El papel de los datos en el mantenimiento predictivo

En resumen:

El mantenimiento predictivo se basa en datos de alta calidad y sincronizados para pronosticar con precisión las fallas de los equipos y reducir el tiempo de inactividad.

Una gobernanza de datos eficaz y las auditorías continuas son esenciales para garantizar la fiabilidad y maximizar el retorno de la inversión.

El mantenimiento predictivo se define como una estrategia basada en la condición que utiliza datos en tiempo real e históricos para anticipar fallas en los equipos antes de que ocurran, reemplazando las conjeturas por evidencia. El papel de los datos en el mantenimiento predictivo es suministrar el flujo de señales continuo que hace posible la previsión precisa de fallas. Las organizaciones que utilizan análisis de mantenimiento predictivo ven Reducciones del 35 al 50 % en el tiempo de inactividad no planificado y un ahorro de entre el 25 y el 35 % en costes de mantenimiento, con una extensión de la vida útil de los activos del 20 al 40 %. No se trata de una ganancia marginal, sino de un cambio estructural en la forma en que los gestores de operaciones protegen los activos de capital, que comienza íntegramente con los datos. Plataformas como Microsoft Dynamics 365 Supply Chain Management y Microsoft Fabric demuestran cómo los entornos de datos integrados convierten los datos sin procesar de los sensores en inteligencia de mantenimiento a gran escala.

Cómo la calidad y el gobierno de los datos moldean los resultados del mantenimiento predictivo

La calidad de los datos es el factor más determinante para que un programa de mantenimiento predictivo dé resultados. 60–70% de iniciativas de mantenimiento predictivo no logran alcanzar los objetivos de ROI no porque los modelos sean incorrectos, sino porque los datos subyacentes no son confiables. Esa cifra debería redefinir dónde los gerentes de operaciones invierten su atención primero.

Los problemas de datos más comunes que se encuentran en la práctica se dividen en tres categorías:

Marcas de tiempo inconsistentes. Las marcas de tiempo del historiador y del ERP/CMMS a menudo difieren por minutos, lo que hace imposible alinear las lecturas de los sensores con los eventos de mantenimiento. Un almacén de señales alineado en el tiempo no es opcional. Es la base para cualquier consulta significativa a través de los flujos de datos.
Auditoría deficiente de los registros de mantenimiento. Los registros de mantenimiento no se auditan en muchas organizaciones, y los diagnósticos erróneos aparecen en una de cada cuatro etiquetas de fallo. Cuando los modelos supervisados se entrenan con datos de fallos mal etiquetados, aprenden señales incorrectas y producen predicciones poco fiables. El modelo es tan confiable como los registros de los que aprende.
Ausencia de taxonomías de modos de fallo. Sin un vocabulario coherente para clasificar las fallas, los datos del GMAO se vuelven fragmentados e incomparables entre activos, sitios o períodos de tiempo.

Más allá de estos problemas técnicos, la brecha entre los equipos de tecnología de operaciones (OT) y tecnología de la información (IT) genera fallas persistentes en la gobernanza de datos. Los datos de los sensores residen en el dominio de OT. Los registros de mantenimiento y las órdenes de trabajo residen en el dominio de IT. Sin contratos de datos entre los equipos de OT e IT que definan el esquema, la frecuencia y las reglas de validación, el rendimiento del modelo se degrada silenciosamente a medida que los flujos de datos se desvían.

Consejo profesional: Audite sus registros del CMMS y la sincronización del historiador al menos trimestralmente. Corrija las desalineaciones de marcas de tiempo y vuelva a etiquetar los eventos de falla ambiguos antes de reentrenar cualquier modelo predictivo. Los datos limpios producen un ROI más rápido y confiable que cualquier actualización de algoritmos.

¿Qué tipos de datos son más valiosos para el mantenimiento predictivo?

No todos los datos contribuyen por igual a la predicción de fallos. Comprender qué fuentes tienen mayor peso diagnóstico ayuda a los gestores de operaciones a priorizar la inversión en sensores y a evitar la recopilación de datos que añaden ruido sin aportar información útil.

Tipo de dato	Ejemplos	Valor predictivo	Modos de fallo comunes detectados
Mecánico	Vibración, emisión acústica	Alta	Desgaste de rodamientos, desequilibrio, desalineación
Térmico	Temperatura infrarroja, temperatura del refrigerante	Alta	Sobrecalentamiento, fallo del aislamiento
Eléctrico	Forma de onda de corriente y voltaje, armónicos	Muy alto	Fallas del motor, problemas de suministro, degradación del bobinado
Contexto operacional	Estado de carga, tasa de producción, recuento de ciclos	Medio	Falsas alertas por variación operativa normal
Estados de proceso	Presión, flujo, calidad del fluido	De medio a alto	Cavitación de bombas, desgaste de válvulas, contaminación

La categoría más subestimada sistemáticamente en el diagnóstico de mantenimiento es la de los datos de suministro eléctrico. Los datos de suministro eléctrico, como la frecuencia, el desequilibrio de fases y los armónicos, se pasan por alto de forma rutinaria; sin embargo, la monitorización de estos parámetros suele resolver fallos a nivel de suministro, evitando sustituciones innecesarias de equipos. El análisis de la firma de corriente del motor es especialmente potente porque permite el diagnóstico simultáneo de problemas mecánicos, eléctricos y operativos a partir de un único punto de medición. Dicha eficiencia la convierte en una de las fuentes de datos de mayor valor disponibles para los equipos de mantenimiento.

Los datos de contexto operacional merecen la misma atención, aunque por un motivo diferente. Sin saber si una máquina estaba funcionando a plena carga o en modo de espera, un pico de temperatura parece un fallo cuando puede ser completamente normal. Los datos de contexto evitan falsas alarmas, que erosionan la confianza del técnico en el sistema y reducen el valor práctico de cualquier programa predictivo.

Consejo profesional: Si comienza con una infraestructura de sensores limitada, priorice el monitoreo eléctrico a nivel de máquina. Los datos de las formas de onda de corriente y voltaje de un solo punto pueden revelar fallas mecánicas, eléctricas y relacionadas con el suministro simultáneamente, lo que le brinda la mayor cobertura de diagnóstico por sensor instalado.

Cómo las técnicas de análisis utilizan los datos para mejorar las decisiones de mantenimiento

El papel de la analítica en el mantenimiento es convertir flujos de datos brutos en predicciones jerarquizadas y con plazos determinados sobre las que los equipos de operaciones puedan actuar. El resultado más utilizado es la predicción de la vida útil restante (RUL), que estima cuánto tiempo puede seguir funcionando un activo antes de alcanzar un umbral de fallo definido. Los modelos de RUL requieren flujos de datos multimodales sincronizados incluyendo lecturas de vibración, corriente, térmicas y estados de proceso. Sin una alineación temporal entre estos flujos, incluso los modelos de aprendizaje profundo sofisticados producen resultados poco fiables.

Vale la pena comprender varios enfoques analíticos en términos prácticos:

Aprendizaje automático supervisado entrena con datos históricos de fallas etiquetadas para clasificar los estados actuales de los activos. Su precisión depende enteramente de la calidad y exhaustividad de los registros de mantenimiento pasados.
Agrupamiento y métodos no supervisados agrupar los activos por estado de degradación sin requerir fallos etiquetados. Esto es particularmente útil cuando el historial de fallos es escaso o se registra de forma inconsistente.
Modelos de aprendizaje profundo como las redes neuronales convolucionales y las redes neuronales recurrentes extraen patrones temporales complejos de datos de sensores de alta frecuencia. Sin embargo, el aprendizaje profundo por sí solo no elimina la necesidad de gobernanza de señales. La sofisticación del modelo no puede compensar una mala calidad de datos en las etapas iniciales.
Redes Generativas Antagonistas (GANs) abordar una restricción práctica común: los eventos de falla reales son raros, por lo que los conjuntos de datos de entrenamiento son pequeños. Las GAN generan datos de falla sintéticos para aumentar los conjuntos de entrenamiento, mejorando el rendimiento del modelo sin tener que esperar años para que ocurran eventos de falla adicionales.

Uno de los avances operacionalmente más significativos en el análisis predictivo en el mantenimiento es mantenimiento oportunista, el cual agrupa componentes con estados de degradación similares para un mantenimiento conjunto. En lugar de programar cada activo individualmente, este enfoque agrupa los activos que se acercan a umbrales de falla similares y les da mantenimiento juntos, lo que reduce los costos laborales y las interrupciones de la producción. La verdadera eficiencia de mantenimiento va más allá de las predicciones aisladas hacia una programación coordinada y consciente del riesgo que tiene en cuenta las ventanas de producción, la disponibilidad de repuestos y la capacidad de los técnicos.

Supervisar el ciclo de vida de los datos e implementar prácticas de MLOps son lo que separa a los pilotos que tienen éxito de aquellos que se estancan después de seis meses. Un programa de mantenimiento predictivo no es un despliegue de modelo de una sola vez. Es una arquitectura continua que requiere gobernanza de datos, calendarios de reentrenamiento de modelos y seguimiento del rendimiento.

Consejo profesional: Trate su programa de mantenimiento predictivo como un producto con un ciclo de vida, no como un proyecto con una fecha límite. Asigne la responsabilidad de las tuberías de datos y las métricas de rendimiento de los modelos a personas específicas, y programe revisiones trimestrales de la precisión de las alertas en comparación con los resultados reales de los fallos.

Estrategias prácticas para que los gerentes de operaciones aprovechen los datos eficazmente

Traducir los principios de calidad de datos a la práctica operativa diaria requiere un enfoque estructurado. Los siguientes pasos reflejan lo que separa consistentemente a las estrategias de mantenimiento basadas en datos exitosas de aquellas que se estancan en la etapa piloto.

Audita los registros de mantenimiento antes de construir cualquier modelo. Revisa los datos del CMMS de los últimos 12 a 24 meses. Identifica clasificaciones de fallas inconsistentes, marcas de tiempo faltantes y activos sin historial de fallas registrado. Un conjunto de datos que combine largas horas de funcionamiento con eventos de fallas etiquetados es mucho más potente que un conjunto de datos grande pero sin etiquetar.
Establecer contratos de datos entre los equipos de TO y TI. Define el esquema, la frecuencia de actualización y las reglas de validación para cada fuente de datos que alimenta el modelo predictivo. Revisa estos contratos cuando se actualice el firmware de los sensores, cambien los procesos de producción o se pongan en marcha nuevos activos.
Centralizar los datos en una plataforma integrada. Plataformas como Microsoft Fabric permiten la gestión integral de activos y el análisis mediante la unificación de datos de historiales, registros de sistemas de gestión de mantenimiento (CMMS) y resultados de sistemas de planificación de recursos empresariales (ERP) en un único entorno consultable. Esto elimina la reconciliación manual que consume el tiempo de los analistas e introduce errores.
Fomenta la responsabilidad interdisciplinaria. Los equipos de operaciones, mantenimiento y datos poseen cada uno una parte del panorama. Los técnicos de mantenimiento entienden los modos de falla. Los ingenieros de datos entienden la integridad de los gasoductos. Los gerentes de operaciones entienden las restricciones de producción. Las decisiones tomadas sin las tres perspectivas producen modelos que son técnicamente correctos pero operativamente impracticables.
Mide la calidad de los datos como un KPI. Realice un seguimiento de las tasas de alineación de marcas de tiempo, la integridad de las etiquetas y el tiempo de actividad de los sensores junto con los KPI de mantenimiento tradicionales, como el tiempo medio entre fallos (MTBF) y el tiempo medio de reparación (MTTR). Los equipos que consideran la calidad de los datos como un resultado mensurable experimentan reducciones del 45% en las fallas inesperadas en comparación con aquellos que no lo hacen.

Para los directores de operaciones que exploran cómo se aplican estos principios a clases de activos específicas, la guía de Fullyops sobre mantenimiento predictivo fiabilidad proporciona un contexto práctico sobre la reducción del tiempo de inactividad mediante estrategias de datos estructurados.

Consejo profesional: Prioriza la calidad de los datos sobre el volumen de datos. Un conjunto de datos limpio que cubra 18 meses de una clase de activo superará a un conjunto de datos mal etiquetado que cubra cinco años en toda una instalación. Empieza de forma limitada, valida a fondo y luego escala.

Principales conclusiones

La calidad de los datos, y no la sofisticación del modelo, determina si el mantenimiento predictivo ofrece un ROI mensurable, y los gestores de operaciones que tratan la gobernanza de datos como un activo de mantenimiento por derecho propio superan sistemáticamente a los que no lo hacen.

Punto	Detalles
La calidad de los datos impulsa el ROI	Del 60 al 70 % de los fallos de mantenimiento predictivo se deben a datos deficientes, no a modelos defectuosos.
Los datos eléctricos están infravalorados	El monitoreo de las formas de onda de corriente y voltaje diagnostica fallas mecánicas, eléctricas y de suministro desde un solo punto de medición.
La alineación de marcas de tiempo no es negociable	Las marcas de tiempo del CMMS y del historiador deben estar sincronizadas para construir flujos de datos multimodales confiables.
El mantenimiento oportunista reduce los costos	Agrupar activos por estado de degradación para el mantenimiento conjunto reduce la mano de obra y las interrupciones de la producción.
MLOps mantiene el rendimiento	El mantenimiento predictivo requiere una gobernanza de datos continua y un reentrenamiento de modelos, no un único despliegue.

Por qué la gobernanza de datos es la habilidad de mantenimiento que la mayoría de los equipos subestima

Habiendo trabajado estrechamente con equipos de operaciones y mantenimiento en entornos industriales, el patrón que observo con más consistencia es este: las organizaciones invierten mucho en hardware de sensores y plataformas de analítica, y luego subestiman el trabajo poco atractivo de gobernar los datos que producen esos sistemas.

El instinto es comprensible. Los sensores y el software son visibles, se pueden comprar y son fáciles de presentar en un caso de negocio. La gobernanza de datos se siente abstracta hasta que un modelo predictivo comienza a generar alertas en las que los técnicos ya no confían. En ese punto, la inversión en hardware y software queda efectivamente inmovilizada.

Lo que he descubierto es que los equipos que logran los mejores resultados tratan los datos como un activo de mantenimiento por derecho propio. Programan auditorías de datos de la misma manera que programan inspecciones de equipos. Asignan responsabilidades de administración de datos a personas nombradas, no al “equipo de TI” como un colectivo. Y aceptan que construir una base de datos confiable es un proceso incremental. No se necesitan datos perfectos para empezar. Se necesitan datos lo suficientemente buenos como para generar una primera predicción confiable, y luego mejorar a partir de ahí.

También vale la pena destacar el punto de colaboración interdisciplinaria. El modelo más sofisticado técnicamente que he visto fallar en la práctica lo hizo porque los técnicos de mantenimiento que debían actuar según sus alertas nunca habían participado en la definición de cómo era realmente un fallo. Su conocimiento institucional nunca quedó plasmado en los datos de entrenamiento. Cerrar esa brecha no es un problema de ciencia de datos. Es un problema de personas y procesos, y tiene solución completa con el compromiso organizativo adecuado.

— Pedro

Cómo Fullyops admite el mantenimiento predictivo basado en datos

Fullyops está diseñado para gerentes de operaciones que necesitan más que un sistema de órdenes de trabajo. La plataforma integra gestión de activos y análisis en un entorno único, brindando a los equipos de mantenimiento visibilidad en tiempo real sobre el estado de los activos, el historial de intervenciones y las tendencias de rendimiento. Para los equipos que trabajan en mejorar su base de datos, Fullyops ofrece de forma estructurada orientación sobre la asignación de recursos que alinea la programación del mantenimiento con los datos de condición de los activos. Ya sea que esté construyendo su primer programa de mantenimiento predictivo o ampliando uno existente, Fullyops ofrece la infraestructura operativa para conectar las mejoras en la calidad de los datos directamente con los resultados del mantenimiento. Visite fullyops.com para explorar cómo la plataforma apoya sus objetivos de confiabilidad de activos.

PREGUNTAS FRECUENTES

¿Cuál es el papel de los datos en el mantenimiento predictivo?

Los datos proporcionan los flujos de señales en tiempo real y históricos que los modelos de mantenimiento predictivo utilizan para pronosticar las fallas de los equipos antes de que ocurran. Sin datos de calidad de los sensores, los registros del CMMS y los sistemas operativos, no es posible realizar una predicción precisa de las fallas.

¿Por qué la mayoría de los programas de mantenimiento predictivo no logran ofrecer un retorno de inversión (ROI)?

Del 60 al 70% de las iniciativas de mantenimiento predictivo no alcanzan sus objetivos de ROI debido a la mala calidad de los datos en lugar de a la imprecisión de los modelos. Las causas más comunes son etiquetas de fallos incoherentes, marcas de tiempo desalineadas entre los sistemas históricos y los CMMS, y la ausencia de contratos de gobernanza de datos entre los equipos de TO y TI.

¿Qué fuentes de datos son más valiosas para el mantenimiento predictivo?

Los datos de suministro eléctrico, que incluyen la forma de onda de la corriente, el voltaje, el balance de fases y los armónicos, se encuentran entre los más valiosos y los más infrautilizados. Los datos de vibración, térmicos y de contexto operativo también son fundamentales, en particular cuando se sincronizan en un almacén de datos unificado y alineado en el tiempo.

¿Cómo utiliza el mantenimiento oportunista los datos para reducir costos?

El mantenimiento oportunista utiliza datos del estado de degradación para agrupar los activos que se acercan a umbrales de fallo similares y repararlos conjuntamente. Esto reduce el número de interrupciones de la producción y disminuye los costes de mano de obra en comparación con la programación de cada activo de forma individual.

¿Con qué frecuencia se deben auditar los datos de mantenimiento?

Los registros de mantenimiento y la sincronización del historiador deben auditarse al menos trimestralmente. La precisión de las etiquetas, la alineación de las marcas de tiempo y el tiempo de actividad de los sensores deben rastrearse como KPI formales junto con el MTBF y el MTTR para mantener el rendimiento del modelo predictivo a lo largo del tiempo.