Mantenimiento predictivo con IA: guía para pymes industriales

Mantenimiento predictivo significa una cosa muy concreta: anticipar el fallo de una máquina antes de que pare la línea, en vez de repararla cuando ya ha parado o cambiarla por calendario aunque siga sana. En Evicron, estudio de IA y software a medida de Barcelona, lo vemos como uno de los proyectos de IA aplicada con retorno más claro para una pyme industrial: no depende de tener un departamento de datos, y el primer resultado útil puede llegar en semanas, no en un año de “transformación digital”. Esta guía explica qué hace falta de verdad para montarlo, sin la parte de humo que suele acompañar al término.

Mantenimiento predictivo, no solo preventivo

El mantenimiento preventivo cambia una pieza a las X horas de uso o cada X meses, siga o no en buen estado; funciona, pero cambia piezas sanas y aun así deja pasar averías que no siguen el calendario. El mantenimiento predictivo usa datos de la propia máquina —vibración, temperatura, consumo eléctrico, presión, ciclos— para detectar el patrón que precede a un fallo concreto, y avisa con margen suficiente para programar la intervención en vez de sufrirla. La diferencia no es cosmética: una parada no programada en una línea de producción cuesta parar el proceso completo, reprogramar turnos y, con frecuencia, incumplir una entrega; una intervención programada con dos semanas de aviso se organiza sin ese coste.

Qué datos necesitas antes de pensar en modelos

El error más habitual es empezar por la tecnología —“queremos un modelo de IA”— en vez de por los datos. Antes de escribir una línea de código hace falta:

• Histórico de averías: qué falló, cuándo, y qué señal habría estado disponible antes de que pasara. Sin este histórico no hay nada que un modelo pueda aprender.
• Datos de sensores con continuidad: vibración, temperatura o consumo capturados de forma constante, no solo cuando alguien se acuerda de medir. Muchas máquinas ya llevan sensores de fábrica cuya salida nunca se ha registrado.
• Contexto de operación: turno, producto fabricado, carga de la máquina en ese momento. Sin contexto, el modelo confunde una vibración normal a plena carga con una señal de alarma.

Si esos tres puntos no existen todavía, el primer proyecto no es de IA: es de instrumentación y registro. Es una fase menos vistosa, pero sin ella cualquier modelo predictivo se construye sobre datos que no sirven.

Cómo funciona en la práctica

Un proyecto de mantenimiento predictivo con IA tiene, en esencia, cuatro piezas: sensores que capturan la señal de la máquina, un pipeline que limpia y almacena esos datos con continuidad, un modelo entrenado con el histórico de averías que aprende a distinguir comportamiento normal de comportamiento previo a un fallo, y una alerta que llega a quien tiene que actuar —por ejemplo, un mensaje al responsable de mantenimiento con la máquina, la señal detectada y el margen estimado antes del fallo. Lo habitual es que el modelo no sustituya el criterio del equipo de mantenimiento, sino que le dé prioridad: en vez de revisar diez máquinas por rutina, revisa la que el modelo señala.

Los errores más caros al empezar

• El piloto que nunca escala. Se monta una prueba de concepto vistosa sobre una máquina y ahí se queda, porque nadie diseñó desde el principio cómo iba a conectarse a las otras veinte. Empezar acotado está bien; empezar sin plan de escalado es tirar el trabajo.
• La plataforma cerrada. Herramientas “de mantenimiento predictivo con IA” que exigen su propio hardware propietario y no exportan los datos crudos. El día que quieres cambiar de proveedor, empiezas de cero. El histórico de sensores y averías de tu fábrica es un activo de la empresa: cualquier proyecto serio debe construirse para que ese dato siga siendo tuyo, sin lock-in.
• Demasiados sensores, poco criterio. Instrumentar toda la planta de golpe sin saber qué máquinas son realmente críticas para la producción diluye presupuesto y atención en señales que nadie va a mirar. Es mejor empezar por la máquina cuya parada más duele.

Cómo empezar sin presupuesto de gran industrial

Para una pyme, el orden que funciona es: identificar la máquina o línea cuya parada no programada resulta más cara, revisar qué datos de esa máquina ya existen (muchas veces hay más de lo que parece, atrapados en el PLC o el SCADA sin explotar), y montar un primer modelo acotado a esa máquina antes de plantear nada a escala de planta. Es el mismo criterio que aplicamos al decidir entre chatbot, agente de IA o automatización para cualquier proceso: se acota el problema real antes de elegir la herramienta. En Evicron trabajamos la IA aplicada al sector industria con ese enfoque, desde el descubrimiento gratuito hasta la integración con el SCADA o ERP que ya usa la planta, con presupuestos de IA aplicada desde 6.000 € y demo navegable en la segunda semana del proyecto.

En resumen

El mantenimiento predictivo con IA no es un proyecto de “big data” reservado a la gran industria: es, sobre todo, un proyecto de datos bien capturados y un modelo acotado a la máquina que de verdad importa. La parte técnica es la más sencilla; lo que decide si funciona es empezar por la instrumentación correcta y evitar la plataforma cerrada que te deja sin tus propios datos el día que quieras cambiar.

¿Quieres saber si tu planta ya tiene los datos necesarios para un primer piloto de mantenimiento predictivo? Escríbenos: la primera consultoría es gratuita y respondemos en menos de 24 horas.