Mantenimiento predictivo con machine learning
Qué es el mantenimiento predictivo
El mantenimiento predictivo es una forma de organizar el mantenimiento a partir del estado real de cada equipo. En lugar de esperar a que la máquina falle o de revisarla en fechas fijas, se miden sus señales de forma continua y se interviene cuando los datos indican que algo empieza a ir mal.
Correctivo, preventivo y predictivo
- Correctivo: se repara cuando el equipo ya ha fallado. La parada no se planifica.
- Preventivo: se revisa según un calendario o un número de horas o ciclos, esté o no desgastado el equipo.
- Predictivo: se revisa cuando los datos anticipan un fallo o una degradación.
Entre el preventivo y el predictivo está el mantenimiento basado en condición, que actúa cuando una señal cruza un umbral. El predictivo va un paso más allá: usa modelos que aprenden del histórico para detectar desviaciones menos evidentes.
Cómo funciona
- Captura. Sensores y sistemas de planta registran señales como vibración, temperatura, consumo, presión o ciclos.
- Patrón normal. Con el histórico se aprende cómo se comporta el equipo cuando funciona bien.
- Detección. Un modelo de machine learning o una regla compara los datos nuevos con ese patrón y señala las anomalías que anticipan un fallo.
- Decisión. El aviso llega al equipo de mantenimiento, que prioriza la revisión. El modelo ayuda a decidir, pero no sustituye el criterio del técnico ni lanza acciones de control sin una validación adecuada.
Qué datos necesita el mantenimiento predictivo
Es la pregunta clave antes de empezar. Hace falta:
- Señales estables del equipo, registradas con su marca de tiempo y su unidad.
- Ejemplos históricos, incluidos periodos que acabaron en fallo o degradación.
- Un evento de referencia bien registrado, como las órdenes de mantenimiento con su causa.
- Una definición precisa de fallo o degradación, acordada con el equipo de mantenimiento.
Si las órdenes se cierran sin causa o los datos de parada no están normalizados, lo sensato es mejorar primero el registro de mantenimiento. Sin esa base, el modelo no tiene de qué aprender.
Un ejemplo sencillo
Una planta tiene varias bombas con sensores de vibración y temperatura. Durante meses guarda esas señales junto con las órdenes de mantenimiento. Con ese histórico se entrena un modelo que conoce el comportamiento normal de cada bomba. Cuando la vibración de una de ellas empieza a subir de forma inusual, el sistema avisa y el técnico la revisa en la siguiente parada programada, antes de que falle en plena producción.
Mantenimiento predictivo en DPI
El mantenimiento predictivo forma parte del servicio de machine learning de DPI: monitorizar equipos y maquinaria en tiempo real, detectar anomalías que anticipen fallos y reducir las paradas no planificadas. La guía de automatización de procesos industriales de DPI explica cómo encaja con el resto de la planta, del PLC y el SCADA al MES y el ERP.