Qué significa el mantenimiento predictivo en la práctica

La elección de sensores parte de los modos de fallo que se quieren anticipar, no del catálogo del fabricante. Un desequilibrio o un rodamiento dañado suelen manifestarse en la vibración; una fricción anómala, en la temperatura o en el consumo eléctrico; una fuga, en la presión o el caudal; el desgaste interno de un reductor, en el análisis del aceite.

• Vibración: requiere frecuencias de muestreo altas y una buena fijación del sensor; el espectro aporta más que un valor global.
• Temperatura y corriente: más baratas y a menudo ya disponibles en el PLC o en el variador.
• Presión, caudal y nivel: útiles en sistemas hidráulicos y neumáticos.
• Contexto operativo: carga, velocidad, receta o producto en curso. Sin él, un cambio de producción parece una anomalía.

Ese último punto es el más olvidado. Una máquina que vibra más cuando trabaja a plena carga no está empeorando; solo está trabajando más. Por eso los datos de sensores deben combinarse con los del control y la planificación para comparar situaciones equivalentes.

Para predecir un fallo, un modelo necesita haber visto ejemplos de cómo evolucionaban las señales antes de fallos anteriores. Esto choca con dos realidades frecuentes. La primera: los equipos críticos fallan poco, precisamente porque se mantienen bien, así que hay pocos ejemplos. La segunda: el registro de averías en el sistema de gestión de mantenimiento suele ser escueto («revisado», «cambiado», «OK»), sin modo de fallo, causa ni fecha fiable de inicio del problema.

• Fecha y hora de la avería o de la intervención, sincronizadas con los datos de sensores.
• Modo de fallo y componente afectado, con una codificación cerrada en lugar de texto libre.
• Acción realizada y piezas sustituidas.
• Estado observado al desmontar: si el componente estaba realmente dañado o se cambió por precaución.

Si estos datos no existen, el camino honesto es empezar por la detección de anomalías y, en paralelo, mejorar el registro de averías. Con el tiempo, cada fallo bien documentado alimenta un futuro modelo predictivo. Prometer estimaciones de vida útil restante sin esa base es vender una cifra que nadie puede comprobar.

La forma de evaluar un modelo predictivo es reproducir el pasado: entrenarlo con datos hasta una fecha y comprobar si habría avisado de los fallos que ocurrieron después. La separación debe ser temporal, no aleatoria; si el modelo ve datos posteriores al fallo durante el entrenamiento, aprenderá a reconocer cosas que en la realidad todavía no habrían ocurrido.

Además del acierto, importa la antelación. Un aviso dos horas antes de una avería que requiere un repuesto con tres semanas de plazo de entrega sirve de poco; uno con diez días de margen permite planificar. Las métricas que tienen sentido para mantenimiento suelen expresarse así, con cifras siempre propias de cada instalación:

• Proporción de fallos que habrían tenido aviso con antelación suficiente para actuar.
• Antelación típica de esos avisos frente al tiempo que necesita el equipo para intervenir.
• Número de alarmas por máquina y mes, y cuántas de ellas correspondían a un problema real.
• Fallos que llegaron sin ningún aviso, analizados uno por uno.

Un sistema que avisa demasiado deja de mirarse. Si el equipo de mantenimiento recibe, como ejemplo ilustrativo, quince alarmas a la semana y al revisarlas casi todas resultan normales, en pocas semanas las ignorará, incluida la que importaba. La tolerancia a falsas alarmas debe acordarse con quien tiene que atenderlas, porque cada aviso supone una inspección, a veces una parada.

• Niveles de alarma: aviso para seguimiento y alarma para intervención, con criterios distintos.
• Persistencia: exigir que la desviación se mantenga un tiempo antes de avisar, para filtrar picos aislados.
• Explicación: indicar qué señal se desvía y respecto a qué referencia, para que el técnico sepa dónde mirar.
• Retroalimentación: que quien revisa marque si el aviso era útil, y usar esa información para ajustar.

Un aviso que no se convierte en una orden de trabajo se pierde. La integración natural es con el sistema de gestión de mantenimiento: la alarma genera una solicitud con la máquina, la señal implicada y el histórico reciente, y el cierre de esa orden devuelve al sistema la información de lo que se encontró.

El escalón prescriptivo añade a la predicción el contexto de decisión: disponibilidad de repuestos, ventanas de parada planificadas, coste de una avería frente al de una intervención anticipada. Puede sugerir, por ejemplo, adelantar el cambio de un rodamiento a la parada del fin de semana. Sigue siendo una recomendación que valida una persona, y solo tiene sentido cuando los escalones anteriores funcionan con fiabilidad demostrada.

1. ¿Se ha elegido el escalón adecuado (condición, predicción o prescripción) según los datos disponibles?
2. ¿Están identificados los modos de fallo que se quieren anticipar y los sensores que los delatan?
3. ¿Hay históricos de fallos con fecha, modo y causa, o hay que empezar por construirlos?
4. ¿Se combinan las señales con el contexto operativo para no confundir carga con deterioro?
5. ¿Se valida con separación temporal y midiendo la antelación útil de los avisos?
6. ¿Está acordado con mantenimiento cuántas falsas alarmas son asumibles y cómo se gestionan?

Un buen primer paso suele ser un estudio sobre una familia de equipos con fallos conocidos y datos ya disponibles. Permite comprobar, con el histórico propio, si las señales anticipan algo antes de invertir en sensores para toda la planta.