Cuándo el mantenimiento predictivo no es la opción adecuada para su planta

El mantenimiento predictivo no es automáticamente la mejor estrategia

El mantenimiento predictivo se ha convertido en una de las estrategias más promocionadas en la fabricación moderna. Los proveedores lo relacionan con frecuencia con la inteligencia artificial, los sensores inteligentes, la analítica industrial y la transformación digital.

La promesa subyacente es atractiva. Una planta supervisa el estado de los equipos, predice fallos en desarrollo y realiza el mantenimiento antes de que ocurra una avería. La producción continúa con menos interrupciones. Las piezas de repuesto se solicitan antes. Los equipos de mantenimiento evitan inspecciones innecesarias.

Sin embargo, el mantenimiento predictivo no es un paquete de software que mejore de inmediato cualquier planta. Es un modelo operativo que depende de datos fiables, activos adecuados, sistemas integrados, prácticas de mantenimiento disciplinadas y apoyo organizativo.

Una implementación mal preparada puede generar costos adicionales sin reducir los fallos. Las plantas pueden instalar sensores que produzcan lecturas inutilizables. Los ingenieros pueden recibir cientos de alarmas sin conclusiones prácticas. Los equipos de mantenimiento pueden desconfiar del sistema porque las predicciones no coinciden con las condiciones sobre el terreno.

Por lo tanto, la pregunta más importante no es si el mantenimiento predictivo es valioso. La verdadera pregunta es si la planta está preparada para utilizarlo eficazmente.

La preparación depende de varios factores interconectados. La dirección debe apoyar el programa. Los activos deben tener indicadores de fallo medibles. Los sensores deben recopilar datos fiables sobre el estado. Las redes de comunicación deben transportar esos datos. El software debe interpretarlos en el contexto operativo correcto.

El personal de mantenimiento también debe comprender los equipos y el sistema analítico. Los registros históricos deben ser suficientemente precisos. El beneficio financiero esperado debe justificar los costos de implementación y operación.

Cuando faltan estas condiciones, el mantenimiento predictivo puede no ser la opción inmediata correcta. El mantenimiento preventivo, el mantenimiento basado en la condición o la mejora de las rutinas de inspección pueden ofrecer mejores resultados.

Esto no significa que una planta deba abandonar permanentemente el mantenimiento predictivo. Significa que debe cerrar sus brechas de preparación antes de invertir en un despliegue a gran escala.

Figura 1. El mantenimiento predictivo necesita el apoyo de la dirección porque su implementación afecta a los presupuestos, el acceso a la producción, los recursos de ingeniería y las prácticas operativas a largo plazo.

El apoyo de la dirección debe ir más allá de aprobar el proyecto

Los departamentos de ingeniería y mantenimiento suelen comprender los posibles beneficios del mantenimiento predictivo. Observan fallos recurrentes de rodamientos, paradas inesperadas de motores y pérdidas de producción causadas por reparaciones de emergencia.

La alta dirección aún puede dudar. El rendimiento esperado puede parecer difícil de medir. El proyecto puede requerir nuevos sensores, suscripciones de software, infraestructura de red, capacitación y apoyo especializado.

Obtener la aprobación para un proyecto piloto no es suficiente. El mantenimiento predictivo cambia la forma en que colaboran varios departamentos. Los equipos de producción deben poner los equipos a disposición para instalar los sensores. Es posible que los equipos de tecnología de la información deban aprobar las conexiones de red. Los equipos de compras deben respaldar los nuevos contratos de servicio.

Los equipos de operaciones deben documentar las condiciones del proceso que influyen en el comportamiento del equipo. Los ingenieros de confiabilidad deben definir los modos de falla y los criterios de alarma. Los planificadores de mantenimiento deben convertir los hallazgos analíticos en órdenes de trabajo.

Sin el apoyo de la dirección, estos grupos pueden considerar el proyecto un experimento de ingeniería. El acceso a producción se vuelve difícil. La capacitación se pospone. Las mejoras de instrumentación pierden prioridad presupuestaria. Los hallazgos analíticos quedan fuera del proceso de planificación del mantenimiento.

El apoyo de la dirección debe incluir una asignación clara de responsabilidades. Una persona o un grupo directivo debe ser responsable de los resultados empresariales. El programa debe tener objetivos definidos, un presupuesto aprobado y acceso a los recursos necesarios de la planta.

La dirección también debe entender que los primeros resultados pueden ser imperfectos. Un modelo predictivo necesita datos operativos y validación en campo. Por lo general, es necesario ajustar los umbrales de alarma. Es posible que haya que corregir la ubicación de los sensores después del primer ciclo de inspección.

Una implementación realista incluye un período de aprendizaje. Los directivos no deberían esperar que cada sensor instalado genere ahorros inmediatos.

En su lugar, deberían revisar indicadores medibles. Estos pueden incluir una reducción del trabajo de emergencia, una detección más temprana de fallas, menos fallas repetitivas, menores daños secundarios y una mejor programación del mantenimiento.

Una planta no está preparada cuando la dirección solo apoya verbalmente el proyecto. El apoyo debe reflejarse en los presupuestos, las decisiones de dotación de personal, los programas de producción y las responsabilidades departamentales.

El mantenimiento predictivo no puede tener éxito sin los sensores adecuados

El mantenimiento predictivo depende de cambios medibles que ocurren antes de la falla del equipo. Estos cambios pueden incluir vibración, temperatura, presión, emisiones acústicas, estado del lubricante, corriente eléctrica, velocidad o movimiento de posición.

La instrumentación tradicional puede no recopilar estas variables. Una máquina puede tener únicamente un manómetro local y un relé básico de sobrecarga del motor. Estos dispositivos pueden proteger el proceso, pero quizá no revelen un deterioro mecánico en desarrollo.

Un detector de temperatura por resistencia estándar puede mostrar la temperatura del cojinete. Sin embargo, puede detectar un problema de lubricación solo después de que se haya desarrollado una fricción considerable. Un sensor de vibración seleccionado adecuadamente puede identificar la falla antes.

El sensor también debe ser adecuado para el modo de falla. Instalar sensores de temperatura en cada activo no crea un sistema predictivo. La temperatura puede ser útil para armarios eléctricos, rodamientos, motores y sistemas de lubricación. Puede ser menos útil para detectar ciertos defectos de engranajes o condiciones de holgura.

El rango del sensor, la respuesta en frecuencia, el método de montaje, la clasificación ambiental y la calidad de la señal son factores importantes. Un acelerómetro mal montado puede generar datos de vibración engañosos. Un transformador de corriente con un rango incorrecto puede ocultar pequeños cambios eléctricos.

La instalación de los sensores debe reflejar las características físicas de la máquina. Las posiciones de medición deben proporcionar una ruta fiable desde la fuente de la falla. Las superficies sueltas, las cubiertas flexibles y los puntos de montaje pintados pueden distorsionar las lecturas.

Los entornos hostiles añaden requisitos adicionales. Los sensores pueden necesitar resistencia química, protección contra explosiones, cableado para altas temperaturas o protección contra la entrada de agentes externos. Un dispositivo seleccionado para una zona de ensamblaje limpia puede no sobrevivir cerca de una lavadora de pulpa o un compresor marino.

La planta también debe considerar la calibración y el mantenimiento. Un sensor averiado puede generar una falsa sensación de confianza. Un sensor que deriva puede generar tendencias incorrectas durante meses.

Por lo tanto, el monitoreo de condición requiere una estrategia de instrumentación, no simplemente una lista de compras.

Figura 2. El análisis predictivo requiere mediciones fiables del estado obtenidas de sensores seleccionados para el equipo y sus modos de falla previstos.

Más datos de sensores no garantizan mejores predicciones

Un error común de implementación es recopilar todas las variables de proceso disponibles. El equipo del proyecto supone que más datos producirán automáticamente un modelo más preciso.

Los grandes volúmenes de datos pueden producir el resultado contrario. Los ingenieros dedican tiempo a filtrar señales irrelevantes. Aumentan las necesidades de almacenamiento y comunicación. Los modelos analíticos descubren correlaciones que no tienen significado físico.

El mantenimiento predictivo eficaz comienza con el análisis de los modos de falla. El equipo debe identificar cómo falla normalmente el activo. Luego debe determinar qué cambios físicos aparecen antes de cada falla.

Considere una bomba centrífuga. Entre los posibles modos de falla se incluyen el deterioro de los rodamientos, la cavitación, la desalineación, los daños en el impulsor, las fugas en los sellos y las restricciones en la succión.

Cada condición produce evidencias diferentes. El deterioro de los rodamientos puede afectar al contenido frecuencial de la vibración. La cavitación puede generar vibraciones de banda ancha y una presión inestable. Las fugas en los sellos pueden manifestarse mediante la detección de fugas o pérdidas del proceso.

Una sola medición puede no distinguir estas condiciones. Sin embargo, una combinación específica de vibración, corriente del motor, presión de succión, presión de descarga y flujo del proceso puede proporcionar un contexto de diagnóstico útil.

El valor proviene de seleccionar señales que representen el mecanismo de fallo. No proviene de maximizar el número de dispositivos conectados.

Las plantas también deben distinguir entre las alarmas del proceso y los indicadores del estado del equipo. Una alarma de alta temperatura de descarga puede proteger la calidad de la producción. Puede no indicar la vida útil restante de la máquina.

El estado operativo debe registrarse junto con los datos de condición. La vibración medida durante el arranque no puede compararse directamente con la vibración medida con una carga estable. Los cambios en la corriente del motor pueden reflejar la demanda de producción en lugar de una degradación eléctrica.

Sin contexto operativo, el sistema analítico puede clasificar los cambios normales de producción como fallos del equipo.

Una planta debería retrasar la implementación predictiva cuando no puede identificar los modos de fallo relevantes, los puntos de medición útiles y los estados operativos. Instalar instrumentación antes de completar este trabajo normalmente aumenta los costos y la confusión.

El software debe estar conectado a la maquinaria

El software predictivo solo resulta útil cuando recibe información fiable de la planta. Esto normalmente requiere integración con controladores, sistemas de control distribuido, historiadores de datos, plataformas de monitoreo de condiciones o pasarelas industriales.

Una plataforma analítica desconectada no puede ver el contexto completo del equipo. Puede recibir valores de vibración, pero no la velocidad del motor. Puede recibir valores de temperatura, pero no la carga del proceso. Puede detectar un cambio sin saber que los operadores modificaron la receta de producción.

Los problemas de integración también pueden retrasar los datos. Un valor recopilado una vez por hora puede ser adecuado para cambios térmicos lentos. Puede pasar por alto eventos breves de vibración o condiciones de presión inestables.

La fiabilidad de las comunicaciones es igualmente importante. Las muestras faltantes, las marcas de tiempo duplicadas, el escalado incorrecto y los nombres de etiquetas incoherentes pueden perjudicar la precisión del modelo.

Por ejemplo, un controlador puede almacenar la presión en kilopascales, mientras que la plataforma analítica espera bares. Los datos siguen siendo numéricos y pueden parecer válidos. Sin embargo, todos los umbrales calculados pasan a ser incorrectos.

Por lo tanto, la integración industrial debe verificar la identidad de las señales, las unidades de ingeniería, las marcas de tiempo, las frecuencias de muestreo, la calidad de los datos y el estado de los equipos.

Las instalaciones antiguas de PLC y DCS pueden complicar este proceso. Los controladores heredados pueden tener capacidades de comunicación limitadas. Las redes propietarias pueden no admitir acceso directo. La capacidad de procesamiento puede ser insuficiente para el tráfico de datos adicional.

En estas situaciones, las plantas pueden necesitar convertidores de protocolo, módulos de adquisición de datos o pasarelas cuidadosamente diseñadas. También pueden necesitar componentes de reemplazo para una infraestructura de control obsoleta.

Las organizaciones que mantienen plataformas de control de distintas generaciones pueden consultar componentes de sistemas PLC y PAC adecuados al evaluar las limitaciones de integración, el hardware instalado y el soporte durante el ciclo de vida.

La arquitectura correcta debe proteger el rendimiento del control de la máquina. La recopilación de datos de condición no debe sobrecargar un controlador crítico ni interrumpir las comunicaciones deterministas.

Figura 3. El software analítico necesita conexiones fiables con los controladores, las entradas de las máquinas, los estados del proceso y los sistemas de mantenimiento.

La integración debe conducir a un proceso de mantenimiento accionable

La conectividad técnica por sí sola no crea valor operativo. El resultado analítico debe llegar a las personas que pueden inspeccionar, planificar y reparar el equipo.

Algunas plantas crean paneles que muestran excelentes gráficos de tendencias. Sin embargo, los paneles siguen separados del proceso de mantenimiento. No se genera ninguna orden de trabajo. Ningún técnico recibe la responsabilidad. No se devuelve al modelo ninguna información sobre la finalización.

Una alerta útil debe responder a varias preguntas prácticas. ¿Qué activo está afectado? ¿Qué condición se detectó? ¿Qué gravedad tiene la condición? ¿Qué pruebas respaldan la alerta? ¿Qué inspección debe realizarse a continuación?

El sistema no siempre necesita proporcionar un diagnóstico final. Aun así, debe ofrecer al personal de mantenimiento suficiente información para tomar una decisión racional.

Por ejemplo, una alerta que indique que la vibración superó un umbral genérico puede tener un valor limitado. Una alerta mejor puede identificar un aumento de la vibración en el rodamiento del extremo de accionamiento durante condiciones de carga estable.

También puede mostrar la velocidad de cambio, los componentes de frecuencia relevantes, la actividad de mantenimiento anterior y el momento recomendado para la inspección.

La integración del flujo de trabajo debe conectar los hallazgos analíticos con la plataforma CMMS o EAM. Inicialmente, la planta puede utilizar una revisión manual antes de crear órdenes de trabajo automatizadas.

Este enfoque controlado evita que grandes cantidades de alertas de baja calidad saturen el backlog de mantenimiento.

El equipo de mantenimiento debe registrar los resultados de las inspecciones. Debe confirmar si existía una avería, si la alerta se emitió con antelación y qué medidas se tomaron.

Esta retroalimentación es esencial. Permite a los ingenieros mejorar los umbrales, validar los modelos y eliminar las reglas poco fiables.

Una planta no está preparada cuando nadie es responsable del proceso de respuesta. El mantenimiento predictivo no puede seguir siendo una responsabilidad aislada de un proveedor de software o de un científico de datos.

El proceso debe conectar la detección, la revisión de ingeniería, la planificación del mantenimiento, la inspección en campo, la reparación y la verificación posterior al mantenimiento.

Aún se requieren habilidades especializadas

La automatización no elimina la necesidad de conocimientos de ingeniería. Cambia el lugar donde se aplican esos conocimientos.

Los sistemas predictivos utilizan sensores avanzados, redes industriales, software analítico y modelos de equipos. Cada capa puede generar fallas que se asemejan a problemas de las máquinas.

Un cable roto puede parecer un cambio repentino en el proceso. El ruido eléctrico puede parecer vibración de un rodamiento. Una configuración incorrecta del equipo puede producir límites de alarma poco realistas.

El personal debe comprender tanto los equipos monitoreados como el sistema de monitoreo. Desarrollar esta combinación es difícil.

Las habilidades pertinentes pueden incluir análisis de vibraciones, termografía, análisis de lubricantes, análisis de corriente de motores, instrumentación, resolución de problemas de redes, comunicación con PLC, gestión de bases de datos y planificación del mantenimiento.

Ningún técnico necesita dominar todas las disciplinas. Sin embargo, la organización necesita acceso a la experiencia requerida.

La planta también debe distinguir entre el análisis de datos y el diagnóstico. El software puede identificar una señal inusual. Determinar la causa física puede requerir conocimientos sobre rodamientos, acoplamientos, cajas de engranajes, motores, bombas, válvulas y condiciones del proceso.

La experiencia de campo sigue siendo importante porque los equipos industriales rara vez funcionan en condiciones de laboratorio. Los cimientos se aflojan. La tensión de las tuberías cambia la alineación. La demanda de producción varía. Las reparaciones temporales se vuelven permanentes.

Estas realidades influyen en el comportamiento de las máquinas y en los resultados analíticos.

Figura 4. El mantenimiento predictivo eficaz combina herramientas analíticas con instrumentación, redes, confiabilidad y experiencia en ingeniería de campo.

La dependencia de expertos externos puede resultar costosa

Los especialistas externos pueden acelerar una implementación inicial. Pueden configurar sensores, desarrollar modelos y capacitar al personal interno.

Los problemas surgen cuando la planta nunca desarrolla capacidades internas. Cada alarma requiere entonces la interpretación del proveedor. Cada cambio en los equipos requiere un nuevo proyecto de consultoría. La resolución básica de problemas pasa a depender de la disponibilidad externa.

Esta dependencia aumenta los costos operativos. También puede retrasar las decisiones durante condiciones críticas de producción.

Las plantas deben definir qué habilidades se mantienen internamente y qué servicios siguen siendo externos. Los análisis de vibraciones altamente especializados pueden continuar subcontratándose. La revisión de alarmas de primer nivel y la inspección en campo normalmente deberían realizarse dentro de la planta.

La capacitación debe basarse en equipos reales. Las demostraciones genéricas de software no son suficientes. Los técnicos deben comprender la ubicación de los sensores, el comportamiento de las alarmas, los modos de falla comunes y los procedimientos de verificación.

Los planificadores de mantenimiento también necesitan capacitación. Una falla prevista no debe convertirse automáticamente en una orden de trabajo de emergencia. El planificador debe considerar la criticidad del activo, la disponibilidad de repuestos, las ventanas de producción, la seguridad y la tasa estimada de progresión.

El personal de operaciones debe comprender el propósito del sistema. A menudo detecta cambios en el proceso antes que los equipos analíticos. Sus observaciones pueden explicar datos inusuales o confirmar un fallo en desarrollo.

La transferencia de conocimientos debe incluirse en el alcance del proyecto. La documentación debe abarcar la arquitectura, las etiquetas conectadas, las reglas de alarma, las especificaciones de los sensores, los requisitos de mantenimiento y las vías de escalamiento.

Es posible que una planta no esté preparada cuando carece de personal que pueda hacerse cargo del sistema después de la puesta en servicio. Una demostración puede tener éxito, mientras que el programa a largo plazo queda gradualmente en desuso.

Los Problemas Presupuestarios Van Más Allá del Precio de Compra

El mantenimiento predictivo puede requerir una inversión inicial considerable. Los sensores, el cableado, las puertas de enlace, el software, los servidores, los servicios en la nube, la integración y la capacitación contribuyen al costo del proyecto.

La cotización visible puede representar solo una parte de la inversión total. La instalación puede requerir tiempo de parada, andamios, permisos para áreas peligrosas, planos de ingeniería y modificaciones del sistema de control.

Las máquinas antiguas pueden necesitar cambios en el montaje o mejoras eléctricas. Las redes de comunicación pueden requerir switches adicionales, conexiones de fibra o controles de ciberseguridad.

El software puede utilizar un modelo de precios por suscripción. Los modelos analíticos pueden requerir soporte continuo. Los sensores deben calibrarse, reemplazarse o inspeccionarse.

Las plantas deben calcular el costo del ciclo de vida, no el precio de compra. Un piloto de bajo costo puede convertirse en un programa costoso cuando se implementa en cientos de activos.

El análisis financiero también debe utilizar ahorros realistas. El tiempo de inactividad evitado no debe calcularse usando el valor máximo de producción para cada posible fallo.

Algunos fallos ya se producen durante las paradas planificadas. Otros solo afectan a equipos redundantes. Algunas alertas darán lugar a inspecciones sin encontrar un fallo significativo.

Un caso de negocio sólido incluye estas limitaciones.

Figura 5. El mantenimiento predictivo puede generar grandes beneficios, pero los costos iniciales y recurrentes deben corresponderse con los riesgos de los activos de la planta.

No Todos los Activos Merecen una Supervisión Continua

El mantenimiento predictivo debe centrarse en los activos en los que la detección temprana de fallos genere un valor significativo.

Un ventilador pequeño y económico puede tener un bajo costo de reemplazo. Puede contar con una unidad de reserva instalada. Su fallo quizá no afecte la seguridad, la calidad ni la producción.

Instalar sensores permanentes, hardware de comunicación y software analítico en ese ventilador puede costar más que reemplazarlo después de una avería.

En cambio, un ventilador de tiro inducido que presta servicio a una caldera crítica puede justificar una supervisión continua. Su fallo podría detener la producción y generar costos de reinicio significativos.

Por lo tanto, la criticidad de los activos debe guiar la inversión. La criticidad considera el impacto en la producción, las consecuencias para la seguridad, el riesgo ambiental, la duración de la reparación, la disponibilidad de repuestos y los daños secundarios.

La planta también debe revisar la frecuencia de las fallas. Un activo crítico que rara vez falla aún puede justificar protección. Sin embargo, el método de detección previsto debe ser técnicamente creíble.

A algunos activos les conviene más una inspección periódica basada en rutas. Un técnico puede recopilar lecturas de vibración mensualmente en muchas máquinas. Este enfoque puede proporcionar suficiente advertencia a un costo menor.

Otros activos pueden utilizar activadores básicos basados en la condición. Un límite de presión diferencial puede indicar la carga del filtro. Una tendencia de la corriente del motor puede revelar un aumento de la demanda mecánica.

El mantenimiento predictivo es una opción dentro de una estrategia de confiabilidad más amplia. No debe reemplazar todas las tareas preventivas ni las basadas en la condición.

Una buena estrategia de activos puede incluir operar hasta la falla para equipos de baja importancia, reemplazo preventivo de componentes relacionados con la antigüedad, monitoreo de condición para fallas en desarrollo y análisis predictivo para activos de alto valor.

El equilibrio adecuado es más importante que el número de sensores conectados.

Algunos modos de falla no pueden predecirse de forma fiable

El mantenimiento predictivo funciona mejor cuando el deterioro se desarrolla gradualmente y produce evidencia medible.

El desgaste de rodamientos, el desequilibrio, la desalineación, la degradación de la lubricación y el deterioro térmico suelen generar tendencias detectables. Estas condiciones pueden proporcionar suficiente advertencia para realizar una inspección y una reparación planificada.

Otras fallas ocurren repentinamente. Un componente electrónico puede fallar sin un patrón de advertencia estable. Un cable puede dañarse durante trabajos de construcción no relacionados. Un objeto extraño puede ingresar inesperadamente en un sistema de proceso.

El análisis predictivo no puede pronosticar de forma fiable todos los eventos aleatorios.

Las plantas deben examinar las características de la falla antes de elegir un método de monitoreo. El intervalo potencial de falla es especialmente importante.

Este intervalo representa el tiempo entre la detección de una falla en desarrollo y la falla funcional. La frecuencia de monitoreo debe ser menor que ese intervalo.

Una inspección mensual no puede gestionar una falla que progresa en dos días. Puede ser necesario un monitoreo continuo. Sin embargo, el monitoreo continuo también falla cuando la condición no produce ninguna señal de advertencia medible.

El equipo debe preguntarse si existe un parámetro detectable. También debe determinar si ese parámetro cambia con suficiente anticipación para respaldar una acción de mantenimiento.

Una alerta que aparece diez minutos antes de una falla puede respaldar la protección mediante apagado automático. Puede no servir para planificar el mantenimiento.

Los sistemas de protección y los sistemas predictivos tienen propósitos diferentes. Un sistema de protección de maquinaria puede detener el equipo cuando se producen vibraciones peligrosas. Un sistema predictivo debe identificar el deterioro antes de que se alcance el punto de disparo.

Las plantas que evalúan programas para equipos rotativos pueden consultar los componentes de monitorización de maquinaria disponibles al comparar sensores, hardware de monitorización y compatibilidad con los sistemas instalados.

Una planta no debe prometer cobertura predictiva para fallas que carecen de un indicador temprano fiable. Unos límites técnicos claros generan más confianza que las afirmaciones poco realistas.

Es posible que el mantenimiento preventivo existente ya sea eficaz

El mantenimiento predictivo no es automáticamente superior a un programa preventivo bien diseñado.

Algunos componentes tienen una vida útil predecible. Su sustitución es económica y fácil de programar. Es posible que la planta ya los sustituya durante paradas planificadas con un impacto mínimo en la producción.

Añadir sensores y análisis puede aportar poco valor adicional.

El mantenimiento preventivo también puede cumplir requisitos normativos, de seguridad o de seguros. Un modelo predictivo puede no eliminar la necesidad de realizar inspecciones periódicas o pruebas de funcionamiento.

Los sistemas instrumentados de seguridad ofrecen un ejemplo claro. Los datos de diagnóstico pueden respaldar las decisiones de mantenimiento, pero es posible que sigan aplicándose intervalos de prueba obligatorios.

El mantenimiento basado en la condición también puede ser suficiente. Es posible que los operadores ya inspeccionen fugas, presión, ruido, temperatura o calidad del producto durante el trabajo rutinario.

La planta debe comparar las estrategias según el costo, el riesgo y la eficacia técnica. No debe cambiar simplemente porque el mantenimiento predictivo parezca más avanzado.

Un programa preventivo eficaz ofrece otro beneficio. Crea registros de mantenimiento estructurados. Estos registros pueden respaldar posteriormente el análisis predictivo.

La decisión correcta puede ser mejorar primero el programa existente. Se puede revisar la eficacia de las tareas. Los códigos de falla pueden estandarizarse. Los resultados de las inspecciones pueden registrarse electrónicamente.

Estas mejoras pueden reducir las fallas sin una inversión importante en tecnología. También crean una base más sólida para futuros análisis.

Una planta debe mantener una estrategia en funcionamiento hasta que la sustitución propuesta demuestre una ventaja cuantificable.

Las organizaciones necesitan datos históricos fiables

Los modelos predictivos aprenden del historial operativo. Necesitan ejemplos del comportamiento normal, los cambios de carga, los eventos de mantenimiento y las fallas en desarrollo.

Las plantas que dependen principalmente del mantenimiento reactivo suelen tener registros deficientes. Una orden de trabajo puede indicar únicamente que se reparó una bomba. Es posible que no identifique el rodamiento averiado, los síntomas de funcionamiento, la causa raíz ni los componentes sustituidos.

Estos registros no pueden utilizarse de forma fiable para entrenar o validar un modelo.

Los problemas de calidad de los datos pueden incluir marcas de tiempo faltantes, nombres de activos incoherentes, registros de equipos duplicados y descripciones de fallas imprecisas.

Los datos de los sensores también pueden estar incompletos. Es posible que los equipos hayan funcionado durante años sin registrar tendencias de vibración o temperatura.

Cuando no hay datos históricos disponibles, el sistema debe recopilar nueva información de referencia. Esto lleva tiempo. Es posible que los modos de falla poco frecuentes no aparezcan durante el período inicial de implementación.

Las organizaciones no deben confundir la ausencia de alarmas con una predicción exitosa. Es posible que al sistema simplemente le falte información suficiente para reconocer un comportamiento anómalo.

Figura 6. Los registros históricos precisos ayudan a los sistemas analíticos a distinguir el funcionamiento normal de las fallas incipientes de los equipos.

La madurez del mantenimiento debe preceder a la analítica avanzada

Una planta que tiene dificultades con el control básico del mantenimiento puede no beneficiarse de la predicción avanzada.

Entre las señales de advertencia habituales se incluyen una gran acumulación de trabajos de emergencia, registros de activos faltantes, escasez imprevista de repuestos, órdenes de trabajo incompletas y fallas repetidas sin un análisis de causa raíz.

Las alertas predictivas añadidas a este entorno generan más información, pero no necesariamente mejores acciones.

La planta debe establecer primero la jerarquía de activos, la identificación de los equipos, la responsabilidad del mantenimiento y una disciplina de órdenes de trabajo.

Los activos críticos deben tener listas de materiales correctas. Las piezas de repuesto deben estar vinculadas a los equipos. Los códigos de falla deben utilizar una terminología coherente.

La finalización del mantenimiento debe incluir los hallazgos, las piezas sustituidas y los mecanismos de falla observados. Estos registros se convierten en valiosa retroalimentación para los sistemas analíticos.

La organización también necesita disciplina de planificación. Una falla confirmada en desarrollo debe traducirse en necesidades de mano de obra, disponibilidad de piezas, permisos y una ventana de producción.

Sin ese proceso, la detección temprana no evita las fallas. Solo proporciona antes el conocimiento de un problema que sigue sin resolverse.

Una organización madura no necesita datos perfectos. Necesita prácticas repetibles y responsabilidades claras.

El mantenimiento predictivo debe reforzar estas prácticas, no eludirlas.

Las condiciones cambiantes de producción pueden confundir al modelo

Los equipos industriales rara vez funcionan en una sola condición constante. La velocidad, la carga, la presión, el grado del producto, la temperatura y las propiedades del material pueden cambiar a lo largo del día.

Estos cambios afectan al comportamiento de las máquinas. Una bomba puede vibrar de forma diferente con un caudal bajo. Un ventilador puede mostrar una corriente del motor más alta cuando cambia la posición de los reguladores. Un transportador puede producir patrones acústicos diferentes con material más pesado.

Un modelo entrenado en un estado operativo puede generar falsas alertas en otro.

Las modificaciones frecuentes de los equipos crean otro desafío. La planta puede sustituir un motor, cambiar la relación de transmisión de una caja de engranajes, modificar las tuberías o alterar la lógica de control.

La línea base anterior puede que ya no represente el funcionamiento normal.

Por lo tanto, los sistemas predictivos necesitan una gestión de la configuración. Los cambios en los equipos deben activar una revisión de las líneas base, los límites de alarma y los supuestos del modelo.

Los datos deben agruparse por condición operativa cuando sea necesario. Las máquinas de velocidad variable pueden requerir un análisis de vibraciones relacionado con la velocidad. Los procesos por lotes pueden necesitar modelos alineados con las fases de producción.

Una planta con operaciones inestables debe mejorar primero la comprensión del proceso. De lo contrario, el sistema analítico puede dedicar la mayor parte de sus esfuerzos a detectar la variabilidad de la producción.

Esto no impide el mantenimiento predictivo. Cambia el diseño técnico. Puede ser necesario disponer de más contexto operativo y segmentar los modelos.

Los sistemas de control heredados pueden limitar el caso de negocio

Las plantas existentes suelen contener equipos de varias generaciones de sistemas de control. Un área de producción puede utilizar un PLC moderno basado en Ethernet. Otra puede depender de una red propietaria instalada hace varias décadas.

Los sistemas heredados pueden seguir siendo fiables. Sin embargo, recuperar datos adicionales sobre el estado puede resultar difícil.

El controlador puede tener memoria, capacidad de comunicación o canales de entrada disponibles limitados. Los módulos de sustitución pueden estar obsoletos. Es posible que el software de ingeniería original ya no funcione en los ordenadores actuales.

Un proyecto de mantenimiento predictivo puede poner de manifiesto estos riesgos del ciclo de vida. El coste de integración necesario puede superar el coste de los sensores de supervisión.

Las plantas deben evitar realizar cambios no controlados en sistemas heredados críticos. Añadir tráfico de red o modificar código de aplicaciones antiguas puede generar riesgos para la producción.

Un diseño más seguro puede utilizar hardware de supervisión independiente. Este puede recopilar señales sin modificar la lógica de control original.

Otra opción es un plan de modernización por fases. La planta puede comenzar por estabilizar el soporte para hardware obsoleto, la documentación y la disponibilidad de repuestos.

Las capacidades predictivas pueden añadirse durante las actualizaciones de control planificadas.

La decisión debe tener en cuenta el ciclo de vida del equipo. Instalar un sistema de supervisión complejo en maquinaria programada para su sustitución puede no ser rentable.

Sin embargo, la supervisión aún puede estar justificada cuando la sustitución tardará varios años y el riesgo de fallo siga siendo alto.

La ciberseguridad y la gobernanza de datos no pueden añadirse más adelante

El mantenimiento predictivo suele requerir trasladar los datos operativos más allá de los límites originales del sistema de control.

Los datos pueden enviarse a un servidor local, una plataforma empresarial, un proveedor de servicios remoto o un entorno en la nube.

Cada conexión crea requisitos de gobernanza y ciberseguridad. Las plantas deben definir qué sistemas pueden comunicarse, qué usuarios pueden acceder a los datos y cómo se controla el soporte externo.

Una conexión mal planificada puede exponer los activos industriales a riesgos innecesarios. No deben utilizarse herramientas de acceso remoto de nivel doméstico para equipos críticos.

La arquitectura de red debe incluir segmentación, acceso gestionado, autenticación, registro, gestión de parches y transferencia segura de datos.

La plataforma analítica no debería requerir un control de acceso sin restricciones cuando sea suficiente con datos de solo lectura.

La propiedad de los datos también debe estar clara. Los contratos deben explicar quién es propietario de los datos sin procesar de los sensores, los modelos derivados y las conclusiones de mantenimiento.

La planta debe entender qué ocurre cuando termina una suscripción. Los datos históricos y los modelos configurados deben seguir siendo accesibles en las condiciones acordadas.

Las revisiones de ciberseguridad pueden afectar al cronograma del proyecto. Deben comenzar durante el diseño de la arquitectura, no después de la instalación.

Una planta no está preparada cuando el proyecto elude la ciberseguridad porque el sistema de monitorización se describe como no crítico.

Los datos de condición aún pueden revelar las tasas de producción, el estado de los activos, los límites operativos y la disponibilidad de la planta. Esta información puede ser comercial u operativamente sensible.

Caso práctico: Un proyecto de monitorización de bombas que produjo demasiadas alarmas

Considérese una planta química que instaló sensores inalámbricos de vibración en cuarenta bombas. El objetivo del proyecto era reducir las fallas de los sellos y los reemplazos de emergencia de los rodamientos.

El panel inicial generaba alertas frecuentes de vibración elevada. El personal de mantenimiento inspeccionó varias bombas, pero no encontró defectos visibles.

La confianza en el sistema disminuyó rápidamente.

Una revisión detallada encontró varias causas. Algunos sensores estaban montados sobre cubiertas delgadas de los motores. No se registraban las velocidades de funcionamiento de las bombas. Varias unidades funcionaban muy lejos de su caudal de diseño.

Los límites de alarma eran idénticos para todas las bombas, a pesar de sus diferentes tamaños, cimentaciones y condiciones de servicio.

El equipo del proyecto cambió el enfoque. Los sensores se volvieron a montar en ubicaciones adecuadas de los rodamientos. Se añadieron la velocidad y el caudal del proceso al conjunto de datos.

Las bombas se agruparon por diseño y servicio operativo. Los umbrales de alarma se ajustaron mediante mediciones de referencia y una revisión de ingeniería.

El equipo también separó la inestabilidad hidráulica de las indicaciones mecánicas de los rodamientos.

Después de estos cambios, disminuyó el volumen de alarmas. Las alertas restantes se volvieron más útiles. Una bomba mostró un aumento de la vibración en la frecuencia del rodamiento durante un funcionamiento estable.

La inspección de mantenimiento confirmó la degradación de la lubricación. El rodamiento se reemplazó durante un cambio de producción planificado.

La lección no fue que la monitorización inalámbrica hubiera fallado. Al proyecto original le faltaban una instalación adecuada de los sensores, contexto sobre los equipos y validación de las alarmas.

Una breve revisión de preparación podría haber identificado estos problemas antes de la implementación completa.

Caso práctico: Una línea de envasado que no necesitaba predicción avanzada

Una planta de envasado de alimentos evaluó la monitorización continua de pequeños motores de transportadores. Los motores eran económicos y estaban disponibles en el inventario local.

La mayoría de los transportadores tenía diseños mecánicos sencillos. Las unidades averiadas podían reemplazarse rápidamente durante los periodos rutinarios de saneamiento.

La propuesta inicial incluía monitoreo de corriente, sensores de temperatura, pasarelas y una suscripción de análisis en la nube.

Una revisión de criticidad mostró que la mayoría de los motores no justificaba un monitoreo permanente. Las consecuencias de sus fallas eran limitadas y el tiempo de reemplazo con repuestos era corto.

La planta seleccionó una estrategia más sencilla. Los operadores realizaban inspecciones visuales durante la limpieza y desinfección. Los electricistas utilizaban inspección térmica portátil durante las rondas mensuales.

Un pequeño número de motores de accionamiento críticos recibió monitoreo continuo de corriente y temperatura. Estos motores accionaban equipos que constituían cuellos de botella y tenían tiempos de reemplazo más prolongados.

El programa revisado costó menos y se ajustó mejor al riesgo de los activos.

El mantenimiento predictivo no fue rechazado. Solo se aplicó allí donde la alerta temprana generaba valor operativo.

Caso práctico: datos históricos sin etiquetas de falla fiables

Una gran planta de fabricación contaba con varios años de datos del historiador. La dirección creía que este historial era suficiente para el aprendizaje automático.

La base de datos incluía la corriente del motor, las temperaturas, la presión del proceso y las tasas de producción. Sin embargo, los registros de mantenimiento no contenían detalles coherentes sobre las fallas.

Las órdenes de trabajo incluían descripciones como «problema del motor», «reparación de la bomba» y «equipo revisado».

El equipo de análisis podía identificar tendencias inusuales. No podía determinar qué patrones representaban fallas específicas.

La planta mejoró primero la codificación del mantenimiento. Los técnicos registraron el componente averiado, el estado observado, la causa y la acción correctiva.

El equipo también revisó informes de paradas anteriores y el uso de repuestos. Este trabajo reconstruyó varios eventos de falla confirmados.

A continuación, se entrenaron nuevos modelos analíticos con ejemplos verificados. El proyecto comenzó con la detección de anomalías y la revisión de ingeniería, en lugar de un diagnóstico automático.

Este enfoque por etapas produjo una implementación inicial más lenta, pero resultados más creíbles.

El caso demuestra que el volumen de datos y la calidad de los datos son aspectos diferentes. Millones de valores registrados no pueden sustituir un contexto de mantenimiento fiable.

Una evaluación práctica de la preparación para el mantenimiento predictivo

Antes de la implementación, la planta debe completar una evaluación estructurada de preparación. La evaluación debe abarcar el valor empresarial, la idoneidad de los activos, la instrumentación, la integración de sistemas, la calidad de los datos, las competencias, la ciberseguridad y los procesos de trabajo.

Comience con el problema empresarial. Identifique las fallas que generan el mayor impacto en la producción, la seguridad, la calidad o el medio ambiente.

Estime su frecuencia y sus consecuencias. Revise la duración de las reparaciones, los daños secundarios y la disponibilidad de repuestos.

A continuación, examine los modos de falla. Determine si cada falla produce una señal de advertencia medible. Estime el intervalo de advertencia disponible.

Revise la instrumentación existente. Confirme la idoneidad de los sensores, los puntos de instalación, los requisitos ambientales, el estado de calibración y el acceso a los datos.

Traza el recorrido de los datos desde la máquina hasta la plataforma analítica. Verifica los protocolos, las frecuencias de actualización, las marcas de tiempo, las unidades de ingeniería y la capacidad de la red.

Evalúa los registros históricos. Comprueba los nombres de los activos, las descripciones de mantenimiento, los códigos de fallo, los estados operativos y los datos faltantes.

Revisa la capacidad organizativa. Identifica quién supervisará las alertas, validará los hallazgos, creará las órdenes de trabajo, inspeccionará los equipos y actualizará los modelos.

Calcula el coste del ciclo de vida. Incluye el hardware, la ingeniería, la instalación, el tiempo de parada, el software, la capacitación, el soporte y el mantenimiento de los sensores.

Por último, define resultados medibles. Evita objetivos generales como «mejorar la fiabilidad». Utiliza medidas específicas, como reducir los trabajos de emergencia en rodamientos o detectar fallos seleccionados antes de una parada.

Usa un piloto específico en lugar de una implementación en toda la planta

Un piloto debe probar el flujo de trabajo completo del mantenimiento. No debe limitarse a demostrar que un sensor puede enviar datos a un panel.

Selecciona un número reducido de activos con un historial de fallos conocido y un impacto operativo significativo.

Los activos deben presentar modos de fallo detectables. El personal de mantenimiento debe comprender su comportamiento operativo.

El piloto debe incluir la instalación de sensores, la recopilación de datos, la integración del sistema, la revisión de alarmas, la inspección de campo, la planificación del trabajo y la verificación de resultados.

Define el éxito antes de la instalación. Los criterios posibles incluyen detectar un deterioro confirmado, reducir las inspecciones innecesarias, mejorar el tiempo de planificación o evitar daños secundarios.

Mantén el piloto el tiempo suficiente para capturar condiciones operativas representativas. Una demostración breve durante una producción estable puede no poner a prueba el sistema real.

Documenta los falsos positivos y las condiciones no detectadas. Ambos aportan información valiosa para el diseño.

No ocultes los resultados insatisfactorios. Un piloto que identifique sensores inadecuados o datos deficientes puede evitar una implementación completa costosa.

La expansión debe basarse en la evidencia. Los activos con diseños y condiciones operativas similares pueden añadirse primero.

Cada etapa de expansión debe confirmar la dotación de personal, la capacidad de la red, el rendimiento del software y la capacidad de respuesta del mantenimiento.

Construir los cimientos por etapas

Una planta que hoy no está preparada aún puede crear una hoja de ruta práctica.

La primera etapa puede mejorar los registros de mantenimiento y la jerarquía de activos. La planta puede estandarizar los nombres de los equipos, los códigos de fallo y la finalización de las órdenes de trabajo.

La segunda etapa puede introducir un monitoreo específico del estado. Los técnicos pueden recopilar periódicamente datos de vibración, térmicos o de lubricantes de los activos críticos.

La tercera etapa puede integrar la información existente de procesos y mantenimiento. Los historiadores, controladores y registros del GMAO pueden conectarse mediante una arquitectura controlada.

La cuarta etapa puede añadir análisis avanzados para modos de fallo seleccionados. Los modelos deben validarse con inspecciones de campo y hallazgos de mantenimiento.

La etapa final puede automatizar partes del flujo de trabajo. Las alertas de alta confianza pueden crear solicitudes de inspección u órdenes de trabajo recomendadas.

Este enfoque por etapas reduce el riesgo técnico y financiero. También da tiempo al personal para desarrollar sus competencias.

Lo más importante es que mantiene el proyecto vinculado a problemas reales de fiabilidad.

Cuándo debe retrasarse el mantenimiento predictivo

Una planta debe considerar retrasar la implementación cuando la alta dirección no haya comprometido recursos ni asumido la responsabilidad.

También puede ser apropiado retrasar la implementación cuando no se hayan identificado los modos de fallo críticos. Instalar sensores sin una estrategia de fallos produce resultados deficientes.

Lo mismo se aplica cuando la instrumentación no puede recopilar datos fiables sobre el estado. El software no puede corregir mediciones físicas deficientes.

La implementación debe reconsiderarse cuando la integración de los sistemas de comunicación y control genere riesgos inaceptables para la producción o la ciberseguridad.

Las organizaciones con registros de mantenimiento deficientes quizá deban mejorar primero la calidad de los datos. Las plantas sin personal que revise y actúe sobre las alertas también afrontan un alto riesgo de fracaso.

Los presupuestos limitados deben destinarse a los activos con mayores consecuencias. Una instalación amplia puede aportar menos valor que un programa de fiabilidad específico.

El mantenimiento predictivo también puede ser innecesario cuando el mantenimiento preventivo o basado en la condición ya controla eficazmente el riesgo.

Retrasar el proyecto no es un fracaso. A menudo es una decisión de ingeniería responsable.

La mejor estrategia de mantenimiento es la que la planta puede ejecutar

El mantenimiento predictivo puede reducir las paradas inesperadas y mejorar la planificación del mantenimiento. También puede revelar la degradación de los equipos que las inspecciones rutinarias no detectan.

Estos beneficios dependen de mucho más que de los algoritmos. Requieren activos adecuados, sensores correctos, integración fiable, registros de calidad, personal cualificado y procesos de trabajo disciplinados.

Las plantas deben evitar tratar el mantenimiento predictivo como un sustituto universal de las estrategias existentes.

El funcionamiento hasta el fallo, el mantenimiento preventivo, el mantenimiento basado en la condición, la monitorización protectora y el análisis predictivo tienen aplicaciones válidas.

Los programas de fiabilidad más sólidos utilizan estos métodos de forma selectiva. Adaptan la estrategia de mantenimiento a la criticidad de los activos, el comportamiento de las fallas, el riesgo operativo y el valor económico.

Por lo tanto, una evaluación de preparación debe preceder a una inversión importante. Identifica las capacidades que faltan y define una secuencia práctica de implementación.

Cuando los cimientos son sólidos, el mantenimiento predictivo puede convertirse en una herramienta operativa fiable. Cuando son débiles, la misma tecnología puede generar alarmas, costes y decepción.

El objetivo no es implementar el sistema más avanzado. El objetivo es detectar los problemas importantes de los equipos con suficiente antelación para tomar medidas eficaces.