Qué es el mantenimiento predictivo
El mantenimiento predictivo es la estrategia que decide cuándo intervenir un equipo según su estado real, medido con datos, y no según un calendario o después de que se rompe. La idea es simple: casi todas las fallas mecánicas y eléctricas avisan antes de ocurrir. Un rodamiento gastado vibra distinto; un motor con problemas de aislación se calienta. Si medís esas señales y sabés leerlas, podés programar la reparación en el momento justo: ni antes, cambiando piezas que todavía servían, ni después, con la línea parada.
Cuando se habla de mantenimiento predictivo con IA, se agrega una capa: en lugar de que un técnico revise gráficos y compare contra umbrales fijos, un modelo aprende cómo se comporta cada equipo cuando está sano, detecta cuándo se aparta de ese patrón y estima cuánto margen queda antes de una falla. La IA no reemplaza al equipo de mantenimiento. Le avisa antes y le dice dónde mirar.
Los 4 tipos de mantenimiento
Antes de hablar de técnicas, conviene ubicar el predictivo entre las otras estrategias. En la práctica, una planta combina varias según el equipo.
| Tipo | Cuándo se interviene | Ventaja | Limitación |
|---|---|---|---|
| Correctivo | Cuando el equipo ya falló | No requiere planificación ni inversión previa | Paradas imprevistas, daños en cadena, urgencias caras |
| Preventivo | Por calendario u horas de uso, esté como esté el equipo | Fácil de planificar y auditar | Se cambian piezas sanas y igual aparecen fallas entre revisiones |
| Predictivo | Cuando los datos del equipo muestran una degradación | Se interviene solo cuando hace falta y con anticipación | Requiere sensores, datos confiables y alguien que los interprete |
| Proactivo | Sobre la causa raíz, para que la falla no vuelva a ocurrir | Reduce las fallas de fondo (desalineación, lubricación, diseño) | Exige análisis de causa y cambios de proceso |
Mantenimiento preventivo vs predictivo
La confusión más común es entre estos dos. El preventivo dice "cambiá el rodamiento cada 6 meses". El predictivo dice "este rodamiento en particular empezó a degradarse, conviene cambiarlo en las próximas semanas". El preventivo trata a todos los equipos iguales; el predictivo mira a cada uno. No son excluyentes: el predictivo se suma en los equipos donde una falla sorpresa cuesta mucho.
El proactivo, por su parte, usa lo que aprende el predictivo para ir a la causa. Si el modelo detecta que la misma bomba degrada sus rodamientos cada pocos meses, la pregunta proactiva es por qué: desalineación, un lubricante inadecuado, una condición de operación fuera de diseño.
Técnicas de mantenimiento predictivo
Estas son las cinco técnicas de mantenimiento predictivo más usadas. Cada una detecta un tipo distinto de falla, por eso rara vez alcanza con una sola.
- Análisis de vibraciones. Es la técnica de referencia para equipos rotativos: motores, bombas, ventiladores, compresores, cajas reductoras. Cada defecto (desbalanceo, desalineación, holgura, rodamientos dañados) deja una firma en frecuencias específicas. Se mide con acelerómetros fijos o con recorridas periódicas.
- Termografía infrarroja. Una cámara térmica muestra puntos calientes que indican conexiones flojas en tableros eléctricos, fricción excesiva, aislaciones deterioradas o fugas en trampas de vapor.
- Ultrasonido. Capta sonidos de alta frecuencia que produce la fricción, las fugas de aire comprimido o gas, las descargas eléctricas parciales y los primeros estadios de falla en rodamientos, a veces antes de que se noten en la vibración.
- Análisis de aceite. Una muestra de lubricante revela partículas de desgaste, contaminación (agua, polvo) y degradación del propio aceite. Es clave en motores de combustión, reductores, sistemas hidráulicos y transformadores.
- Monitoreo de consumo eléctrico. Analizar la corriente y la potencia que toma un motor permite detectar problemas mecánicos y eléctricos sin instalar nada sobre el equipo, solo midiendo en el tablero.
A estas se suman variables de proceso que muchas plantas ya registran en su SCADA o PLC: presión, caudal, temperatura de proceso, velocidad, horas de marcha. Para un modelo de IA, esas variables valen tanto como los sensores específicos.
Cómo se aplica la IA al mantenimiento predictivo
El enfoque clásico usa umbrales: si la vibración supera cierto valor, se genera una alarma. Funciona, pero tiene dos problemas. Un umbral fijo no distingue entre un equipo que trabaja más cargado porque subió la producción y uno que se está rompiendo. Y cuando el valor supera el umbral, muchas veces la falla ya está avanzada.
La IA ataca esos dos problemas de tres maneras:
- Detección de anomalías. El modelo aprende el comportamiento normal de cada equipo en sus distintas condiciones de operación (carga, velocidad, temperatura ambiente) y marca los desvíos respecto de ese patrón, aunque ninguna variable individual haya pasado un límite. No necesita un historial largo de fallas: alcanza con datos del equipo sano.
- Clasificación de fallas. Cuando hay historial de fallas registradas, el modelo aprende a reconocer qué patrón de datos precede a cada tipo de falla y puede sugerir la causa probable: rodamiento, desalineación, problema eléctrico.
- Estimación de vida útil remanente. Con suficiente historia de degradación, el modelo estima cuánto tiempo o cuántas horas de marcha le quedan al componente antes de fallar. Esto es lo que permite planificar la intervención junto con una parada programada o la llegada de un repuesto.
El resultado no es una caja negra que decide sola. Es una alerta priorizada que llega al responsable de mantenimiento con el equipo, la señal que cambió, desde cuándo y qué tan grave parece. La decisión de intervenir sigue siendo humana.
Qué datos hacen falta
Hacen falta tres tipos de datos, y muchas veces ya existen:
- Datos de condición del equipo: vibración, temperatura, corriente, presión, lo que corresponda al tipo de activo. Pueden venir de sensores nuevos o de los que ya tiene la planta en su SCADA o historiador.
- Datos de operación: cuándo estuvo en marcha, con qué carga, qué producto se fabricaba. Sin este contexto, el modelo confunde un cambio de producción con una falla.
- Historial de mantenimiento: órdenes de trabajo, fallas registradas, repuestos cambiados, con sus fechas. Suele estar en un sistema de gestión de mantenimiento (GMAO o CMMS), en el ERP o en planillas.
El historial de mantenimiento suele ser el eslabón débil: órdenes cargadas días después, fallas descriptas como "no anda", fechas aproximadas. No hace falta que esté perfecto para empezar, pero parte del trabajo inicial es ordenarlo, y a partir de ahí registrar cada intervención con un mínimo de rigor.
Cómo hacer un mantenimiento predictivo: empezar por un activo crítico
El error más frecuente es querer monitorear toda la planta desde el primer día. El camino que funciona es más acotado.
- Elegí un activo crítico. Uno cuya falla pare la producción, no tenga equipo de respaldo, tenga reparaciones caras o repuestos con demora. Mejor si ya falló antes y hay registro de esas fallas.
- Definí qué falla querés anticipar. No "que no se rompa", sino un modo de falla concreto: rodamientos del motor principal, sobrecalentamiento del reductor, pérdida de rendimiento de la bomba.
- Relevá qué datos ya existen. Solo se instala lo que falta para medir el modo de falla elegido.
- Juntá datos durante un período representativo. Tienen que cubrir las distintas condiciones de operación: turnos, productos, estaciones del año si influyen.
- Construí y validá el modelo (ver la sección siguiente).
- Definí qué pasa con cada alerta. Quién la recibe, en qué canal, qué verifica primero y cómo registra lo que encontró. Una alerta sin procedimiento termina ignorada.
- Medí y recién después escalá. Con resultados en el primer activo, se replica en equipos similares.
Cómo validar el modelo contra el pasado antes de confiar en él
Ningún modelo debería mandar alertas a planta sin antes haber demostrado que funciona con datos reales. La forma más directa es la prueba retrospectiva: se entrena el modelo con los datos hasta cierta fecha y se lo hace "correr" sobre el período siguiente, que el modelo no vio, como si fuera en vivo. Después se compara lo que habría dicho con lo que realmente pasó.
Las preguntas que responde esa prueba son concretas:
- ¿Cuántas de las fallas reales habría anticipado? Si hubo cinco fallas en el período y el modelo marcó dos, eso es lo que va a pasar en planta.
- ¿Con cuánta anticipación? Una alerta dos horas antes sirve para parar ordenado; una alerta tres semanas antes sirve para comprar el repuesto. El valor depende de ese margen.
- ¿Cuántas falsas alarmas habría generado? Es el dato que más se subestima. Si el modelo alerta todas las semanas y casi nunca hay nada, el equipo deja de mirarlo en un mes.
- ¿Le gana a lo que se hace hoy? El modelo tiene que ser mejor que el plan preventivo vigente o que la intuición del técnico con más experiencia. Si no lo es, no está listo.
Cuando hay pocas fallas en el historial, la validación se complementa con una etapa en paralelo: el modelo corre en vivo durante un tiempo, sus alertas se revisan con el equipo de mantenimiento pero todavía no disparan intervenciones, y se ajusta con lo que se encuentra.
Cuándo no conviene el mantenimiento predictivo
El predictivo no es para todos los equipos:
- Equipos baratos y no críticos, con repuesto a mano o respaldo instalado. Ahí el correctivo o un preventivo simple es más racional.
- Fallas que no avisan. Algunas fallas son aleatorias y repentinas, sin una degradación previa medible. Ningún modelo predice lo que no deja señal.
- Sin forma de actuar sobre la alerta. Si no hay personal, repuestos ni ventana para intervenir, anticipar la falla no cambia el resultado.
- Sin datos ni intención de registrarlos. Si no existe historial y la operación no está dispuesta a cargar las intervenciones, conviene empezar por ordenar el mantenimiento antes que por la IA.
Software de mantenimiento predictivo o modelo propio
Hay dos caminos, y los dos son válidos según el caso.
El software de mantenimiento predictivo de mercado viene en dos formatos: módulos predictivos dentro de sistemas de gestión de mantenimiento, y plataformas que venden sensores junto con sus propios modelos. Conviene cuando tus equipos son estándar (motores, bombas, compresores comunes), querés arrancar rápido y aceptás trabajar dentro de la lógica y los datos del proveedor.
Un modelo propio conviene cuando los datos ya existen pero están repartidos entre el SCADA, el historiador, el ERP y las planillas; cuando los equipos o el proceso son particulares y un modelo genérico no los entiende; o cuando querés que los datos y el modelo sean de tu empresa, corran en tu nube y se integren con tus sistemas sin depender de una licencia. Es un trabajo de datos y analítica: integrar las fuentes, limpiar el historial, construir el modelo, validarlo contra el pasado y dejar las alertas funcionando dentro de la operación.
También se pueden combinar: software de mercado para los equipos estándar y un modelo propio para el activo que define la producción.
Por dónde empezar
Si tenés un equipo cuya falla te preocupa y no sabés si los datos que ya tenés alcanzan para anticiparla, el primer paso no es comprar sensores. Es revisar qué información existe, qué falla importa y si el caso justifica un modelo. En Axlan hacemos ese diagnóstico sin cargo: contanos cuál es el equipo y te decimos qué datos harían falta, qué se puede aprovechar de lo que ya tenés y si el mantenimiento predictivo tiene sentido en tu caso.