las máquinas?
Aprende el patrón normal de las señales del equipo y detecta desvíos que suelen anteceder a la falla, estimando la probabilidad o el tiempo restante.
¿Necesito muchos datos de falla para empezar?
No. La detección de anomalías aprende solo con datos de operación normal. Clasificar tipos de falla es lo que exige ejemplos etiquetados.
¿Qué sensores se usan más?
Vibración, temperatura, corriente eléctrica y presión. La elección depende del modo de falla que se quiere detectar.
¿La IA reemplaza al analista de vibraciones?
No. Amplía la cobertura y filtra los casos, pero el diagnóstico y la decisión de detener la máquina siguen con el especialista.
¿Con cuánta anticipación avisa la IA?
Depende del modo de falla. Los rodamientos suelen dar semanas de aviso; las fallas eléctricas súbitas dan poco o ninguno.
¿Cómo medir si el proyecto dio retorno?
Compare el costo de fallas y paradas antes y después, descontando las alertas falsas, como en el ejemplo: USD 180.000 frente a USD 71.600.
Fuentes
- MOUBRAY, J. Reliability-Centered Maintenance. 2.ª ed. New York: Industrial Press, 1997.
- MOBLEY, R. K. An Introduction to Predictive Maintenance. 2.ª ed. Butterworth-Heinemann, 2002.
- ISO 17359: Condition monitoring and diagnostics of machines — General guidelines.
- GÉRON, A. Aprende Machine Learning con Scikit-Learn, Keras y TensorFlow. Anaya Multimedia.
Para seguir estudiando: fuentes y enlaces fiables
- ABRAMAN: Associação Brasileira de Manutenção e Gestão de Ativos (en portugués)
- SMRP: Society for Maintenance & Reliability Professionals (en inglés)
Guarde esta dirección: Manufatura Enxuta es su escuela de manufactura esbelta. Vuelva siempre que necesite estudiar, con artículo completo, mapa visual y fuentes fiables. Siga una de las rutas de estudio o consulte el glosario A–Z.
¿Quieres medir el beneficio de tus mejoras?
Descarga el e-book gratuito de indicadores y convierte las mejoras en números.
Descargar e-book
Sobre el autor
Especialista en Lean Manufacturing y Gestión del Comportamiento
Más de 20 años en la industria automotriz y metalmecánica (GM y Dana), especialista en Lean Manufacturing desde 2006. Instructor y mentor del SENAI en el programa Brasil Mais Produtivo, con consultorías, capacitaciones y auditorías en más de 50 empresas, uniendo calidad, productividad y desarrollo de personas.
