Una parada de máquina no planificada en una línea de producción puede costar miles de euros por minuto. Frente a este riesgo, el mantenimiento predictivo (PdM, Predictive Maintenance) propone una idea poderosa: en lugar de reparar cuando algo se rompe (correctivo) o sustituir piezas por calendario aunque estén sanas (preventivo), se predice cuándo va a fallar un activo a partir de su estado real y se interviene justo a tiempo. La inteligencia artificial aplicada a los datos de sensores convierte esa predicción en una operación industrial fiable. Este artículo explica la arquitectura técnica completa —del sensor al modelo y a la decisión— y aterriza qué funciona, qué falla y qué normativa aplica.
Del correctivo al predictivo: por qué el calendario no basta
El mantenimiento preventivo basado en intervalos fijos tiene un problema estadístico conocido: la mayoría de los fallos mecánicos no siguen una curva de desgaste por edad, sino el patrón de la curva de la bañera con mortalidad infantil y fallos aleatorios. Sustituir un rodamiento sano "porque toca" introduce a veces el propio fallo que se quería evitar. El mantenimiento predictivo, en cambio, se basa en la condición real del activo (CBM, Condition-Based Maintenance) y estima la vida útil remanente (RUL, Remaining Useful Life), el número de ciclos o de horas que el equipo puede operar antes de degradarse por debajo del umbral admisible.
La capa de datos: sensores IoT y telemetría
Todo modelo predictivo se sostiene sobre la calidad de su telemetría. Los sensores habituales en una planta capturan vibración (acelerómetros, la señal más rica para máquinas rotativas), temperatura, corriente eléctrica, presión, emisión acústica y ultrasonido. El análisis de vibración merece detenerse: una transformada rápida de Fourier (FFT) descompone la señal en su espectro de frecuencias, y cada defecto mecánico —desequilibrio, desalineación, holgura, defecto de pista de rodamiento— deja una firma característica en frecuencias concretas. Detectar el armónico anómalo es, literalmente, oír la avería antes de que ocurra.
La arquitectura recoge estos datos en el edge (procesamiento cercano a la máquina para reducir latencia y ancho de banda), los normaliza y los envía a una plataforma donde se entrena y sirve el modelo. La sincronización temporal y la calidad del muestreo son críticas: un acelerómetro mal montado o submuestreado produce datos basura, y ningún algoritmo recupera información que el sensor no capturó.
Los modelos: de la anomalía no supervisada a la estimación de RUL
Hay tres familias de enfoques según los datos disponibles. La detección de anomalías no supervisada (Isolation Forest, autoencoders) se usa cuando hay muchos datos de operación normal pero pocos ejemplos de fallo —el caso más habitual en planta, porque las máquinas, afortunadamente, fallan poco—. La clasificación supervisada identifica el tipo de fallo cuando se dispone de históricos etiquetados. Y la regresión de RUL, a menudo con redes recurrentes LSTM o modelos de secuencias, estima cuántos ciclos quedan; es la corona del PdM porque convierte la alerta en una ventana de planificación.
El reto de fondo es el desbalanceo de clases: si solo el 0,1% de las muestras corresponden a fallo, un modelo que prediga siempre "todo bien" acierta el 99,9% y es inútil. Por eso en PdM no se mira la accuracy, sino la precisión y la exhaustividad (recall) sobre la clase minoritaria, y se equilibra el coste de un falso negativo (parada catastrófica) frente al de un falso positivo (mantenimiento innecesario).
De la predicción al retorno: cómo se justifica el proyecto
Un sistema predictivo se paga con la reducción de paradas no planificadas, pero su justificación económica debe construirse con métricas operativas reconocibles. La de referencia es el OEE (Overall Equipment Effectiveness, eficiencia global del equipo), que multiplica disponibilidad, rendimiento y calidad; el mantenimiento predictivo ataca directamente la disponibilidad al recortar el tiempo de parada imprevista. Junto al OEE se siguen dos indicadores clásicos de fiabilidad: el MTBF (Mean Time Between Failures, tiempo medio entre fallos), que mide cada cuánto falla un activo, y el MTTR (Mean Time To Repair, tiempo medio de reparación), que mide cuánto se tarda en devolverlo a servicio. El PdM busca subir el MTBF al evitar fallos prematuros y reducir el MTTR al convertir una urgencia en una intervención planificada con repuesto y técnico disponibles.
El caso de negocio se cuantifica comparando el coste evitado —horas de parada por el coste/hora de la línea, más daños secundarios y penalizaciones por incumplimiento de entregas— frente al coste de implantación: sensorización, plataforma, integración con el GMAO (sistema de gestión de mantenimiento asistido por ordenador) y el esfuerzo de ciencia de datos. La trampa habitual es prometer ahorros antes de tener una línea base medida: sin conocer el OEE y el coste real de las paradas actuales, no hay forma honesta de demostrar la mejora. Por eso el primer entregable de un proyecto de PdM no es un modelo, es la línea base instrumentada.
Tabla comparativa de estrategias de mantenimiento
| Estrategia | Disparador | Riesgo principal | Coste |
|---|---|---|---|
| Correctivo (run-to-failure) | El fallo ya ocurrió | Parada no planificada, daño en cascada | Bajo hasta que falla; muy alto al fallar |
| Preventivo (por calendario) | Intervalo fijo de tiempo/ciclos | Sustituir piezas sanas; mortalidad infantil | Medio, con desperdicio de vida útil |
| Predictivo (CBM + IA) | Condición real / RUL estimada | Falsos negativos si el modelo es débil | Alto en implantación; bajo en operación |
| Prescriptivo | Predicción + recomendación de acción | Dependencia de datos y orquestación | El más alto; máximo retorno potencial |
Normativa aplicable: del AI Act a las normas ISO de mantenimiento
Un sistema predictivo industrial opera dentro de un marco normativo creciente. El Reglamento Europeo de Inteligencia Artificial (AI Act, Reglamento (UE) 2024/1689) clasifica los sistemas por riesgo; la mayoría de las aplicaciones de mantenimiento predictivo encajan como riesgo limitado o mínimo, pero si el sistema participa en la seguridad de una máquina cubierta por legislación de armonización (el nuevo Reglamento de Máquinas (UE) 2023/1230), puede entrar en la categoría de alto riesgo, con obligaciones de gestión de riesgos, calidad de datos, documentación técnica, supervisión humana y robustez. A esto se suma la familia ISO de gestión de activos (ISO 55000) y las normas de monitorización de condición de maquinaria (serie ISO 13374 y ISO 17359), que estandarizan cómo se procesa la señal y se genera el diagnóstico. Ignorar este marco no es solo un riesgo legal: la trazabilidad y la calidad de datos que exige la norma son, además, lo que hace fiable al modelo.
Errores comunes en proyectos de mantenimiento predictivo
- Empezar por el algoritmo y no por el sensor. Sin telemetría de calidad y bien sincronizada, el mejor modelo predice ruido.
- Optimizar la accuracy con clases desbalanceadas. La métrica engañosa esconde un modelo que nunca detecta el fallo real.
- No definir el coste asimétrico. Un falso negativo (rotura) y un falso positivo (mantenimiento de más) no cuestan lo mismo; el umbral debe reflejarlo.
- Olvidar el reentrenamiento. Las máquinas envejecen y cambian de régimen; un modelo congelado se degrada (data drift) y pierde fiabilidad.
- Saltarse la supervisión humana. El AI Act y el sentido común exigen que un técnico valide las recomendaciones críticas antes de actuar sobre un activo de seguridad.
Preguntas frecuentes
¿Qué diferencia hay entre mantenimiento preventivo y predictivo?
El preventivo interviene por calendario o ciclos fijos, independientemente del estado real del equipo. El predictivo interviene en función de la condición medida y la vida útil remanente estimada, evitando tanto las roturas como las sustituciones innecesarias.
¿Qué es la RUL?
La Remaining Useful Life o vida útil remanente es la estimación del tiempo, ciclos u horas que un activo puede seguir operando antes de degradarse por debajo de un umbral aceptable. Es el objetivo de los modelos de regresión en PdM.
¿Por qué el análisis de vibración es tan importante?
Porque en máquinas rotativas cada defecto mecánico deja una firma característica en frecuencias concretas. La transformada de Fourier permite aislar esos armónicos y diagnosticar el problema —desequilibrio, desalineación, defecto de rodamiento— antes de que produzca un fallo visible.
¿El mantenimiento predictivo entra en el AI Act?
Depende del uso. Muchas aplicaciones son de riesgo limitado, pero si el sistema interviene en la seguridad de una máquina regulada puede clasificarse como alto riesgo, con obligaciones de gestión de riesgos, calidad de datos, documentación y supervisión humana.
Conclusión
El mantenimiento predictivo no es un proyecto de inteligencia artificial, es un proyecto de ingeniería de datos industriales en el que el modelo es solo la última capa. Su valor real nace antes del algoritmo: en un acelerómetro bien montado, en una telemetría sincronizada y en una definición honesta del coste de equivocarse en cada sentido. Cuando esa base está bien puesta, la regresión de RUL transforma una alerta en una ventana de planificación que el jefe de planta puede gestionar sin parar la línea. Y cuando se respeta el marco —AI Act, Reglamento de Máquinas e ISO 55000— el sistema no solo predice mejor, sino que resulta auditable y defendible. En Summum Inteligencia Artificial diseñamos esa cadena completa, del sensor al modelo y a la decisión, con la supervisión humana integrada donde la seguridad lo exige.