8 pasos para crear un programa de mantenimiento predictivo que funcione

El mantenimiento predictivo promete menos averías, una mayor disponibilidad de los activos y una planificación del mantenimiento más eficiente. Sin embargo, esos resultados no se obtienen simplemente instalando sensores.

Un programa exitoso de mantenimiento predictivo combina conocimientos de ingeniería, datos fiables, tecnología de monitorización del estado, registros de mantenimiento, análisis de datos y una ejecución disciplinada de los trabajos. Cada componente debe respaldar un objetivo operativo definido.

Muchas organizaciones comienzan con una demostración tecnológica atractiva. Conectan sensores, crean paneles y recopilan grandes volúmenes de datos. Varios meses después, los equipos de mantenimiento todavía no pueden tomar mejores decisiones.

El problema suele estar en la secuencia de implementación. La organización comenzó por la tecnología en lugar de centrarse en el riesgo de los equipos, los modos de fallo, los flujos de trabajo de mantenimiento y el valor empresarial medible.

El mantenimiento predictivo, a menudo abreviado como PdM, debe responder a una pregunta práctica: ¿qué acción de mantenimiento debe llevarse a cabo antes de que un activo pierda rendimiento o falle?

La respuesta debe llegar con suficiente antelación para que el equipo de mantenimiento pueda actuar. También debe ofrecer la confianza suficiente para justificar una inspección, una reparación, la adquisición de repuestos o un cambio operativo.

Este artículo presenta ocho pasos para crear un programa eficaz de mantenimiento predictivo. Una turbina eólica sirve como ejemplo principal porque combina equipos rotativos, acceso difícil, tiempos de inactividad costosos y múltiples mecanismos de degradación.

El mismo marco se aplica a bombas, compresores, motores, generadores, cajas de engranajes, ventiladores, transportadores, transformadores, válvulas, accionamientos y equipos críticos de proceso.

El mantenimiento predictivo debe comenzar con una decisión operativa

Los datos sobre el estado tienen poco valor a menos que cambien una decisión operativa o de mantenimiento. Una tendencia de temperatura puede parecer informativa, pero solo resulta útil cuando alguien sabe cómo responder.

Esa respuesta podría implicar reducir la carga del equipo, inspeccionar la lubricación, comprobar la alineación, sustituir un rodamiento o programar una parada controlada.

Por lo tanto, el programa de mantenimiento predictivo debe conectar cuatro actividades distintas. Debe detectar el deterioro, evaluar su importancia, recomendar una acción y confirmar el resultado del mantenimiento.

Esta secuencia distingue el mantenimiento predictivo de la recopilación de datos ordinaria. También distingue un programa industrial operativo de un experimento temporal de análisis de datos.

Los ingenieros deben definir las decisiones previstas antes de seleccionar los sensores. Deben identificar quién recibe la información, con qué rapidez debe responder y qué pruebas respaldan la intervención.

Por ejemplo, una advertencia sobre el rodamiento de una turbina podría requerir varios niveles de respuesta. Una desviación pequeña puede activar una observación continua. Una desviación mayor puede activar una inspección durante la próxima ventana de servicio.

Una desviación que cambia rápidamente puede requerir una reducción inmediata de la carga. Un patrón crítico puede justificar una parada de emergencia.

Estas decisiones requieren la cooperación entre especialistas de mantenimiento, confiabilidad, operaciones, automatización, seguridad y datos. El mantenimiento predictivo no puede permanecer aislado dentro de un solo departamento técnico.

Los siguientes ocho pasos crean una ruta estructurada desde la necesidad empresarial hasta una ejecución confiable del mantenimiento.

1. Seleccionar un activo en el que la predicción genere valor real

El mantenimiento predictivo requiere una inversión inicial. Los costos pueden incluir sensores, acondicionadores de señal, redes industriales, computación en el borde, almacenamiento de datos, software de análisis, servicios de integración y un sistema computarizado de gestión del mantenimiento.

El activo seleccionado debe justificar esa inversión. Debe tener un efecto significativo en la producción, la seguridad, la calidad, el uso de la energía, el desempeño ambiental o el gasto de mantenimiento.

Un alto valor de compra por sí solo no convierte automáticamente a un activo en adecuado. Los ingenieros deben considerar las consecuencias financieras y operativas del fallo.

Una bomba relativamente económica puede detener toda una unidad de producción. Un motor de reserva costoso puede generar poco riesgo inmediato porque otra unidad puede asumir su función.

El análisis de criticidad de los activos proporciona un punto de partida útil. La evaluación debe incluir las pérdidas de producción, los costos de reparación, los plazos de entrega, las consecuencias para la seguridad, la exposición ambiental y la disponibilidad de redundancia.

La evaluación también debe considerar con qué frecuencia falla el equipo. Un activo crítico sin un patrón de deterioro medible puede no ser un buen primer candidato.

Los activos ideales para un proyecto piloto tienen varias características. Sus fallos son costosos, su degradación es observable y el equipo de mantenimiento puede actuar antes de que ocurra el fallo funcional.

Una turbina eólica es una candidata sólida. Contiene cojinetes, etapas de engranajes, ejes, generadores, sistemas hidráulicos, equipos eléctricos y componentes estructurales.

El acceso para el mantenimiento puede ser difícil. Las condiciones del viento, la disponibilidad de grúas, la programación de los técnicos y la logística de las piezas de repuesto pueden retrasar las reparaciones.

Un fallo inesperado de la caja de engranajes puede provocar un tiempo de inactividad considerable. También puede requerir equipos de elevación pesada y personal especializado.

La alerta temprana genera varias formas de valor. El operador puede adquirir piezas antes del fallo, elegir una ventana meteorológica favorable, coordinar a los contratistas y combinar varias tareas de mantenimiento.

El costo evitado incluye más que el componente dañado. También incluye la pérdida de generación, el transporte de emergencia, las horas extra, la movilización de grúas y los daños en equipos secundarios.

Una planta de fabricación puede aplicar la misma lógica a un compresor. Su fallo puede interrumpir el suministro de aire en varias líneas de producción.

Una instalación de agua puede dar prioridad a una bomba grande que abastece una etapa crítica del proceso. Una central eléctrica puede dar prioridad a una bomba de alimentación de caldera, un ventilador de tiro inducido o un sistema auxiliar de turbina.

El primer piloto debe seguir siendo manejable. Una clase de activos o un grupo pequeño de activos similares normalmente proporciona suficiente información para una implementación seria.

Comenzar con docenas de máquinas no relacionadas aumenta la complejidad. Diferentes máquinas producen distintas señales, modos de falla, estados operativos y requisitos de mantenimiento.

El equipo del programa debe documentar el objetivo del piloto en términos medibles. Algunos ejemplos son reducir el trabajo de emergencia, aumentar el tiempo medio entre fallas o detectar la degradación de los rodamientos treinta días antes.

Un objetivo claro ayuda a evitar que el alcance crezca sin control. También proporciona un estándar para evaluar si el piloto generó valor operativo.

Figura 1. Los registros del CMMS proporcionan evidencia histórica de mantenimiento para establecer líneas base de rendimiento y evaluar los resultados del mantenimiento predictivo. Imagen utilizada por cortesía de Limble CMMS.

2. Crear una línea base a partir de los datos de mantenimiento y operación existentes

El análisis predictivo requiere una referencia de la operación normal. Sin esa referencia, el sistema no puede distinguir de manera confiable el comportamiento esperado de las fallas en desarrollo.

Las organizaciones suelen suponer que no tienen suficientes datos. En realidad, es posible que ya exista evidencia útil en varios sistemas.

Entre las posibles fuentes se incluyen las órdenes de trabajo del CMMS, los registros de los operadores, los informes de inspección, las etiquetas del historiador, los registros de alarmas, los informes de laboratorio, las rutas de vibración, los análisis de aceite y las transacciones de piezas de repuesto.

Estos registros rara vez comparten una estructura coherente. Los nombres de los equipos pueden diferir entre el CMMS, el sistema de control, el historiador y los planos de ingeniería.

Un sistema puede identificar una bomba mediante su etiqueta de planta. Otro puede usar una ubicación funcional, un número de serie o una descripción informal.

Resolver estas diferencias es esencial. El modelo predictivo debe relacionar el comportamiento de los sensores con el activo correcto, el período de operación, el evento de mantenimiento y la condición de falla confirmada.

El equipo debe comenzar estableciendo una jerarquía de activos común. Cada componente monitoreado debe tener una identidad estable en los sistemas de mantenimiento y operación.

El siguiente paso es revisar el rendimiento histórico. Entre las medidas útiles se incluyen el tiempo medio entre fallas, el tiempo medio de reparación, la mano de obra de mantenimiento, la duración del tiempo de inactividad, el costo de las piezas de repuesto y la pérdida de producción.

El análisis debe separar el mantenimiento planificado del mantenimiento correctivo. También debe distinguir entre el reemplazo de componentes y las tareas de inspección, ajuste, lubricación y otros trabajos no relacionados.

Para una turbina eólica, el análisis histórico puede centrarse en los rodamientos, las etapas de la caja de engranajes, los sistemas de lubricación, la refrigeración del generador, los mecanismos de orientación de las palas y los equipos de conversión de energía.

Los ingenieros deben registrar con qué frecuencia cada componente requirió intervención. También deben documentar las señales de advertencia observadas antes de la falla.

Las mediciones anteriores de vibración pueden revelar una tendencia ascendente. Las muestras de aceite pueden mostrar un aumento de partículas metálicas. Los operadores pueden haber informado de cambios en el sonido o de temperaturas inestables.

Estas observaciones ayudan a identificar variables de predicción útiles. También proporcionan etiquetas para el análisis supervisado o semisupervisado.

Las condiciones operativas deben incluirse en la línea base. La velocidad del viento, la carga del generador, la velocidad de rotación, la temperatura ambiente y el modo de control pueden afectar considerablemente a las lecturas de los sensores.

Un nivel de vibración que parece anormal con carga baja puede ser aceptable durante la producción a plena capacidad. El comportamiento de la temperatura también puede cambiar según las condiciones ambientales y la demanda de refrigeración.

Por tanto, la línea base debería describir el comportamiento del equipo en varios estados operativos. Un único valor promedio rara vez es suficiente.

Los problemas de calidad de los datos deben documentarse en lugar de ocultarse. Los períodos faltantes, las marcas de tiempo incorrectas, los sensores reemplazados, los fallos de comunicación y los cambios de calibración pueden distorsionar el entrenamiento del modelo.

Los equipos de mantenimiento deberían validar los registros históricos con operadores y técnicos experimentados. Sus observaciones suelen explicar cambios que no aparecen en los registros digitales.

Una reducción repentina de la vibración puede parecer positiva. Un técnico puede saber que el sensor se aflojó durante el mismo período.

Un aumento de la corriente puede sugerir una carga mecánica. Un operador puede explicar que la demanda de producción aumentó porque otra unidad no estaba disponible.

Estos detalles evitan que el equipo de análisis construya relaciones incorrectas. También hacen que la línea base sea más representativa del comportamiento real de la planta.

3. Definir los modos de fallo antes de seleccionar la tecnología

El mantenimiento predictivo debería dirigirse a mecanismos de fallo específicos. No debería intentar detectar todos los problemas posibles mediante un único modelo general.

El análisis de modos y efectos de fallo proporciona un método estructurado. El equipo identifica cómo puede fallar un componente, por qué falla y qué consecuencias se derivan.

Cada modo de fallo debe evaluarse según su frecuencia, gravedad, detectabilidad y tiempo de respuesta disponible.

Algunos fallos se desarrollan lentamente y producen síntomas medibles. Otros ocurren repentinamente sin un período de advertencia útil.

La monitorización predictiva genera el mayor valor cuando la degradación comienza con suficiente antelación para detectarla. El período de advertencia también debe permitir una planificación práctica del mantenimiento.

Los daños en los rodamientos suelen desarrollarse progresivamente. Los patrones de vibración, las emisiones acústicas, la temperatura, el estado de la lubricación y la corriente del motor pueden mostrar cambios antes del fallo total.

Un componente electrónico puede fallar con poco deterioro medible. En ese caso, la redundancia, el reemplazo preventivo o las piezas de repuesto almacenadas podrían ofrecer un mejor control del riesgo.

El equipo debería comparar el mantenimiento predictivo con alternativas más sencillas. Una inspección de bajo costo podría ya controlar eficazmente el riesgo de fallo.

Agregar sensores, redes y análisis crearía entonces complejidad sin suficiente valor adicional.

Las turbinas eólicas presentan varios modos importantes de falla en equipos rotativos. Los dientes de los engranajes pueden desgastarse o agrietarse. Los rodamientos pueden desarrollar daños superficiales, problemas de lubricación o desalineación.

El desequilibrio del eje puede aumentar la vibración. La holgura estructural puede modificar el comportamiento de la resonancia. La contaminación del lubricante puede acelerar el desgaste en varios componentes.

Estos problemas suelen producir síntomas superpuestos. Un aumento de la temperatura puede deberse a fricción, lubricación inadecuada, falla del sistema de enfriamiento o carga excesiva.

Una sola señal rara vez demuestra la causa raíz. La estrategia de monitoreo debe combinar mediciones complementarias cuando esté justificado.

La vibración puede revelar el patrón de frecuencias mecánicas. El análisis del aceite puede confirmar la presencia de partículas de desgaste. La temperatura puede mostrar un aumento de la pérdida de energía.

La carga operativa proporciona un contexto esencial. En conjunto, estas mediciones generan evidencia más sólida que cualquier valor individual.

El análisis debe definir el intervalo potencial de falla. Este es el período entre el primer síntoma detectable y la falla funcional.

Un intervalo largo permite planificar el mantenimiento. Un intervalo muy corto puede requerir protección automatizada en lugar de la planificación habitual del trabajo.

Por ejemplo, el desgaste gradual de un rodamiento puede proporcionar semanas de advertencia. Un evento repentino de sobrevelocidad requiere una acción inmediata de control o protección.

El mantenimiento predictivo no debe reemplazar la protección de la maquinaria. Ambas funciones operan con distintos niveles de riesgo y velocidades de respuesta.

La predicción permite planificar antes de que se desarrolle la condición peligrosa. Los sistemas de protección responden cuando los límites configurados indican una amenaza inmediata.

La revisión de los modos de falla debe generar una hipótesis de monitoreo documentada. Debe explicar qué señal cambiará, por qué cambia y con cuánta anticipación debería aparecer el cambio.

También debe definir la inspección de mantenimiento que puede confirmar el estado sospechado. Esta confirmación se convierte posteriormente en información valiosa para el entrenamiento.

Figura 2. Los datos de los sensores adquieren valor cuando respaldan conclusiones confiables sobre el estado del equipo y las futuras necesidades de mantenimiento. Imagen utilizada por cortesía de Limble CMMS.

4. Adaptar los sensores al mecanismo físico de falla

La selección de sensores debe basarse en el análisis de los modos de falla. La pregunta correcta no es qué sensor ofrece más funciones.

La pregunta correcta es qué medición física revela la degradación específica con suficiente anticipación y un nivel de confianza aceptable.

Las mediciones comunes incluyen vibración, temperatura, presión, caudal, corriente del motor, velocidad, posición, humedad, energía acústica y estado del lubricante.

Los métodos especializados pueden incluir inspección ultrasónica, emisión acústica, inspección por partículas magnéticas, radiografía, termografía y análisis de la firma eléctrica.

Cada método tiene fortalezas y limitaciones. La supervisión de vibraciones es muy eficaz para muchos componentes giratorios, pero la posición del sensor y la calidad del montaje afectan considerablemente al resultado.

La supervisión de la temperatura es fácil de implementar. Sin embargo, los cambios de temperatura pueden aparecer más tarde que los síntomas de vibración o lubricación.

El análisis de la corriente del motor puede identificar cambios de carga y algunas condiciones eléctricas o mecánicas. Puede requerir una separación cuidadosa de las variaciones normales del proceso.

La emisión acústica puede detectar la energía de alta frecuencia producida por la fricción, el crecimiento de grietas, los impactos y la deformación del material. El ruido industrial puede complicar la interpretación.

En un aerogenerador, la góndola y la torre transmiten energía mecánica desde varios componentes. Esta estructura puede facilitar la supervisión acústica o de vibraciones a distancia.

Sin embargo, la trayectoria de la señal también añade complejidad. La actividad de la caja de engranajes, el generador, los rodamientos, las palas y la estructura puede aparecer dentro de la misma medición.

Los ingenieros deben elegir los puntos de medición considerando la construcción de la máquina, las trayectorias de carga, las posiciones de los rodamientos, las frecuencias previstas y la accesibilidad.

Deben evitar instalar sensores únicamente donde el cableado resulte conveniente. Una ubicación conveniente puede producir una señal débil o engañosa.

El método de montaje es importante. Un acelerómetro instalado correctamente mediante espárrago normalmente ofrece un mejor rendimiento a alta frecuencia que un sensor magnético fijado de forma suelta.

El rango de frecuencias seleccionado debe corresponder al fallo. El movimiento estructural lento y los impactos de alta frecuencia de los rodamientos requieren estrategias de muestreo diferentes.

El rango del sensor también es importante. Un sensor con un rango de medición excesivo puede reducir la resolución. Un sensor de rango estrecho puede saturarse durante los transitorios.

Las condiciones ambientales pueden influir en la fiabilidad. Deben considerarse la temperatura, la humedad, el polvo, el aceite, la exposición a productos químicos, las interferencias electromagnéticas y los impactos mecánicos.

Las áreas peligrosas pueden requerir equipos aprobados, barreras adecuadas y métodos de instalación conformes. Los activos remotos pueden requerir comunicaciones de bajo consumo y almacenamiento temporal local de datos.

La arquitectura de supervisión debe distinguir entre mediciones continuas y periódicas. Los equipos críticos pueden justificar la recopilación continua.

Los equipos menos críticos pueden utilizar sensores inalámbricos o rutas de inspección de técnicos. El método adecuado depende de la velocidad de fallo, la importancia del activo y su valor económico.

La redundancia de sensores debe ser selectiva. Instalar varias tecnologías puede mejorar el diagnóstico, pero las mediciones innecesarias aumentan los costos de mantenimiento y gestión de datos.

Un programa para cajas de engranajes puede combinar vibración, residuos en el aceite, temperatura y carga. Un ventilador sencillo puede requerir únicamente vibración y corriente del motor.

También deben supervisarse la calibración, el estado de los sensores y el estado de las comunicaciones. De lo contrario, un sensor averiado puede parecer un comportamiento estable del equipo.

El sistema debe identificar señales planas, valores imposibles, ruido excesivo, brechas de datos y deriva gradual de los sensores.

El procesamiento en el borde puede reducir el tráfico de red al calcular las características cerca del activo. Algunos ejemplos son la vibración cuadrática media, el factor de cresta, la curtosis, los picos espectrales y la tasa de cambio de la temperatura.

La conservación de formas de onda sin procesar sigue siendo útil para la investigación. Sin embargo, almacenar indefinidamente cada forma de onda de alta frecuencia puede generar costes innecesarios.

Un enfoque equilibrado almacena continuamente las características calculadas. Conserva los datos sin procesar alrededor de anomalías, transiciones operativas y eventos de fallo confirmados.

Los componentes industriales de sensores y monitorización también deben seguir siendo fáciles de mantener durante todo el ciclo de vida del programa. La disponibilidad de repuestos, la documentación y la compatibilidad del sistema afectan a la fiabilidad a largo plazo.

Las instalaciones que revisan su arquitectura de monitorización pueden comparar componentes adecuados de monitorización de maquinaria para aplicaciones de vibración, posición, velocidad y estado de los equipos.

5. Prepare los datos y desarrolle el modelo analítico

La instalación de los sensores inicia la fase de desarrollo de datos. No crea de inmediato un modelo predictivo fiable.

Los datos industriales sin procesar contienen ruido, valores faltantes, transiciones operativas, interrupciones de comunicación y cambios relacionados con el mantenimiento. Estas condiciones deben gestionarse de forma sistemática.

El primer requisito es una alineación temporal precisa. Los datos de los sensores, los valores del proceso, los eventos de alarma y los registros de mantenimiento deben utilizar marcas de tiempo compatibles.

Unos pocos minutos de desalineación pueden crear relaciones falsas. Este problema se agrava durante cambios operativos rápidos o eventos de fallo.

Las frecuencias de muestreo también deben coincidir con la medición. La temperatura puede requerir una lectura por minuto. El análisis de vibraciones puede requerir miles de muestras por segundo.

Los ingenieros de datos suelen convertir las señales sin procesar en características de estado. Estas características reducen el volumen de datos y destacan los patrones asociados con el deterioro.

Entre las características de vibración útiles se incluyen la amplitud global, la energía espectral, las bandas laterales, los armónicos, los valores de envolvente, el factor de cresta y la curtosis.

Las características de temperatura pueden incluir el valor absoluto, la diferencia con respecto a la temperatura ambiente, la tasa de cambio y la desviación con respecto a un activo comparable.

Las características actuales pueden incluir la demanda normalizada por carga, el contenido armónico, el desequilibrio de fase y los cambios durante condiciones operativas equivalentes.

El contexto operativo debe seguir formando parte del conjunto de datos. Los modelos entrenados sin velocidad, carga, estado de producción o condiciones ambientales pueden confundir la variación normal con daños en el equipo.

Una turbina eólica produce firmas diferentes cuando cambian las condiciones del viento. El arranque, la parada, el ajuste del paso, el frenado y los eventos de la red también generan cambios temporales.

El modelo debe comprender o excluir estas transiciones. De lo contrario, puede generar alarmas frecuentes cada vez que cambie el estado operativo.

La selección del modelo depende de las etiquetas disponibles. Si los ejemplos históricos de fallos están bien documentados, puede ser posible utilizar aprendizaje supervisado.

En muchas instalaciones, los ejemplos de fallos confirmados son limitados. Por lo tanto, los métodos no supervisados o semisupervisados pueden ofrecer un punto de partida práctico.

Un modelo del comportamiento normal aprende la relación esperada entre las señales durante el funcionamiento normal. Después identifica las desviaciones respecto de esa relación.

Este enfoque suele ser útil porque los datos de funcionamiento normal son más abundantes que los datos de fallos.

Sin embargo, una anomalía no es automáticamente un fallo. Solo indica que el comportamiento actual difiere de la referencia aprendida.

Los ingenieros deben determinar si el cambio refleja deterioro, variación del proceso, actividad de mantenimiento, problemas de los sensores o un modo operativo no representado.

El modelo debe dividirse en períodos de entrenamiento, validación y prueba. Dividir aleatoriamente las muestras individuales puede generar resultados engañosos.

Los datos industriales de series temporales contienen relaciones sólidas entre mediciones adyacentes. Por lo tanto, el período de prueba debe incluir períodos operativos o historiales de activos independientes.

Las métricas de rendimiento deben reflejar las necesidades de mantenimiento. La precisión general puede ser engañosa porque los eventos de fallo son poco frecuentes.

Entre las medidas útiles se incluyen la precisión, la exhaustividad, las falsas alarmas por mes, los eventos no detectados, el tiempo de advertencia y el porcentaje de alertas procesables.

Por ejemplo, un modelo puede identificar todos los problemas de los rodamientos. Sin embargo, también puede generar diez alertas falsas por semana.

El personal de mantenimiento perderá rápidamente la confianza. El modelo puede ser técnicamente sensible, pero inutilizable desde el punto de vista operativo.

El resultado analítico también debe ser explicable. Los ingenieros deben poder ver qué variables cambiaron y en qué se diferencia el patrón de la referencia.

Una advertencia que solo indique «anomalía detectada» ofrece un valor diagnóstico limitado. Una advertencia mejor identifica un aumento de la vibración de la caja de engranajes cerca de una frecuencia específica.

También puede mostrar un aumento de la temperatura y una tendencia de empeoramiento bajo una carga comparable. Esta información permite realizar una inspección específica.

La documentación del modelo debe registrar el período de entrenamiento, los activos incluidos, las condiciones operativas, los datos excluidos, las características de entrada y las limitaciones previstas.

Este registro se vuelve esencial cuando se modifica el equipo, se reemplazan sensores o cambia el proceso de producción.

6. Mejorar el modelo mediante resultados de mantenimiento confirmados

Los modelos predictivos requieren aprendizaje continuo. Su primera versión implementada debe tratarse como una entrega de ingeniería controlada, no como un producto terminado.

Los modelos iniciales suelen depender de datos etiquetados por ingenieros y científicos de datos. Con el tiempo, el sistema recibe más historial operativo y evidencias de mantenimiento.

Cada alerta crea una oportunidad de aprendizaje. El equipo de mantenimiento debe registrar si la condición predicha se confirmó, se confirmó parcialmente o se rechazó.

La inspección debe describir el estado real del componente. Las fotografías, las mediciones, los resultados del aceite, las piezas reemplazadas y las observaciones de los técnicos pueden proporcionar evidencia valiosa.

Un simple estado de «trabajo completado» no es suficiente. No explica si el modelo identificó el problema correcto.

El CMMS debe registrar códigos de falla estructurados y observaciones en texto libre. Ambas formas de información son útiles.

Los códigos estructurados respaldan el análisis de muchos eventos. Las notas de los técnicos proporcionan detalles que las categorías predefinidas pueden omitir.

En una turbina eólica, un modelo puede indicar un aumento de la fricción de la caja de engranajes. La inspección puede revelar contaminación del lubricante en lugar de daños en los engranajes.

El modelo siguió proporcionando una advertencia útil. Sin embargo, la causa confirmada debe incluirse en los análisis futuros.

Esta retroalimentación ayuda a distinguir los mecanismos de falla relacionados. También mejora las recomendaciones de mantenimiento.

Los modelos pueden desviarse cuando cambian los equipos o las operaciones. Un lubricante nuevo, un motor de reemplazo, un ajuste de la sintonización del control o un aumento de la producción pueden alterar el comportamiento normal.

Las condiciones estacionales también pueden afectar la línea base. La maquinaria exterior puede experimentar variaciones considerables de temperatura y humedad.

La supervisión del modelo debe hacer un seguimiento de las distribuciones de entrada, las tasas de anomalías, la confianza de las predicciones y el rendimiento confirmado de las alertas.

Un aumento repentino de las alertas puede indicar un deterioro real en varios activos. También puede indicar problemas de los sensores o un cambio operativo.

El reentrenamiento debe seguir un proceso controlado. El equipo no debe aceptar automáticamente cada nuevo patrón operativo como normal.

Un activo en deterioro puede seguir operando durante meses. Incluir ese período como datos de entrenamiento correspondientes a un estado saludable debilitaría el modelo.

Los ingenieros deben aprobar las ventanas de entrenamiento y excluir los períodos anómalos no resueltos. El control de versiones debe conservar el comportamiento del modelo anterior.

Cuando se lanza un modelo nuevo, su rendimiento debe compararse con el de la versión existente. Una implementación en modo sombra puede evaluar el modelo nuevo sin controlar las decisiones de mantenimiento.

Este proceso establece una gobernanza técnica. También evita que cambios analíticos no probados interrumpan la planificación del mantenimiento.

7. Convertir los resultados analíticos en niveles de alerta prácticos

Los umbrales de alerta conectan el resultado del modelo con la acción de mantenimiento. Los umbrales deficientes pueden hacer que un modelo, por lo demás competente, resulte ineficaz.

Un umbral demasiado sensible genera trabajo innecesario. Un umbral demasiado alto puede proporcionar una advertencia solo poco antes de la falla.

El diseño de los umbrales debe incluir a especialistas de mantenimiento, confiabilidad, operaciones y datos. Cada grupo aporta conocimientos diferentes.

Los especialistas en datos entienden la confianza del modelo y el comportamiento de la distribución. Los ingenieros de confiabilidad entienden los patrones de degradación.

Los planificadores de mantenimiento entienden la preparación del trabajo y los plazos de disponibilidad de recursos. Los equipos de operaciones entienden las limitaciones de producción y el riesgo operativo aceptable.

En lugar de un único nivel de alarma, muchas aplicaciones se benefician de varias etapas. Cada etapa debe corresponder a una respuesta definida.

Un nivel de aviso puede indicar una desviación pequeña pero persistente. La respuesta puede implicar revisar la tendencia y aumentar la observación.

Una alerta de mantenimiento puede indicar un deterioro en desarrollo. La respuesta puede implicar planificar la inspección, verificar las piezas y preparar la orden de trabajo.

Una alerta crítica puede indicar una progresión rápida. La respuesta puede requerir reducir la carga, realizar una inspección inmediata o efectuar una parada controlada.

Los umbrales deben considerar tanto la magnitud como la duración. Un pico breve puede deberse a una transición operativa.

Una desviación menor que persiste durante varios días puede indicar una condición más importante.

La velocidad de cambio también es valiosa. Una vibración que aumenta lentamente y otra que aumenta rápidamente no deberían generar prioridades idénticas.

Varias señales pueden mejorar la confianza. Una anomalía de vibración combinada con cambios en la temperatura y en los residuos del aceite merece mayor atención.

Las reglas de supresión de alertas deben diseñarse cuidadosamente. Los períodos de mantenimiento, las secuencias de puesta en marcha, las fallas conocidas de los sensores y las pruebas planificadas pueden requerir un tratamiento temporal.

Sin embargo, la supresión debe seguir siendo visible y auditable. Una supresión oculta o indefinida puede ocultar riesgos reales del equipo.

Cada alerta debe contener suficiente información para actuar. Debe identificar el activo, la condición sospechada, la tendencia, el nivel de confianza y el siguiente paso recomendado.

También debe mostrar el contexto operativo relevante. Esto podría incluir la carga, la velocidad, la temperatura y la comparación con activos similares.

El programa debe medir la calidad de las alertas. Entre las métricas útiles se incluyen la tasa de alertas falsas, el tiempo de respuesta, los hallazgos confirmados, el período de advertencia y las fallas evitadas.

El objetivo no es maximizar el número de alertas. El objetivo es proporcionar un número manejable de decisiones de mantenimiento creíbles.

Figura 3. El mantenimiento predictivo depende de un ciclo continuo entre el equipo físico, el análisis digital y la acción verificada en campo. Imagen utilizada por cortesía de Limble CMMS.

8. Conectar la detección de anomalías con la ejecución de trabajos en el CMMS

Una predicción solo crea valor cuando conduce a una acción adecuada en campo. Este paso final cierra el ciclo de físico a digital y de digital a físico.

Primero, los sensores miden las condiciones del equipo físico. Los datos se transfieren, limpian, contextualizan y analizan dentro de sistemas digitales.

La información obtenida debe regresar entonces a la operación física. El personal de mantenimiento inspecciona, ajusta, lubrica, repara o reemplaza el componente afectado.

El CMMS proporciona el puente operativo entre la analítica y la ejecución del mantenimiento. Convierte los hallazgos técnicos en trabajos planificados.

La integración puede comenzar con un proceso de revisión sencillo. Un ingeniero verifica la alerta antes de crear una solicitud de trabajo.

Los sistemas más maduros pueden crear notificaciones u órdenes de trabajo preliminares automáticamente. Aun así, puede requerirse la aprobación humana antes de programarlas.

La creación totalmente automática de órdenes de trabajo debe utilizarse de forma selectiva. Una automatización mal gobernada puede saturar el CMMS con tareas duplicadas o de poco valor.

Cada orden de trabajo debe contener la condición prevista, las tendencias de respaldo, la inspección recomendada, las competencias requeridas y las consideraciones de seguridad pertinentes.

El paquete de trabajo también puede incluir repuestos, herramientas, procedimientos, permisos y el tiempo estimado de finalización.

En el ejemplo de la turbina eólica, el motor de predicción puede detectar una condición incipiente en un rodamiento. Puede estimar que se requiere una intervención en un plazo de cuatro semanas.

El CMMS puede comprobar la disponibilidad de rodamientos de repuesto, los horarios de los técnicos, los requisitos de grúa y otros trabajos planificados en la misma ubicación.

A continuación, el planificador de mantenimiento puede seleccionar una ventana de servicio adecuada. Esto evita la movilización de emergencia y reduce la generación perdida.

La orden de trabajo debe registrar los hallazgos finales. El técnico debe confirmar si había daños en el rodamiento, pérdida de lubricación, holgura u otra condición.

El componente retirado puede someterse a una inspección adicional. El análisis de laboratorio puede proporcionar más evidencia sobre la progresión de la falla.

Estos hallazgos regresan al entorno de análisis. Mejoran las etiquetas de los modelos, la configuración de los umbrales y las recomendaciones de mantenimiento.

La integración con el CMMS también facilita el análisis financiero. La organización puede comparar los trabajos predictivos con las reparaciones de emergencia anteriores.

Puede medir la mano de obra, las piezas, el tiempo de inactividad, los daños evitados y el impacto en la producción. Estos resultados demuestran si el programa genera valor económico.

La integración debe mantener una asignación clara de responsabilidades. Los equipos de confiabilidad pueden encargarse de la validación técnica, mientras que los planificadores de mantenimiento se encargan de programar los trabajos.

El personal de operaciones puede aprobar cambios en la producción. Los equipos de datos pueden mantener el rendimiento de los modelos y la infraestructura de datos.

La responsabilidad no debe desaparecer entre sistemas. Cada alerta debe tener un responsable definido y un tiempo de respuesta establecido.

Las organizaciones también deben planificar para los fallos de comunicación. Los conocimientos críticos pueden requerir almacenamiento local, sincronización diferida o métodos alternativos de notificación.

Los equipos remotos no pueden depender por completo de una conexión continua a la nube. Los sistemas en el borde deben conservar los datos importantes durante las interrupciones.

El ciclo completo se fortalece con cada evento confirmado. Los datos de los sensores mejoran las predicciones, las predicciones mejoran la planificación del mantenimiento y los hallazgos del mantenimiento mejoran los modelos futuros.

Mantener separadas la predicción y la protección de la maquinaria

El mantenimiento predictivo y la protección de maquinaria suelen utilizar mediciones relacionadas. Sus objetivos y requisitos de respuesta siguen siendo diferentes.

Un sistema predictivo identifica el deterioro gradual y respalda la intervención planificada. Puede operar durante días, semanas o meses.

Un sistema de protección responde a condiciones peligrosas en segundos o milisegundos. Su propósito es prevenir daños catastróficos o una operación insegura.

El análisis predictivo no debe retrasar ni anular la lógica de apagado establecida. Las funciones de protección deben seguir siendo deterministas, validadas y adecuadamente independientes.

Por ejemplo, un modelo de vibración de una turbina puede identificar una falla de rodamiento que se desarrolla lentamente. El mantenimiento puede programar una inspección durante una próxima parada.

Si la vibración alcanza el límite de peligro configurado, el sistema de protección de maquinaria puede iniciar un disparo. Esa respuesta no puede depender de un modelo en la nube ni de una aprobación tardía.

Aun así, los sistemas pueden compartir el contexto de ingeniería. Los eventos de protección pueden proporcionar etiquetas valiosas para el análisis predictivo.

Las tendencias predictivas también pueden ayudar a los ingenieros a revisar la configuración de alarmas y disparos. Cualquier cambio en la configuración de protección debe seguir procedimientos formales de ingeniería.

Las instalaciones que operan equipos rotativos críticos pueden utilizar plataformas específicas, como el sistema de protección de maquinaria Bently Nevada 3500, junto con plataformas más amplias de monitoreo de condiciones y análisis de mantenimiento.

La arquitectura debe definir la propiedad de los datos, las tasas de actualización, los límites de ciberseguridad y los flujos de información permitidos entre los sistemas.

Esta separación protege la seguridad y la disponibilidad. También evita que las expectativas del mantenimiento predictivo se apliquen a funciones de protección en tiempo real que no son adecuadas para ello.

Mida los resultados a través de los resultados del mantenimiento y la producción

Un programa de mantenimiento predictivo no debe evaluarse por la cantidad de sensores, la cantidad de paneles de control ni el volumen de datos almacenados.

Esas cifras describen la actividad técnica. No demuestran que la organización haya mejorado la confiabilidad.

Las medidas de desempeño deben relacionarse directamente con los resultados del mantenimiento y la producción. Entre las medidas útiles se incluyen las fallas evitadas, la reducción del tiempo de inactividad y los períodos de anticipación más largos.

Las organizaciones también pueden hacer seguimiento del trabajo de emergencia, el porcentaje de trabajo planificado, la mano de obra de mantenimiento, el consumo de repuestos y la disponibilidad de los activos.

El tiempo medio entre fallas puede mejorar a lo largo de varios años. Los programas piloto también necesitan medidas que se hagan visibles antes.

La precisión de las alertas proporciona un indicador inicial. Mide con qué frecuencia una alerta identifica una condición confirmada que requiere acción.

El tiempo promedio de anticipación muestra si el sistema proporciona tiempo suficiente para la planificación. Una predicción correcta que llega una hora antes de la falla puede ofrecer poco valor para el mantenimiento.

El porcentaje de intervenciones planificadas muestra si las predicciones están cambiando la ejecución del trabajo. La reducción de las compras de emergencia puede aportar otro beneficio medible.

En los equipos que consumen mucha energía, el programa puede identificar pérdidas de eficiencia antes de que ocurra una falla funcional. Corregir la desalineación, la fricción o la suciedad acumulada puede reducir el consumo eléctrico.

Los procesos sensibles a la calidad pueden beneficiarse de un rendimiento estable de los equipos. Un accionamiento, una válvula o un dispositivo de medición en deterioro pueden afectar la uniformidad del producto.

Los cálculos empresariales deben incluir los costos de implementación y operación. Los sensores requieren mantenimiento. El software requiere soporte. Los modelos requieren revisión y reentrenamiento.

También deben incluirse los costos de red, almacenamiento, integración y ciberseguridad. Excluir estos costos crea una estimación irrealista del rendimiento.

Un cálculo sencillo del valor puede comparar los beneficios anuales esperados con los costos anualizados del programa. Los beneficios pueden incluir el tiempo de inactividad evitado, la reducción de daños secundarios y menores costos de mano de obra de emergencia.

La organización debe distinguir los ahorros confirmados de la reducción estimada del riesgo. Ambos importan, pero no deben presentarse como resultados idénticos.

Por ejemplo, detectar un defecto en un rodamiento puede evitar una falla real. Su costo evitado puede estimarse utilizando el historial de fallas anteriores.

Una advertencia que no produjo ningún defecto confirmado no debería recibir automáticamente el mismo valor financiero.

Las revisiones de casos deben documentar la evidencia que respalda cada beneficio. Este enfoque genera credibilidad ante los responsables de operaciones y finanzas.

También ayuda al equipo a identificar qué activos y modos de falla ofrecen el mayor rendimiento.

Evite las fallas más comunes del mantenimiento predictivo

Muchos programas de mantenimiento predictivo enfrentan problemas similares. Reconocerlos a tiempo puede proteger el proyecto piloto de costos innecesarios.

El primer problema es elegir un activo por conveniencia. Los equipos accesibles pueden ser fáciles de instrumentar, pero sus fallas pueden tener poco impacto operativo.

El segundo problema es recopilar datos sin definir los modos de falla. Entonces, el sistema produce tendencias sin explicar qué debería inspeccionarse.

El tercer problema es ignorar el contexto operativo. Los cambios en la carga, la velocidad, el grado del producto o la temperatura ambiente pueden parecer deterioro.

El cuarto problema es depender de una identificación deficiente de los activos. Los datos de los sensores y los registros de mantenimiento no pueden conectarse de forma fiable cuando los nombres de los equipos difieren entre sistemas.

El quinto problema es utilizar registros históricos de mantenimiento sin validarlos. Las órdenes de trabajo pueden contener descripciones incompletas, incoherentes o copiadas.

El sexto problema es medir el rendimiento del modelo únicamente mediante la precisión general. Las fallas poco frecuentes pueden hacer que un modelo ineficaz parezca exitoso.

El séptimo problema es generar demasiadas alertas. Las advertencias falsas frecuentes reducen la confianza y hacen que el personal ignore el sistema.

El octavo problema es proporcionar advertencias sin acciones recomendadas. Los equipos de mantenimiento necesitan orientación para la inspección, no solo puntuaciones numéricas de anomalías.

El noveno problema es excluir a los técnicos del desarrollo. El personal de campo comprende los sonidos de funcionamiento, los defectos recurrentes, los atajos de mantenimiento y el historial de los equipos.

El décimo problema es escalar antes de que el piloto se estabilice. Ampliar un modelo inmaduro multiplica los problemas de calidad de datos y la carga de gestión de alertas.

La ciberseguridad también puede convertirse en un riesgo que se pasa por alto. Los nuevos sensores y las puertas de enlace amplían la superficie de ataque industrial.

Los dispositivos deben utilizar acceso controlado, configuración segura, firmware documentado, segmentación de red y autenticación adecuada.

La conectividad a la nube debe ajustarse a las políticas del sitio y a las evaluaciones de riesgos. El acceso remoto no debe crear una vía sin control hacia las redes de control críticas.

Las organizaciones también deben evitar depender de un solo especialista. El sistema necesita responsables documentados, procedimientos operativos y responsabilidades de soporte.

Un modelo que solo entiende un científico de datos es difícil de mantener. Un sistema de monitoreo que los técnicos no pueden solucionar terminará perdiendo datos.

Los programas exitosos tratan el mantenimiento predictivo como un sistema industrial que debe mantenerse. Aplican control de configuración, revisión del rendimiento y planificación del ciclo de vida.

Pasar de un piloto a un estándar de sitio repetible

Un piloto exitoso no se convierte automáticamente en un programa empresarial exitoso. Escalar requiere estandarización sin ignorar las diferencias entre los equipos.

El primer paso para escalar es documentar la arquitectura del piloto. Esto incluye sensores, puertas de enlace, estructuras de etiquetas, frecuencias de muestreo, características, modelos, umbrales y flujos de trabajo del CMMS.

El equipo debe identificar qué elementos pueden reutilizarse. La identificación de activos, los controles de ciberseguridad, los formatos de los paneles y los campos de las órdenes de trabajo pueden convertirse en estándares del sitio.

Los modelos de fallas pueden requerir más personalización. Un modelo para bombas no puede aplicarse directamente a un transformador o a un servomotor.

Incluso bombas similares pueden funcionar con distintas cargas, fluidos, velocidades y condiciones de tuberías. La validación local sigue siendo necesaria.

La organización puede crear plantillas para clases de activos comunes. Una plantilla para motores puede incluir información sobre vibración, corriente, temperatura, velocidad y estado operativo.

Una plantilla para una bomba centrífuga puede añadir la presión de succión, la presión de descarga, el caudal y el estado del sello.

Una plantilla para una caja de engranajes puede incluir la velocidad del eje, los espectros de vibración, el estado del aceite y la carga. Estas plantillas reducen el esfuerzo de ingeniería y conservan la relevancia técnica.

La selección de activos debe continuar mediante el análisis de criticidad y de los modos de falla. Escalar no debe significar instalar sensores en todas las máquinas.

A menudo, una estrategia escalonada es más eficaz. Los activos críticos reciben monitoreo continuo en línea.

Los activos importantes pueden recibir monitoreo inalámbrico con menor frecuencia. Los activos no críticos pueden permanecer sujetos a inspecciones periódicas o mantenimiento preventivo.

La arquitectura de datos también debe poder escalar. Las convenciones de nomenclatura, las unidades, las marcas de tiempo, los indicadores de calidad y las jerarquías de activos deben mantenerse coherentes.

Sin estos estándares, cada nuevo sitio crea otro conjunto de datos aislado. El análisis a nivel empresarial se vuelve entonces difícil y costoso.

La gobernanza del modelo debe definir quién puede aprobar los cambios. También debe definir los requisitos de prueba, lanzamiento, reversión y revisión del rendimiento.

La capacitación es igualmente importante. Los operadores deben entender qué significan las alertas. Los planificadores de mantenimiento deben saber cómo las predicciones afectan la prioridad de los trabajos.

Los técnicos necesitan procedimientos para verificar las condiciones previstas. Los ingenieros de confiabilidad necesitan herramientas para revisar la evidencia del modelo y los resultados del mantenimiento.

La dirección debe recibir indicadores operativos, no detalles técnicos del modelo. Necesita ver la disponibilidad, el tiempo de inactividad evitado, la eficiencia del mantenimiento y el valor financiero.

La hoja de ruta de escalamiento debe seguir siendo gradual. Cada ampliación debe aprovechar las lecciones aprendidas de la clase de activos o el sitio anterior.

Este enfoque reduce el riesgo y preserva la confianza de la organización. También garantiza que el programa crezca porque funciona, no porque la tecnología parezca impresionante.

Comience con un problema valioso y cierre el ciclo

El mantenimiento predictivo es más eficaz cuando comienza con un riesgo del equipo claramente definido. El programa debe centrarse en un modo de falla observable y en una decisión práctica de mantenimiento.

Seleccione un activo en el que una alerta temprana genere un valor medible. Construya una línea base confiable a partir del historial operativo y de mantenimiento.

Identifique los mecanismos físicos de falla antes de elegir los sensores. Relacione cada medición con una hipótesis técnica sobre el deterioro.

Prepare los datos cuidadosamente e incluya el contexto operativo. Seleccione métodos analíticos que se ajusten a la evidencia de fallas disponible.

Mejore el modelo mediante resultados confirmados de inspecciones y reparaciones. Establezca niveles de alerta que correspondan a acciones de mantenimiento claras.

Por último, conecte el motor de predicción con la planificación del CMMS y la ejecución en campo. Los hallazgos del mantenimiento completado deben volver al modelo.

Las organizaciones deberían comenzar con uno o dos activos críticos. Deberían resistirse a la tentación de abarcar de inmediato toda una instalación.

Un piloto específico permite al equipo de ingeniería validar la instrumentación, los análisis, los flujos de trabajo y el valor financiero sin una complejidad excesiva.

Cuando el ciclo funciona de manera constante, la organización puede ampliarlo a equipos similares y modos de falla adicionales.

Los programas de mantenimiento predictivo más maduros no se definen únicamente por la inteligencia artificial. Combinan la tecnología con una ingeniería de confiabilidad disciplinada y una ejecución práctica del mantenimiento.

El resultado no es simplemente más datos. Es conocimiento más temprano, una mejor planificación, menos emergencias y operaciones industriales más confiables.