El mantenimiento predictivo en fabricación usa datos actuales e históricos del estado del equipo para estimar fallos o degradación y apoyar una decisión antes de que la pérdida sea inaceptable. A diferencia del mantenimiento preventivo por intervalo fijo, responde a la condición medida o pronosticada. Un programa completo necesita sensores fiables, evidencia de mantenimiento etiquetada, umbrales de decisión, una intervención viable y prueba del resultado productivo.
Alertas según condición
Evidencia explicable de fallo
Mantenimiento consciente de producción
Distingue predictivo, preventivo y basado en condición
El reactivo actúa tras el fallo; el preventivo sigue calendario o uso; el basado en condición usa un umbral; el predictivo estima la evolución futura y la ventana de acción.
Usa el método más simple que mejore la decisión. La IA merece la pena cuando interactúan varias señales, la degradación depende de carga o producto, o hace falta avisar antes que una alarma.
- Modo de fallo y consecuencia
- Firma detectable de degradación
- Horizonte útil de aviso
- Acción disponible en ese plazo
Construye una canalización preparada para decidir
Elige señales desde el modo de fallo: vibración, temperatura, corriente, presión, acústica, lubricación, alarmas, ciclo o calidad. Añade velocidad, carga, receta, producto, ambiente y mantenimiento reciente.
Sincroniza reloj e identidad entre PLC, sensores, historiador, CMMS y MES. Conserva datos crudos, transformaciones, ausencias, reparaciones y hallazgos confirmados.
- Sensores y contexto de muestreo
- Estado, carga, receta y producto
- Alarmas, inspecciones, reparaciones y sustituciones
- Confirmación de fallo y evidencia posterior
Evalúa el modelo como política operativa
La exactitud no basta. Los falsos negativos permiten fallos; los falsos positivos desperdician piezas y paradas. Mide precisión, recall, anticipación, calibración y deriva por máquina y régimen.
Evalúa también producción y calidad. Un modelo algo menos preciso puede ser mejor si avisa dentro de una ventana realmente utilizable.
Prueba el momento de intervenir en contexto
La predicción de salud no elige por sí sola el mejor momento. Considera repuestos, mano de obra, acceso, seguridad, cambios, buffers, demanda y restricción. Simula políticas de continuar, inspeccionar, reducir carga o reparar.
Define escalado y revisión humana. Registra por qué se acepta, aplaza o rechaza cada alerta para mejorar la política.
- Detecta
Encuentra una desviación fiable.
- Diagnostica
Vincúlala con modos de fallo plausibles.
- Pronostica
Estima el horizonte con incertidumbre.
- Planifica
Compara intervención, producción y riesgo.
- Verifica
Inspecciona y confirma el resultado.
Pilota con alcance estrecho y escala el valor
Elige un fallo relevante y detectable en un activo conocido. Mide paradas, coste, falsas alarmas, calidad e impacto productivo antes del piloto. Ejecuta primero en modo sombra.
Escala cuando datos, dueño de alerta, respuesta, ciberseguridad y cálculo de valor sean repetibles. Una alerta sin responsable es solo otro dashboard.
Lista práctica
- Elige un fallo con degradación detectable.
- Define decisión, horizonte y acción.
- Añade carga, producto, estado y mantenimiento.
- Crea etiquetas verificadas de fallo y salud.
- Evalúa falsas alarmas, fallos omitidos y anticipación.
- Prueba el momento frente a producción, seguridad y calidad.
- Pilota en modo sombra y asigna cada alerta.
Preguntas frecuentes
Preguntas antes de unirte
Fuentes y lecturas
Referencias autorizadas utilizadas para investigar y verificar esta guía.
- NISTMonitoring, Diagnostics and Prognostics for Manufacturing Operations
- NISTSimulation-Based Assessment of Condition Monitoring-Enabled Maintenance
- U.S. Department of EnergyOperations & Maintenance Best Practices Guide
- ISOISO 13374-1: Condition monitoring and diagnostics of machines
- NIST2026 Roadmap on Artificial Intelligence and Machine Learning for Smart Manufacturing