Del mantenimiento reactivo al predictivo: el salto que cambia todo
La mayoría de las plantas industriales siguen operando con un modelo de mantenimiento reactivo: se interviene cuando la máquina falla. Algunas han avanzado hacia el mantenimiento preventivo: intervenciones programadas cada X horas de operación, independientemente del estado real del equipo. El mantenimiento predictivo da el siguiente paso: intervenir en el momento justo, cuando los datos indican que el fallo es inminente, ni antes (desperdicio de recursos) ni después (parada no planificada).
Hasta hace pocos años, el mantenimiento predictivo requería equipos de medición caros, software especializado y expertos en análisis de vibraciones. El IIoT ha democratizado esta capacidad: sensores wireless de bajo coste, plataformas cloud accesibles y algoritmos de análisis cada vez más automatizados ponen el mantenimiento predictivo al alcance de plantas medianas y pequeñas.
Qué magnitudes monitorizar y por qué
Vibración
La vibración es el parámetro más rico en información sobre el estado mecánico de un equipo rotativo. Un acelerómetro instalado en el cojinete de un motor, bomba o compresor captura la firma vibratoria del equipo. El análisis en el dominio de la frecuencia (FFT — Fast Fourier Transform) permite identificar con precisión el origen de las anomalías:
- Desbalanceo: se manifiesta a la frecuencia de rotación (1×) y sus armónicos.
- Desalineación: amplitud elevada a 2× y 3× la frecuencia de rotación.
- Fallo de rodamiento: frecuencias características del rodamiento (BPFO, BPFI, BSF, FTF) calculables a partir de las dimensiones del rodamiento y la velocidad de rotación.
- Holgura mecánica: presencia de múltiples armónicos de la frecuencia de rotación.
- Cavitación en bombas: componentes de alta frecuencia (ultrasónico).
Temperatura
El aumento de temperatura en cojinetes, bobinados de motor o cuadros eléctricos es un indicador temprano de deterioro. Sensores de temperatura de contacto (PT100, termopar) o sin contacto (cámaras termográficas periódicas) permiten establecer baseline de temperatura normal y detectar desviaciones. Un aumento de 10°C en la temperatura de operación de un motor puede reducir su vida útil a la mitad.
Corriente eléctrica (Motor Current Signature Analysis)
El análisis de la firma de corriente del motor (MCSA) permite detectar fallos mecánicos y eléctricos sin instalar sensores en la máquina: basta con un transformador de corriente en el cable de alimentación. Los fallos de rodamiento, las barras de rotor rotas o los problemas de desalineación generan componentes características en el espectro de corriente.
Presión y caudal
En sistemas hidráulicos y neumáticos, la monitorización de presión y caudal permite detectar fugas, desgaste de bombas y obstrucciones en circuitos. Un compresor de aire comprimido con fugas puede consumir hasta un 30% más de energía que uno en buen estado.
Ultrasonidos
Los sensores de ultrasonidos detectan la emisión acústica de alta frecuencia asociada a fugas de gas, cavitación, arcos eléctricos y fricción en rodamientos en fase incipiente — semanas o meses antes de que sean detectables por vibración convencional.
Arquitectura de un sistema de mantenimiento predictivo IIoT
Sensores y adquisición de datos
Los sensores pueden ser cableados (solución más robusta para entornos industriales exigentes) o inalámbricos (más fáciles de instalar en equipos existentes). Los principales protocolos inalámbricos industriales son WirelessHART (para instrumentación de proceso), LoRaWAN (largo alcance, bajo consumo, ideal para plantas grandes) y Bluetooth BLE o Wi-Fi (para distancias cortas).
Fabricantes como SKF, Schaeffler, Emerson, ifm electronic y Fluke ofrecen sensores IIoT para monitorización de condición con conectividad integrada y, en algunos casos, algoritmos de análisis embebidos en el propio sensor.
Gateway y Edge Computing
Los datos de los sensores se envían a un gateway local que concentra la información y la preprocesa: cálculo de estadísticas (RMS, pico, factor de cresta), extracción de características espectrales (FFT) y detección de umbrales de alerta. El Edge es fundamental para reducir el ancho de banda necesario hacia la nube y para garantizar la operación aunque se pierda la conectividad.
Plataforma de análisis y visualización
Los datos preprocesados se envían a una plataforma de análisis donde se almacenan a largo plazo, se aplican modelos de detección de anomalías y se generan las alertas y los informes de estado. Opciones populares: N3uron con módulo de Analytics, Ignition con Sepasoft Analytics, Azure IoT Hub + Azure ML, o soluciones verticales especializadas como SKF @ptitude o Emerson AMS.
Algoritmos de análisis: de los umbrales a la IA
Los enfoques de análisis van de más simple a más sofisticado:
- Umbrales estáticos: alarma cuando el valor de vibración o temperatura supera un límite fijo. Sencillo de implementar pero con alto número de falsas alarmas.
- Análisis de tendencia: seguimiento de la evolución del valor en el tiempo. Una tendencia creciente sostenida en la vibración de un rodamiento es más significativa que un pico puntual.
- Detección estadística de anomalías: comparar el comportamiento actual con el baseline estadístico del equipo (media, desviación estándar, percentiles). Permite detectar comportamientos anómalos aunque no superen un umbral absoluto.
- Machine Learning: modelos entrenados con datos históricos de fallos para predecir el tiempo restante de vida útil (RUL — Remaining Useful Life). Requiere suficientes datos históricos de fallos para entrenar el modelo.
ROI real del mantenimiento predictivo
Las cifras de retorno de inversión del mantenimiento predictivo son consistentes en la industria:
- Reducción de paradas no planificadas: entre 30% y 70%, dependiendo del punto de partida.
- Reducción del coste de mantenimiento: entre 10% y 30%, al eliminar intervenciones preventivas innecesarias y reducir las correctivas urgentes.
- Extensión de la vida de los equipos: 20-30% de media, al detectar y corregir problemas antes de que causen daños secundarios.
- Reducción de inventario de repuestos: al tener visibilidad del estado real de los equipos, se puede planificar mejor la gestión de repuestos.
El retorno de inversión típico para un proyecto de mantenimiento predictivo bien implementado está entre 12 y 24 meses.
Por dónde empezar
La recomendación práctica es comenzar con los equipos críticos de la planta — aquellos cuya parada tiene mayor impacto en la producción — e instalar inicialmente sensores de vibración y temperatura. Con 3-6 meses de datos, ya es posible establecer el baseline y empezar a detectar desviaciones significativas.
En Bluemation integramos sistemas de monitorización de condición con plataformas IIoT: desde la instalación de sensores y la configuración del gateway hasta la visualización en dashboards y la configuración de alertas. Consulta con nuestro equipo si quieres evaluar qué equipos de tu planta se beneficiarían más del mantenimiento predictivo.