El modelo es la parte fácil. Los requisitos previos no lo son.
El mantenimiento predictivo estima cuándo se desarrollará un modo de fallo concreto en un equipo concreto, para poder programar el trabajo antes de que ocurra. Solo es viable cuando coexisten tres cosas: un precursor medible de ese modo de fallo, una medida lo bastante densa para verlo desarrollarse y un historial que registre qué falló realmente y cuándo. Si falta cualquiera de ellas, lo que puede construir es monitorización de condición o detección de anomalías — ambas útiles, ninguna una predicción — y llamarlo predicción es la forma más rápida de perder a su audiencia.
Siete comprobaciones antes de que nadie compre un modelo.
| Familia de modos | Qué lo revela de verdad | Qué debe llevar la capa de datos |
|---|---|---|
| Degradación de rodamientos | Vibración de alta frecuencia, aceleración demodulada o envolvente, ultrasonidos. | Formas de onda o espectros a ritmos de kilohercios con velocidad de eje conocida; una tendencia de temperatura llega demasiado tarde para llamarse predicción. |
| Desequilibrio, desalineación, holgura | Amplitud y fase a una y dos veces la velocidad de giro. | Una referencia de velocidad síncrona en cada medida y una identidad de punto de medida estable entre rutas. |
| Fallos de motor y rotor | Firma de corriente del motor: bandas laterales alrededor de la frecuencia de red, desequilibrio de corriente. | Corriente muestreada lo bastante rápido para resolver esas bandas, más contexto de carga para no leer un motor poco cargado como uno sano. |
| Ensuciamiento y obstrucción de filtros | Presión diferencial o diferencia de temperatura, normalizadas al caudal. | Caudal, consigna y contexto de producto; una subida de presión sin normalizar tiene las mismas probabilidades de ser un cambio de producción. |
| Lubricación y desgaste | Análisis de aceite, recuento de partículas, metales de desgaste. | Resultados de laboratorio unidos al equipo y a una marca de tiempo como datos, no archivados en PDF que nadie puede consultar. |
| Degradación de válvulas y actuadores | Tiempo de carrera, error de posición, número de ciclos frente a una referencia. | Recuentos y tiempos de evento por equipo, con una identidad que sobreviva a actualizaciones del sistema de control y a los cambios de nombre. |
La escalera honesta
Reactivo, luego preventivo por tiempo, luego basado en condición, luego predictivo. Cada peldaño exige que funcione el de abajo: una organización incapaz de ejecutar en fecha una orden planificada no gana nada por saberlo tres semanas antes. La mayoría de plantas obtienen más valor terminando el peldaño en el que están que saltándose dos.
Probar la madurez de forma retrospectiva y gratuita
Elija una clase de equipo y un modo de fallo, busque los cinco últimos fallos en el historial de mantenimiento y mire los datos que existían alrededor de cada uno. Si el precursor se ve en retrospectiva, tiene un caso; si el dato falta, es ambiguo o es demasiado grueso, ha encontrado su verdadero proyecto — y lo ha encontrado sin gastar nada.
Anomalía no es fallo
Una puntuación de anomalía dice que los datos actuales se parecen poco a los de entrenamiento. Eso puede significar un fallo en desarrollo, o un producto nuevo, una máquina reconstruida, un sensor sustituido o el verano. La detección de anomalías sin un camino hacia un modo de fallo con nombre produce avisos que se silencian igual que las alarmas molestas.
Cómo fracasan, con honestidad, los programas predictivos.
- Sin fallos etiquetados no se puede validar nada, y la confianza se afirma en lugar de medirse.
- Acierto citado sobre un conjunto en el que el 99 % de las muestras están sanas. Un modelo que siempre dice «sano» saca un 99 % y no vale nada; precisión, exhaustividad y tiempo de anticipación son las cifras que importan.
- Fuga de datos: entrenar con datos posteriores a la reparación o con campos que solo existen porque el fallo ya se conocía.
- Sensores instalados después de los fallos históricos, dejándole instrumentación y ningún historial del que aprender.
- Deriva tras una reconstrucción, un nuevo mix de producto o una reinstrumentación, sin nadie que la vigile. Los modelos se degradan en silencio.
- Avisos sin respuesta definida y sin repuesto, que enseñan al equipo a ignorarlos: el mismo destino que una alarma sin racionalizar.
- Un piloto sobre la máquina más nueva y mejor instrumentada, que rara vez es la que le cuesta dinero a la planta.
Qué tiene que existir debajo.
El trabajo predictivo es la prueba más clara de si la capa de datos es real: exige identidad de equipo, contexto de operación, tiempo alineado e historial conservado, que es exactamente lo que aporta la contextualización y lo que un Unified Namespace pone a disposición sin rehacer una integración por modelo, con ISA-95 nombrando los equipos igual en OT y en el sistema de mantenimiento. Que la señal de alta cadencia llegue a un sitio donde pueda analizarse es en gran medida la pregunta MQTT u OPC UA, y los requisitos más amplios son los mismos que deciden la madurez para la IA industrial. Aguas abajo, las averías evitadas aparecen como disponibilidad en el OEE, las alarmas molestas repetidas en un equipo suelen ser una señal de condición no leída, y la confirmación de cualquier predicción acaba en un análisis de causa raíz.
La mayoría de plantas tienen más evidencia en sus órdenes de trabajo que en sus sensores.
Maintenance Copilot lee un paquete de datos de mantenimiento que usted aporta — historial de órdenes, contexto de equipo, indicadores de condición, eventos de parada — y le ayuda a ver los reincidentes, los modos que de verdad se repiten y dónde un caso predictivo es realista frente a dónde no lo es. Razona sobre la exportación que usted le entrega; no recibe flujos de vibración, no se conecta a su GMAO ni escribe órdenes de trabajo. Cinco ejecuciones gratuitas y luego forma parte del plan de agentes.
Ver Maintenance Copilot