El mantenimiento preventivo basado en calendarios es una solución a un problema de información: sin datos sobre el estado real de un equipo, se reemplazan piezas a intervalos seguros para que no lo tomen desprevenido. El problema es que este modelo desperdicia sistemáticamente piezas con vida útil restante, acumula costos innecesarios de tiempo de inactividad planificado y, sin embargo, no elimina fallas inesperadas, porque el calendario es una aproximación aproximada del comportamiento real de cada máquina en cada condición de uso. Los sensores y los modelos predictivos resuelven el problema de la información. Lo que nadie te dice con suficiente frecuencia es que el mayor obstáculo para la adopción no es tecnológico.
Cómo funciona el mantenimiento predictivo en la práctica
La lógica es sencilla: los equipos deteriorados emiten señales físicas antes de fallar. Vibraciones no estándar, temperaturas anormales, ruidos a frecuencias específicas, consumo irregular de corriente eléctrica: estos signos preceden al fallo en horas, días o semanas, según el tipo de equipo y el mecanismo de fallo.
Los sensores de IoT capturan estas señales en tiempo real. La frecuencia de muestreo importa: un sensor de vibración que recopila datos una vez por minuto puede pasar por alto anomalías que aparecen y desaparecen en ciclos de segundos. Las plataformas informáticas de borde procesan algunos de estos datos localmente y envían solo alertas y resúmenes relevantes a la nube, lo que reduce los costos de transmisión y la latencia en entornos industriales con conectividad limitada.
Los modelos de machine learning que analizan estos datos pueden ser de diferentes tipos. Los modelos de detección de anomalías identifican cuándo el comportamiento del equipo se desvía de los patrones históricos, sin necesidad necesariamente de datos etiquetados de fallas anteriores. Los modelos de predicción de vida útil (Vida Útil Restante, o RUL) intentan cuantificar cuánto tiempo tiene el equipo antes de una posible falla, permitiendo programar la intervención en el momento óptimo. Los modelos de diagnóstico intentan identificar no sólo qué algo fallará, sino qué (el tipo específico de falla, el componente afectado) para guiar el trabajo del equipo de mantenimiento.
Dónde ya funciona y qué demuestra
La aviación es el sector de referencia. Los motores a reacción son monitoreados en vuelo por cientos de sensores; Los datos llegan a los equipos de mantenimiento en tierra en tiempo real incluso antes de que aterrice el avión. Rolls-Royce y GE Aviation venden motores como un servicio (el cliente paga por hora de vuelo, no por la turbina), un modelo que sólo funciona con un mantenimiento predictivo confiable, porque el proveedor corre con el costo de cada parada no planificada.
En fabricación, los resultados publicados por fabricantes como SKF, Siemens y ABB muestran reducciones del 25% al 40% en los costos de mantenimiento no planificado y aumentos en la disponibilidad de los equipos en el rango del 10% al 20%, dependiendo del entorno y el punto de partida. En la generación de energía (turbinas eólicas, plantas térmicas, plantas hidroeléctricas) el impacto de una parada no planificada es tan alto que el retorno de la inversión de sensores y modelos se justifica incluso con tasas de falla relativamente bajas.
En Brasil, las industrias minera, de celulosa y papel y petroquímica tienen los casos más maduros. Petrobras cuenta con programas estructurados de mantenimiento predictivo en plataformas marinas desde hace más de una década. El segmento de las medianas empresas industriales todavía se encuentra mayoritariamente en mantenimiento preventivo calendario, lo que representa a la vez una brecha importante y una oportunidad considerable para quien lo implemente primero.
El verdadero problema: sistemas heredados y confianza en los equipos
La tecnología de sensores está relativamente madura y el costo por punto de monitoreo ha caído entre un 60% y un 80% en los últimos cinco años. Los modelos de ML para mantenimiento predictivo cuentan con una extensa literatura y herramientas consolidadas de código abierto. ¿Por qué, entonces, la adopción sigue siendo lenta fuera de las grandes corporaciones?
El primer obstáculo es la integración con sistemas heredados. Los PLC industriales antiguos, los sistemas SCADA de generación pasada y los ERP que nunca fueron diseñados para la ingestión de datos en tiempo real crean un mosaico de conectividad que hace que agregar datos de sensores sea consistentemente costoso y laborioso. Muchos proyectos de mantenimiento predictivo mueren en la fase de integración, no en la fase de modelado.
El segundo obstáculo es más sutil y difícil: lograr que los equipos de operaciones confíen en el modelo en lugar del calendario. Un técnico con quince años de experiencia en una línea de producción ha desarrollado una intuición sobre cuándo una máquina "se siente rara". Presentarle un tablero que dice "probabilidad de falla: 73% en los próximos 5 días" sin contexto sobre cómo el modelo llegó a ese número, y pedirle que cancele el mantenimiento programado según el calendario porque el modelo dice que todo está bien, es una receta para la resistencia. La confianza en el modelo se construye gradualmente, con transparencia sobre las variables que lo alimentan y con un historial de éxitos que justifica dar peso a sus predicciones.
Cómo debería ver esto un líder
El retorno de la inversión del mantenimiento predictivo está bien establecido en contextos de equipos críticos y de alta disponibilidad. La pregunta estratégica para quien toma decisiones no es “¿funciona?” — funciona. Es "¿cuál es el punto de entrada correcto para nuestra operación?"
La respuesta casi siempre es comenzar con equipos críticos, con altos costos de tiempo de inactividad, donde existen datos históricos de fallas y donde el equipo de mantenimiento ya está insatisfecho con el modelo de calendario actual. Los proyectos piloto bien elegidos generan un historial de éxito que genera confianza interna y crea el argumento comercial para la expansión.
La trampa es el proyecto piloto sobre equipos no críticos: el resultado será irrelevante, el retorno de la inversión será difícil de demostrar y la conclusión interna será que "la predicción no funciona para nuestra realidad". La otra trampa es el proyecto demasiado amplio que intenta implementar toda la planta a la vez: el costo de integración se dispara, el plazo se extiende y la organización pierde fuerza antes de ver resultados.
Desde una perspectiva tecnológica, el costo de entrada se ha reducido drásticamente. Los sensores industriales de calidad cuestan una fracción de lo que costaban hace cinco años. Las plataformas de análisis como AWS IoT, Azure IoT Hub y opciones de código abierto como InfluxDB con modelos scikit-learn son accesibles para equipos técnicos medianos. La principal inversión es en la integración y la gestión del cambio con los equipos de operaciones, y esta inversión es donde el proyecto gana o pierde.
Lea también
- Gemelo digital: simulación que aprende de equipos reales
- Ciberseguridad en 2025: Una visión estratégica para el futuro
- Cómo construir un caso de negocio para la IA en operaciones industriales
- Chips de inferencia y ASIC: cuando lo especializado vence a lo genérico
- Chips especializados y el fin de la era de las CPU genéricas
- Computación neuromórfica y bioinspirada: cuando el chip empieza a aprender del cerebro