El mantenimiento predictivo basado en el IoT permite pasar de un mantenimiento reactivo a uno guiado por el estado real de los equipos. En lugar de esperar a que se produzca una avería o de sustituir piezas según un calendario fijo, los sensores de vibración, temperatura, corriente, presión y variables de proceso detectan las desviaciones progresivas. Eziwan recopila estos datos de campo, los contextualiza, avisa a los equipos de mantenimiento y alimenta el sistema de gestión de mantenimiento (GMAO) para activar las intervenciones adecuadas en el momento oportuno.
El problema
La industria se ve a menudo atrapada entre dos enfoques imperfectos. El mantenimiento correctivo espera a que se produzca una avería antes de actuar. Esto puede provocar paradas no planificadas, intervenciones de emergencia, pérdidas de producción, compras urgentes de piezas y una fuerte presión sobre los equipos de campo. El mantenimiento preventivo sistemático mejora la situación, pero se basa en intervalos fijos que no siempre reflejan el estado real de la máquina.
El mantenimiento condicional, basado en el estado medido de los equipos, ofrece una solución más sólida. Sin embargo, requiere datos fiables, recopilados periódicamente, interpretados correctamente y vinculados a los procesos de mantenimiento existentes.
Las dificultades son reales.
-
Las paradas no programadas son costosas, pero su impacto depende en gran medida del sector, del tipo de línea, del índice de ocupación, del coste de los materiales y de la duración de la indisponibilidad.
-
El mantenimiento preventivo sistemático puede sustituir componentes que aún están en buen estado o, por el contrario, intervenir demasiado tarde en un equipo que se ha deteriorado rápidamente.
-
Los equipos carecen de visibilidad sobre el estado real de las máquinas entre dos rondas o dos visitas programadas.
-
Las señales débiles, como las vibraciones excesivas, el sobrecalentamiento, el desequilibrio de corriente, la cavitación o las variaciones de presión, no siempre se detectan sin la instrumentación adecuada.
-
Los técnicos acuden de urgencia a resolver averías que, en ocasiones, ya mostraban signos previos desde hacía varios días o semanas.
-
El sistema de gestión de mantenimiento (GMAO) suele recibir información tras la intervención, cuando en realidad también debería recibir datos sobre el terreno para establecer prioridades y planificar.
-
Las existencias de piezas de recambio se calculan con cautela, debido a la falta de visibilidad sobre el estado real de los equipos críticos.
-
Los datos del proceso, como la carga, el caudal, la presión o la temperatura ambiente, rara vez se correlacionan con las señales de deterioro.
-
Los sistemas de monitorización básicos a veces generan demasiadas alertas, lo que hace que los operadores las ignoren.
-
Los conocimientos especializados en materia de vibraciones son muy valiosos, pero resulta difícil aplicarlos de forma generalizada a toda una flota sin herramientas de apoyo a la toma de decisiones y sin una capitalización interna.
Por lo tanto, no se trata solo de instalar sensores. Hay que crear una cadena completa: medición, conectividad, análisis, alerta, validación, orden de trabajo, retroalimentación y mejora continua.
Correctiva, preventiva, condicional y predictiva
A menudo se confunden estos términos. Para estructurar un proceso de mantenimiento, hay que distinguir los niveles de madurez.
| Tipo de mantenimiento | Desencadenante | Ventaja | Límite |
|---|---|---|---|
| Correctiva | Avería detectada | Fácil de entender | Parada imprevista, urgencia, coste elevado |
| Preventivo sistemático | Calendario u horas de funcionamiento | Planificable | Puede sustituir demasiado pronto o demasiado tarde |
| Condicional | Estado medido del equipo | Intervenciones mejor orientadas | Requiere sensores y umbrales fiables |
| Predictiva | Modelo de deriva y horizonte de avería probable | Anticipación más precisa | Historial de la demanda, calidad de los datos y validación |
| Prescriptiva | Recomendación de acción optimizada | Ayuda avanzada a la toma de decisiones | Requiere madurez del proceso e integración con el sistema de gestión de mantenimiento (GMAO) |
En muchas fábricas, el mejor punto de partida no es un modelo predictivo complejo, sino un sistema de mantenimiento condicional sólido, con mediciones fiables, tendencias comprensibles y alertas útiles.
Nuestro enfoque
Eziwan ayuda a crear una cadena de mantenimiento condicional basada en el IoT conectando los equipos críticos a una plataforma de supervisión y análisis. Los sensores pueden medir vibraciones, temperatura, corriente, presión u otras magnitudes relevantes en función de las máquinas. Los datos se recogen mediante una pasarela industrial, se transmiten de forma segura, se analizan a lo largo del tiempo y se transforman en alertas o informes útiles.
Los equipos a los que se refiere habitualmente son:
-
Motores eléctricos.
-
Bombas centrífugas.
-
Compresores.
-
Ventiladores industriales.
-
Reductores.
-
Cintas transportadoras.
-
Trituradoras.
-
Grupos frigoríficos.
-
Máquinas rotativas críticas.
-
Instalaciones aisladas o de difícil acceso.
El objetivo es clasificar los equipos según su nivel de riesgo, detectar desviaciones, explicar las alertas y proporcionar recomendaciones operativas al sistema de gestión de mantenimiento asistido por ordenador (GMAO).
Arquitectura de un sistema de mantenimiento condicional basado en el IoT
Una arquitectura eficaz combina sensores, adquisición de datos local, conectividad, plataforma de análisis, alertas e integración con el sistema de gestión de mantenimiento (GMAO). Cada eslabón debe ser fiable; de lo contrario, el conjunto resulta difícil de gestionar.
El búfer local es importante en los sitios donde la conexión puede ser inestable. Evita la pérdida de datos críticos durante un corte temporal.
Datos que deben recopilarse en función de los equipos
No todas las máquinas necesitan los mismos sensores. Una buena estrategia parte de los modos de fallo probables.
| Equipo | Medidas útiles | Fallos detectables |
|---|---|---|
| Motor eléctrico | Corriente, temperatura, vibración | Desequilibrio, sobrecarga, fallo en los rodamientos |
| Bomba centrífuga | Vibración, presión, caudal, temperatura | Cavitación, desalineación, rodamientos, obstrucción |
| Ventilador | Vibración, corriente, velocidad | Desequilibrio, obstrucción, desalineación |
| Reductor | Vibración, temperatura del cárter, aceite | Desgaste de los engranajes, lubricación, rodamientos |
| Compresor | Vibración, temperatura, presión, corriente | Fugas, sobrecalentamiento, fallo mecánico |
| Transportador | Corriente, vibración, velocidad | Fricción, sobrecarga, desalineación |
La clave está en la combinación. Un aumento de la vibración puede ser normal si la carga del proceso ha aumentado. Sin embargo, resulta sospechoso si aumenta con una carga constante, junto con un aumento de la temperatura de los rodamientos y una corriente del motor inestable.
Monitorización de vibraciones en 3 ejes
La vibración es una de las señales más útiles para las máquinas rotativas. Un acelerómetro de tres ejes mide las vibraciones en varias direcciones, lo que ayuda a distinguir entre desequilibrios, desalineaciones, holguras mecánicas, defectos en los rodamientos o problemas de fijación.
Entre los indicadores habituales se incluyen:
-
Nivel RMS de vibración.
-
Pico de vibración.
-
Factor de pico.
-
Evolución por eje.
-
Comparación con la velocidad de rotación.
-
Tendencia a lo largo de varios días o semanas.
-
Superación del umbral en función de la criticidad de la máquina.
La monitorización de vibraciones debe interpretarse en su contexto. Un umbral universal no siempre es fiable: una bomba pequeña, un ventilador grande y una trituradora no tienen el mismo comportamiento mecánico.
Análisis espectral FFT
La FFT, o transformada rápida de Fourier, permite pasar de la señal temporal al espectro de frecuencias. Ayuda a identificar las frecuencias características de un defecto.
Ejemplos de índices analizados:
-
Frecuencia de rotación.
-
Armónicos relacionados con la desalineación.
-
Frecuencias de fallo de los rodamientos, como BPFI, BPFO, BSF o FTF, cuando se conoce la geometría del rodamiento.
-
Firmas desequilibradas.
-
Ruido de banda ancha.
-
Aparición de bandas laterales.
La FFT es potente, pero requiere datos de buena calidad: una frecuencia de muestreo adecuada, un sensor bien colocado, una velocidad de rotación conocida y un historial suficiente.
El análisis espectral debe ir acompañado de una validación por parte de los expertos del sector. Una alerta no es una conclusión automática: indica una probabilidad de defecto que debe confirmarse en función del contexto.
Análisis de la firma de corriente del motor
El análisis de la firma de corriente del motor, conocido a menudo como MCSA, utiliza la corriente eléctrica para detectar determinados fallos mecánicos o eléctricos. Puede resultar útil cuando resulta complicado instalar sensores de vibración o cuando se desea complementar el diagnóstico.
Puede ayudar a identificar:
-
Desequilibrio alimentario.
-
Sobrecarga.
-
Variación anómala de la carga.
-
Fallo del rotor, según el caso.
-
Anomalía mecánica apreciable en el consumo.
-
Desviación del rendimiento o aumento de la fricción.
La ventaja es que se basa en una medición eléctrica que, en ocasiones, resulta más sencilla de instalar. La limitación es que la interpretación depende en gran medida del tipo de motor, la carga, el variador y el régimen de funcionamiento.
Temperatura, presión y contexto del proceso
La temperatura por sí sola no siempre basta para predecir una avería, pero resulta muy útil cuando se analiza junto con otras señales. Un aumento de la temperatura de los rodamientos, del cárter del reductor o del bobinado del motor puede indicar un defecto de lubricación, una sobrecarga, una fricción excesiva o una ventilación insuficiente.
Las variables de proceso permiten reducir los falsos positivos.
| Señal | Interpretación literal | Contexto por verificar |
|---|---|---|
| Aumento de la vibración | Posible fallo mecánico | Carga, velocidad, caudal |
| Aumento de la temperatura del rodamiento | Fricción o lubricación | Temperatura ambiente, tiempo de funcionamiento |
| Corriente del motor elevada | Posible sobrecarga | Consigna, producto, presión |
| Presión inestable | Posible problema hidráulico | Válvula, caudal, filtro, cavitación |
| Caudal reducido | Posible obstrucción o desgaste | Consigna del proceso, estado de la línea |
La correlación entre varios sensores es fundamental para distinguir un deterioro real de una variación normal relacionada con las condiciones de funcionamiento.
Puntuación de salud de las instalaciones
Una puntuación de estado de salud facilita la establecimiento de prioridades. No sustituye a la experiencia en mantenimiento, pero ayuda a clasificar los equipos según su nivel de riesgo.
Una puntuación puede combinar varias dimensiones:
-
Desviación por vibración.
-
Temperatura anómala.
-
Inestabilidad de la corriente.
-
Historial de alertas.
-
Importancia crítica del equipo.
-
Tiempo transcurrido desde la última intervención.
-
Condiciones de funcionamiento.
-
Confirmación mediante varios sensores.
Ejemplo de lógica de puntuación:
score_sante:
base: 100
penalites:
vibration_hausse_7j: 15
temperature_roulement_haute: 20
courant_instable: 10
alerte_recurrente: 15
equipement_critique: 10
niveaux:
vert: "80-100"
jaune: "60-79"
orange: "40-59"
rouge: "0-39"
Los umbrales deben adaptarse a la fábrica y validarse con los equipos. Una puntuación mal calibrada genera desconfianza; una puntuación bien explicada se convierte en una herramienta de planificación.
Integración bidireccional con el sistema de gestión de mantenimiento (GMAO)
El valor operativo se pone de manifiesto cuando las alertas del IoT activan un proceso de mantenimiento, y no solo una notificación. La integración con el sistema de gestión de mantenimiento (GMAO) vincula la detección sobre el terreno con la orden de trabajo.
Una integración útil puede abarcar:
-
Creación automática de una solicitud de intervención.
-
Integración de las alertas con el sistema de gestión de mantenimiento asistido por ordenador (GMAO).
-
Prioridad según la gravedad y la puntuación de salud.
-
Se adjuntan las curvas de tendencia.
-
Asignación a un equipo o a un contrato.
-
Reflexión tras la finalización.
-
Ampliación del modelo con el diagnóstico real.
A menudo se pasa por alto el análisis de la experiencia. Sin embargo, permite determinar si una alerta se debía realmente a un defecto en los rodamientos, una desalineación, una sobrecarga del proceso o un falso positivo.
Informes de mantenimiento automáticos
Los informes automáticos ofrecen una visión periódica del estado del parque de maquinaria y facilitan las reuniones de planificación. Deben ser comprensibles para los departamentos de mantenimiento, producción y dirección industrial.
Un informe útil incluye:
-
Clasificación de los equipos según su nivel de riesgo.
-
Evolución de los índices de salud.
-
Alertas generadas y gestionadas.
-
Intervenciones previstas o realizadas.
-
Equipos a la deriva lenta.
-
Emplazamientos sin datos o con sensores inactivos.
-
Recomendaciones de inspección.
-
Resumen de los beneficios o ahorros, cuando los datos permitan justificarlos.
Hay que evitar las estimaciones de ahorro que carezcan de una base clara. Los beneficios deben calcularse a partir de datos históricos reales: paradas evitadas, reducción del tiempo de inactividad, intervenciones agrupadas, disminución de las urgencias o mayor disponibilidad.
Detección de cavitación y desequilibrio hidráulico
Las bombas centrífugas son candidatas naturales para el mantenimiento condicional. La cavitación, el desequilibrio hidráulico, la obstrucción, la recirculación o el desgaste del impulsor pueden manifestarse mediante vibraciones, ruido, inestabilidad de la presión, variaciones en el caudal y sobrecalentamiento.
La detección debe combinar varias señales.
-
Vibración de alta frecuencia.
-
Variación de presión.
-
Inestabilidad del caudal.
-
Corriente del motor variable.
-
Temperatura del cojinete o del cuerpo de la bomba.
-
Condiciones de funcionamiento fuera del rango nominal.
Una alerta de cavitación debe interpretarse teniendo en cuenta los datos del proceso. Una bomba que funciona lejos de su punto de rendimiento óptimo puede generar síntomas similares a los de un deterioro mecánico.
Reducir los falsos positivos
Un sistema que emite demasiadas alertas acaba siendo inútil. Los operadores acaban ignorando las notificaciones, incluso cuando se avecina una avería real. Por lo tanto, reducir los falsos positivos es un objetivo fundamental.
Buenas prácticas:
-
Definir umbrales por tipo de equipo.
-
Utilizar umbrales dinámicos en función de la carga o la velocidad.
-
Correlacionar varios sensores antes de emitir una alerta crítica.
-
Distinguir entre una alerta informativa, una alerta que requiere seguimiento y una alerta urgente.
-
Añadir un retardo para evitar picos aislados.
-
Comparar con el historial de la máquina, no solo con un umbral genérico.
-
Incorporar las observaciones de los técnicos.
-
Revisar los umbrales tras las primeras semanas de funcionamiento.
Una alerta debe permitir actuar: debe explicar qué es lo que falla, desde cuándo, con qué nivel de riesgo y qué medida se recomienda tomar.
Implantación progresiva en un parque industrial
Un proyecto de mantenimiento predictivo basado en el IoT debe comenzar por los equipos críticos, no por todo el parque de máquinas. La implantación progresiva permite validar los sensores, la conectividad, los umbrales y la integración con el sistema de gestión de mantenimiento (GMAO).
| Etapa | Objetivo | Resultado esperado |
|---|---|---|
| Cartografía | Identificar los equipos críticos | Lista priorizada |
| Análisis de modos de fallo | Seleccionar las medidas adecuadas | Sensores adecuados |
| Prueba piloto | Equipar con sensores algunas máquinas | Validación sobre el terreno |
| Umbrales iniciales | Detectar desviaciones sencillas | Alertas aprovechables |
| Integración en el sistema de gestión de mantenimiento | Vincular la alerta con la intervención | Proceso operativo |
| Ampliación | Implantar por familias de equipos | Parque supervisado |
| Optimización | Reducir los falsos positivos | Modelo más fiable |
Este enfoque evita generar una gran cantidad de datos sin una finalidad clara de mantenimiento.
Seguridad y conectividad de los datos de mantenimiento
Los datos de mantenimiento pueden revelar información sensible: disponibilidad de las máquinas, ritmo de producción, ingresos, carga de trabajo, incidencias recurrentes o el grado de criticidad de los equipos. Por lo tanto, su recopilación debe realizarse de forma segura.
Buenas prácticas:
-
Utilizar una pasarela industrial segura.
-
Cifrar los flujos entre el sitio y la plataforma.
-
Segmentar los sensores, los controladores y los sistemas informáticos.
-
Limitar los derechos de acceso a los datos.
-
Registrar los accesos y las modificaciones.
-
Prever un funcionamiento local en caso de corte de la red.
-
Integrar la supervisión con las políticas de ciberseguridad de la tecnología operativa (OT).
Esta seguridad es especialmente importante cuando el mantenimiento implica a proveedores externos, fabricantes de equipos originales (OEM) o contratos de servicio conectados.
Lista de comprobación antes de poner en marcha un proyecto
| Control | Pregunta | Prioridad |
|---|---|---|
| Criticidad | ¿Se han identificado las máquinas prioritarias? | Alta |
| Modos de fallo | ¿Se conocen los fallos esperados? | Alta |
| Sensores | ¿Se corresponden las mediciones seleccionadas con los fallos? | Alta |
| Conectividad | ¿Se pueden transmitir los datos de forma fiable? | Alta |
| Historial | ¿Existen datos de averías o intervenciones? | Media |
| GMAO | ¿Están los equipos correctamente registrados? | Alta |
| Alertas | ¿Son los umbrales pasibles de actuación? | Alta |
| Respuesta sobre el terreno | ¿Pueden los técnicos calificar las alertas? | Alta |
| Seguridad | ¿Están los flujos cifrados y segmentados? | Alta |
| Gestión | ¿Se ha designado a un responsable de la implantación? | Alta |
El éxito depende tanto de la organización del mantenimiento como de la tecnología.
Indicadores de rendimiento que hay que seguir
Para medir la eficacia del mantenimiento condicional basado en el IoT, es necesario realizar un seguimiento de los indicadores a lo largo del tiempo.
| Indicador | Objetivo |
|---|---|
| Número de paradas no planificadas | Medir la reducción de las averías sufridas |
| MTBF | Realizar un seguimiento del tiempo medio entre averías |
| MTTR | Medir el tiempo medio de reparación |
| Tasa de falsos positivos | Mejorar la calidad de las alertas |
| Tasa de alertas confirmadas | Validar la pertinencia del modelo |
| Plazo entre la alerta y la intervención | Evaluar la capacidad de respuesta |
| Equipos en zona roja | Priorizar el mantenimiento |
| Intervenciones planificadas gracias a las alertas | Medir el uso real |
| Disponibilidad de la máquina | Vincular el mantenimiento con la producción |
| Coste de mantenimiento por equipo | Realizar un seguimiento del impacto económico |
Las ganancias deben calcularse a partir de estos indicadores, y no anunciarse sin hacer referencia específica al sitio web.
Cómo ayuda Eziwan a pasar al mantenimiento condicional
Eziwan proporciona los elementos necesarios para conectar los equipos industriales, recopilar los datos relevantes, detectar anomalías y vincular las alertas a los procesos de mantenimiento.
| Necesidad | Respuesta de Eziwan | Beneficio |
|---|---|---|
| Recopilar mediciones | Sensores y pasarela industrial | Datos de campo fiables |
| Conectar las instalaciones | Telemetría segura | Supervisión multisitio |
| Detectar desviaciones | Análisis de tendencias | Alertas antes de una posible avería |
| Priorizar | Puntuación de estado | Planificación más clara |
| Reducir los falsos positivos | Correlación multisensor | Alertas más pertinentes |
| Actuar | Integración con el sistema de gestión de mantenimiento | Órdenes de trabajo operativas |
| Seguimiento | Informes automáticos | Gestión del mantenimiento |
| Seguridad | Túneles y control de acceso | Protección de datos OT |
Este enfoque puede basarse en la pasarela Eziwan, la supervisión a través de la nube Eziwan y las arquitecturas de conectividad industrial.
Conclusión
El mantenimiento predictivo basado en el IoT no empieza con un algoritmo mágico. Empieza con un mantenimiento condicional fiable: sensores bien elegidos, datos regulares, contexto del proceso, umbrales comprensibles, alertas que permiten actuar, integración con el sistema de gestión de mantenimiento (GMAO) y experiencia sobre el terreno. Es esta cadena completa la que permite pasar progresivamente de la corrección de urgencias a la intervención planificada.
Eziwan acompaña esta transición recopilando las señales débiles de las máquinas críticas, analizando las tendencias, clasificando los equipos por nivel de riesgo y activando las medidas adecuadas en las herramientas de mantenimiento. Para las empresas industriales, el reto es claro: reducir las paradas imprevistas, planificar mejor las intervenciones y aprovechar los datos de campo para mejorar de forma sostenible la fiabilidad del parque de maquinaria.
Para profundizar en el tema
- Mantenimiento predictivo IIoT — Implemente una estrategia de mantenimiento predictivo en sus equipos industriales
- Telediagnóstico industrial — Realice diagnósticos a distancia de sus equipos para reducir las intervenciones sobre el terreno
- Monitorización de equipos industriales — Supervise de forma continua el estado de sus máquinas
- Registrador de datos industrial en la nube — Registra y archiva los datos de vibraciones, temperatura y corriente
- Supervisión y teleasistencia — Combina la supervisión remota y la asistencia técnica en tiempo real