IA predictiva en mantenimiento: prolongar la vida útil de tus equipos

«Mantenimiento predictivo» es una de las expresiones más manoseadas del sector. Se emplea para vender casi cualquier cosa, desde el sensor hasta el panel de control, con la promesa implícita de una máquina que sabría de antemano cuándo va a fallar un equipo.

La realidad es a la vez más modesta y más útil: la IA predictiva no adivina el futuro, lee una tendencia y deduce de ella un plazo. Y eso es precisamente lo que necesita un responsable de mantenimiento, no para hacer de adivino, sino para intervenir en el momento justo y evitar dos errores costosos: sustituir demasiado pronto, o demasiado tarde.

Este artículo explica lo que la IA predictiva en mantenimiento hace realmente sobre datos industriales, cómo ayuda a prolongar la vida útil de los equipos, y en qué condiciones cumple sus promesas.

¿Qué hace realmente la IA predictiva, y qué no hace?

Empecemos por descartar la fantasía. La IA predictiva no anuncia que un equipo va a fallar el próximo martes a las dos de la tarde.

Lo que hace un modelo es reconocer, en un historial de medidas, una tendencia de degradación, proyectarla, y estimar en qué plazo una magnitud alcanzará un umbral crítico. En concreto:

• Lo que hace: leer una trayectoria medida, prolongarla, fechar el momento en que se cruzará un umbral, y corregirse con cada nueva lectura.
• Lo que no hace: anunciar una rotura repentina, sin señales previas, a una hora precisa.

En un equipo sometido a corrosión, por ejemplo, la pregunta no es «cuándo se romperá», sino «en qué fecha el espesor residual alcanzará el límite más allá del cual el equipo no debe seguir operando».

Es una previsión basada en medidas fechadas, no una profecía. Tiene un margen de incertidumbre, que debe declararse, y se actualiza con cada nueva lectura.

Esta distinción no es un matiz de lenguaje. Una herramienta que pretende predecir lo imprevisible miente; una herramienta que proyecta una tendencia medida ayuda a decidir. La primera decepciona y desacredita el enfoque; la segunda hace ganar un tiempo considerable en decisiones que, hoy, se toman a ojo.

¿Cómo se pasa del dato de degradación a la previsión?

Una previsión vale solo lo que valen los datos que la alimentan. En mantenimiento e inspección, esta materia prima ya existe: son las medidas registradas campaña tras campaña.

Estas magnitudes resultan familiares a cualquier departamento de inspección:

• el espesor de una pared,
• la vibración de una máquina rotativa,
• una holgura mecánica,
• una temperatura.

Tomadas de forma aislada, indican el estado en un instante. Encadenadas en el tiempo, dibujan una trayectoria.

El trabajo de la IA predictiva empieza ahí: reunir estas lecturas dispersas, vincularlas al equipo correcto, reconstruir una curva, y deducir de ella una velocidad de evolución.

Es exactamente la prolongación de lo que ya se hace a mano cuando se sigue el desgaste de un equipo entre dos controles, pero aplicado a todo un parque, sin dedicarle jornadas enteras, y sin olvidar los equipos que nunca se miran porque nunca han dado problemas.

De esta trayectoria se deriva la estimación que realmente interesa a la dirección: cuánto tiempo queda antes de alcanzar el límite, es decir, lo que le queda de vida al equipo.

Donde una hoja de cálculo da una recta, un modelo bien diseñado tiene en cuenta la dispersión, las medidas atípicas, los cambios de régimen, y avisa cuando la tendencia se acelera.

¿Cómo funciona en un caso concreto, paso a paso?

Tomemos un equipo sometido a corrosión interna, seguido mediante medidas de espesor en cada parada. A continuación se explica cómo se pasa de una serie de lecturas a un plazo fechado.

Lo que la IA añade al cálculo manual no es la fórmula, es la escala y la vigilancia. Aplica este razonamiento a todos los puntos de todos los equipos, no solo a los que ya se vigilan de cerca.

Detecta el punto cuya velocidad se aparta de la de sus vecinos, aquel cuya tendencia se acelera, la medida que no encaja y merece una relectura de control. Transforma una operación que hoy solo se hace en unos pocos equipos, por falta de tiempo, en un seguimiento mantenido sobre todo el parque.

El resultado no es una decisión automática, es una lista jerarquizada:

• los equipos cuyo plazo se acerca,
• los que todavía tienen margen,
• aquellos cuyo comportamiento ha cambiado y que hay que vigilar de cerca.

El ingeniero mantiene el control, pero ya no parte de una página en blanco.

¿Cómo prolonga la IA predictiva la vida útil?

La palabra «predictiva» suele hacer pensar en «evitar la falla». Es cierto, pero es solo la mitad de la ganancia. La otra mitad, menos espectacular y a menudo más rentable, consiste en evitar la sustitución innecesaria.

• Sustituir demasiado pronto.Muchos equipos se cambian o se revisan a fondo por precaución, en un plazo fijo, cuando todavía tenían margen. Es un costo directo, y a veces una parada de producción evitable.
• Forzar demasiado.A la inversa, otros equipos se fuerzan más allá de lo razonable y fallan en servicio, con las consecuencias que ello conlleva.

Entre estos dos errores existe un buen momento para intervenir, ni demasiado pronto ni demasiado tarde, y es precisamente lo que la previsión permite aproximar.

Prolongar la vida útil no consiste, por tanto, en hacer durar un equipo más allá de lo razonable. Consiste en dejar de razonar por precaución ciega y empezar a razonar sobre el estado real: mantener cada equipo tanto tiempo como lo permitan sus medidas, y ni un día más.

En todo un parque, este desfase entre el plazo calendario y el plazo real representa un margen que pocas plantas explotan hoy, por falta de un seguimiento suficientemente fino. Es ahí donde prolongar la vida útil de los equipos deja de ser un eslogan para convertirse en una línea presupuestaria.

¿Qué muestran los casos de experiencia?

Estas ganancias no son simples promesas de folleto comercial, y es preferible apoyarse en fuentes verificables. Según un análisis de Deloitte sobre las tecnologías predictivas de mantenimiento de activos, el mantenimiento predictivo produce ganancias medibles en tres partidas:

La tabla se desplaza horizontalmente en pantallas pequeñas.

El mismo estudio cita casos concretos en lugar de promedios abstractos:

• un fabricante de productos químicos que redujo un 80 % las paradas no planificadas de sus extrusoras,
• el operador ferroviario Trenitalia, que redujo sus paradas entre un 5 y un 8 % a la vez que reducía su gasto anual de mantenimiento entre un 8 y un 10 %.

Estas cifras no se pueden trasladar tal cual: dependen de la planta, del parque y de los mecanismos de degradación, y dan un orden de magnitud, no una garantía.

Pero convergen en un punto que también confirma la investigación sobre la predicción de la vida útil residual: el interés de la previsión no radica en una tecnología espectacular, sino en la capacidad de explotar datos de condición ya disponibles para estimar lo que le queda de vida a un equipo.

¿Por qué predictivo no significa adivinar?

Conviene situar la IA predictiva dentro de la familia de las políticas de mantenimiento, porque la confusión es frecuente. Los tres grandes enfoques se distinguen por su desencadenante:

La tabla se desplaza horizontalmente en pantallas pequeñas.

La IA no inventa una cuarta categoría: hace que el mantenimiento predictivo sea practicable a gran escala, allí donde hasta ahora quedaba reservado a unos pocos equipos críticos seguidos manualmente. La distinción entre estos enfoques, y sus respectivos casos de uso, se detalla en preventivo, predictivo y por condición.

Dicho de otro modo, la IA no reemplaza tu estrategia de mantenimiento: instrumenta su parte más exigente. Tampoco decide en tu lugar.

Prepara un plazo, lo actualiza, lo justifica con medidas; la decisión de mantener, reparar o sustituir sigue siendo un acto humano, con responsabilidad, que se firma.

¿Por qué es sensible el dato de degradación?

Este es el punto que casi siempre se olvida en el entusiasmo por el predictivo. El historial de degradación de un parque no es un dato neutro: es el mapa de sus puntos débiles.

Indica:

• dónde se adelgaza la pared,
• qué equipos se acercan a su límite,
• qué paradas se perfilan.

Confiado a un servicio cloud de un tercero, este historial sale de tu planta para ser tratado en otro lugar, con todas las cuestiones de confidencialidad, dependencia y seguridad que ello plantea.

Por eso el predictivo es uno de los casos de uso donde el despliegue local cobra todo su sentido. Ejecutar el modelo sobre tu propia infraestructura, sobre tus propias lecturas, sin que salgan de ella, protege precisamente lo que el propio enfoque pone de manifiesto.

¿Qué condiciones deben cumplirse para que funcione?

La IA predictiva no es un interruptor que se acciona. Supone algunas condiciones, y es mejor mirarlas de frente.

1. La calidad del historial. Una previsión se construye sobre medidas fechadas, fiables y vinculadas al equipo correcto. Un historial disperso entre varios contratistas, referencias que cambian de un informe a otro, lecturas que faltan: otros tantos huecos que distorsionan la tendencia. El proyecto de predictivo empieza a menudo por un proyecto de puesta en orden de los datos.

2. La profundidad del historial. No se proyecta una trayectoria a partir de un único punto. Hace falta un número suficiente de lecturas a lo largo del tiempo para que se perfile una tendencia, y esta exigencia varía según el mecanismo de degradación: una corrosión lenta y regular se presta mejor a la previsión que una degradación brusca y poco frecuente.

3. La supervisión. Un modelo que proyecta una tendencia debe ser vigilado: una aceleración inesperada, un cambio de régimen, una medida atípica deben ser vistos e interpretados por alguien que conozca el equipo. El predictivo no exime de la experiencia técnica, la concentra allí donde resulta más útil.

Reunidas, estas condiciones no están fuera de alcance: la mayoría de las plantas ya disponen de la materia prima, aunque dispersa. La IA predictiva no crea el dato, revela su valor.

Y ese valor, en un parque envejecido, se traduce en equipos que se conservan más tiempo sin riesgo, y en paradas que ya no se sufren. A condición de tratarlo donde debe permanecer: en casa.