Manteniment predictiu amb IA: guia per a pimes industrials

Manteniment predictiu vol dir una cosa molt concreta: anticipar l’avaria d’una màquina abans que aturi la línia, en comptes de reparar-la quan ja s’ha aturat o canviar-la per calendari encara que estigui sana. A Evicron, estudi d’IA i programari a mida de Barcelona, ho veiem com un dels projectes d’IA aplicada amb retorn més clar per a una pime industrial: no cal tenir un departament de dades, i el primer resultat útil pot arribar en setmanes, no en un any de “transformació digital”. Aquesta guia explica què cal de debò per muntar-ho, sense la part de fum que sol acompanyar el terme.

Manteniment predictiu, no només preventiu

El manteniment preventiu canvia una peça a les X hores d’ús o cada X mesos, segueixi o no en bon estat; funciona, però canvia peces sanes i tot i així deixa passar avaries que no segueixen el calendari. El manteniment predictiu fa servir dades de la mateixa màquina —vibració, temperatura, consum elèctric, pressió, cicles— per detectar el patró que precedeix una avaria concreta, i avisa amb marge suficient per programar la intervenció en comptes de patir-la. La diferència no és cosmètica: una aturada no programada en una línia de producció suposa aturar tot el procés, reprogramar torns i, sovint, incomplir un lliurament; una intervenció programada amb dues setmanes d’avís s’organitza sense aquest cost.

Quines dades necessites abans de pensar en models

L’error més habitual és començar per la tecnologia —“volem un model d’IA”— en comptes de per les dades. Abans d’escriure una línia de codi cal:

• Historial d’avaries: què va fallar, quan, i quin senyal hauria estat disponible abans que passés. Sense aquest historial no hi ha res que un model pugui aprendre.
• Dades de sensors amb continuïtat: vibració, temperatura o consum capturats de forma constant, no només quan algú se’n recorda de mesurar. Moltes màquines ja porten sensors de fàbrica la sortida dels quals no s’ha registrat mai.
• Context d’operació: torn, producte fabricat, càrrega de la màquina en aquell moment. Sense context, el model confon una vibració normal a plena càrrega amb un senyal d’alarma.

Si aquests tres punts encara no existeixen, el primer projecte no és d’IA: és d’instrumentació i registre. És una fase menys vistosa, però sense ella qualsevol model predictiu es construeix sobre dades que no serveixen.

Com funciona a la pràctica

Un projecte de manteniment predictiu amb IA té, en essència, quatre peces: sensors que capturen el senyal de la màquina, un pipeline que neteja i emmagatzema aquestes dades amb continuïtat, un model entrenat amb l’historial d’avaries que aprèn a distingir comportament normal de comportament previ a una avaria, i una alerta que arriba a qui ha d’actuar —per exemple, un missatge al responsable de manteniment amb la màquina, el senyal detectat i el marge estimat abans de l’avaria. El més habitual és que el model no substitueixi el criteri de l’equip de manteniment, sinó que li doni prioritat: en comptes de revisar deu màquines per rutina, revisa la que el model assenyala.

Els errors més cars en començar

• El pilot que mai no escala. Es munta una prova de concepte vistosa sobre una màquina i s’hi queda, perquè ningú no va dissenyar des del principi com es connectaria a les altres vint. Començar acotat està bé; començar sense pla d’escalat és llençar la feina.
• La plataforma tancada. Eines de “manteniment predictiu amb IA” que exigeixen el seu propi maquinari propietari i no exporten les dades en brut. El dia que vols canviar de proveïdor, comences de zero. L’historial de sensors i avaries de la teva fàbrica és un actiu de l’empresa: qualsevol projecte seriós s’ha de construir perquè aquesta dada continuï sent teva, sense lock-in.
• Massa sensors, poc criteri. Instrumentar tota la planta de cop sense saber quines màquines són realment crítiques per a la producció dilueix pressupost i atenció en senyals que ningú mirarà. És millor començar per la màquina l’aturada de la qual fa més mal.

Com començar sense pressupost de gran indústria

Per a una pime, l’ordre que funciona és: identificar la màquina o línia l’aturada no programada de la qual resulta més cara, revisar quines dades d’aquesta màquina ja existeixen (sovint n’hi ha més del que sembla, atrapades al PLC o l’SCADA sense explotar), i muntar un primer model acotat a aquesta màquina abans de plantejar res a escala de planta. És el mateix criteri que apliquem en decidir entre chatbot, agent d’IA o automatització per a qualsevol procés: s’acota el problema real abans de triar l’eina. A Evicron treballem la IA aplicada al sector indústria amb aquest enfocament, des del descobriment gratuït fins a la integració amb l’SCADA o ERP que ja fa servir la planta, amb pressupostos d’IA aplicada des de 6.000 € i demo navegable la segona setmana del projecte.

En resum

El manteniment predictiu amb IA no és un projecte de “big data” reservat a la gran indústria: és, sobretot, un projecte de dades ben capturades i un model acotat a la màquina que de debò importa. La part tècnica és la més senzilla; el que decideix si funciona és començar per la instrumentació correcta i evitar la plataforma tancada que et deixa sense les teves pròpies dades el dia que vulguis canviar.

Vols saber si la teva planta ja té les dades necessàries per a un primer pilot de manteniment predictiu? Escriu-nos: la primera consultoria és gratuïta i responem en menys de 24 hores.