El mantenimiento predictivo es la evolución natural del preventivo. En vez de cambiar un rodamiento por calendario te toque o no, lo cambias cuando los datos del sensor te dicen que el fallo se acerca. En teoría, eliminas mantenimiento innecesario y previenes averías inesperadas a la vez. Suena perfecto.
En la práctica, la mayoría de empresas que compran sensores IoT nunca sacan datos procesables de ellos. La brecha entre un piloto exitoso y el despliegue en producción es donde mueren los proyectos. Se instalan sensores, se montan dashboards y luego nadie sabe qué hacer con los datos. O la calidad de esos datos es demasiado baja para actuar.
Si eres responsable de mantenimiento, ingeniero de fiabilidad o director de operaciones y quieres implementar mantenimiento predictivo con IoT que funcione de verdad (no un proyecto vitrina para impresionar visitas que no reduce paradas), sigue leyendo.
Basado en Condición vs Predictivo: Primero Aclara los Términos
El sector usa mantenimiento predictivo (PdM) y basado en condición (CBM) como si fueran lo mismo. No lo son. Entender la diferencia te ahorra comprar tecnología más sofisticada de la que necesitas.
El mantenimiento basado en condición activa una acción cuando la lectura de un sensor cruza un umbral definido. Un sensor de vibración en una bomba detecta que la amplitud supera 8 mm/s y la orden de trabajo se crea sola. La lógica es simple: valor del sensor cruza umbral, se actúa. No hace falta machine learning.
El mantenimiento predictivo usa datos históricos de sensores y modelos de machine learning para predecir cuándo va a ocurrir un fallo. No solo que se ha cruzado un umbral, sino que el rodamiento probablemente fallará en los próximos 14 días según la tasa de cambio en la firma de vibración. Eso requiere meses de datos de referencia, historial de fallos para entrenar el modelo y trabajo continuo de data science.
La cosa es que la mayoría de empresas que creen necesitar predictivo realmente necesitan primero el basado en condición. El CBM se consigue con sensores comerciales y reglas básicas de CMMS. El PdM completo requiere infraestructura de datos y normalmente un partner especialista. Empieza con CBM. Cuando funcione bien, tendrás la base para dar el salto al predictivo real.
¿Qué Activos Vale la Pena Monitorizar con IoT?
No todos los activos justifican monitoreo IoT continuo. El cálculo de ROI es directo: coste del sensor + conectividad + infraestructura de análisis frente al coste de un fallo inesperado.
Los equipos rotativos son el objetivo de mayor valor. Motores, compresores, ventiladores y bombas muestran firmas de fallo en vibración y temperatura semanas antes de reventar. Un rodamiento empezando a fallar muestra más vibración a frecuencias específicas mucho antes de que se agarrote.
Los equipos HVAC críticos, sobre todo donde el fallo tiene implicaciones de proceso o normativas, son la segunda categoría estrella. Compresores de enfriadoras, torres de refrigeración y UTAs en salas blancas, farmacéuticas u hospitales tienen costes de fallo que van mucho más allá de la propia reparación.
Los equipos de producción con repuestos de plazo largo son otro candidato claro. Si una caja de engranajes crítica tarda 14 semanas en llegar, saber que se acerca al fallo con 3 semanas de margen cambia radicalmente tus opciones. La inversión en sensores se paga sola con los costes de compra de emergencia que te ahorras.
¿Y los que NO merecen IoT? Los activos con costes de sustitución bajos, plazos de entrega cortos o modos de fallo que los sensores no pueden detectar. Una bombilla fundida no es un problema de IoT. Una correa en V que se rompe sin aviso es un problema de inventario de repuestos, no de sensores. Aplica IoT donde el fallo sea detectable, el coste sea gordo y el plazo de respuesta cree el riesgo real.
Tipos de Sensores y Lo que Te Cuentan de Verdad
Los sensores de vibración son el caballo de batalla del mantenimiento predictivo. Acelerómetros montados en carcasas de rodamientos miden vibración en dominio temporal y frecuencial. El análisis de frecuencia (la transformada rápida de Fourier) revela defectos de rodamientos, desequilibrio, desalineación y holguras.
Los sensores de temperatura son baratos y dan cobertura amplia en cuadros eléctricos, carcasas de motores y superficies de rodamientos. Un rodamiento anormalmente caliente o una barra conductora que funciona 15 grados por encima de lo normal es un aviso temprano de fallo. Las cámaras termográficas infrarrojas sirven para inspecciones de cuadros grandes sin contacto.
Los sensores de corriente en entradas de motores detectan degradación del aislamiento del bobinado, fallos en barras del rotor y cambios de carga que señalan problemas en los equipos accionados. Una bomba cavitando muestra una firma de corriente característica. Una caja de engranajes con un fallo en desarrollo cambia el patrón de carga del motor.
Los sensores de ultrasonidos captan sonido de alta frecuencia de fugas de gas o vapor, fallos incipientes de rodamientos y arcos eléctricos. Son especialmente útiles para componentes inaccesibles donde no puedes montar un sensor de contacto.
El análisis de aceite no es IoT en tiempo real, pero merece mención. Enviar muestras de aceite a laboratorio periódicamente revela partículas metálicas (desgaste interno), contaminación por agua, agotamiento de aditivos y cambios de viscosidad. Para grandes cajas de engranajes, compresores y turbinas, es el método de predicción de fallos más fiable que existe.
Plataformas CMMS con Integración IoT Nativa
Un sensor que genera una alerta que luego un técnico convierte a mano en orden de trabajo no es un sistema de mantenimiento predictivo. Es un dashboard con pasos extra. El valor del IoT en mantenimiento viene de la creación automática de órdenes de trabajo activadas por condiciones del sensor, con los datos del sensor adjuntos para que el técnico los revise al llegar.
IBM Maximo se integra con Watson IoT Platform e ingiere datos de cualquier fuente IoT para activar órdenes de trabajo, reglas de monitoreo y cálculos de salud de activos. Si ya usas Maximo, la extensión IoT es el camino natural.
Facilio se construyó desde cero para gestión de edificios e instalaciones conectados por IoT. Su capa de integración de sensores es más flexible que la de Maximo para sistemas de edificios, y la lógica de activación de órdenes de trabajo es más sencilla de configurar.
Fiix CMMS tiene un módulo de órdenes de trabajo activadas por sensores que funciona con plataformas IoT industriales comunes. Más accesible que Maximo para fabricantes medianos y con buen historial en alimentación, farmacéutica y fabricación general.
El módulo IoT de Infraspeak conecta con sistemas de automatización de edificios y sensores ambientales habituales en instalaciones comerciales e industriales de España y Portugal. Su flujo de alerta a orden de trabajo es directo, y los técnicos reciben las órdenes activadas por IoT en el móvil.
HxGN EAM soporta integración IoT industrial a través de su módulo de monitoreo de condición, con fuerza en energía, utilities, minería y entornos industriales pesados donde EAM ya es el estándar.
Tus Primeros 90 Días: Un Plan Realista
Mes uno: identifica tus activos piloto y establece referencias. Elige 3-5 activos, no veinte. Equipos donde tengas historial de fallos, donde las consecuencias del fallo sean gordas y donde puedas acceder a los puntos de montaje. Instala los sensores, verifica que transmiten datos y dedica las dos primeras semanas solo a observar los datos de referencia. Sin hacer nada más.
Este período de referencia es el paso que la mayoría de implementaciones se salta. No puedes poner umbrales de alerta que tengan sentido sin saber cómo es la normalidad. Un motor que vibra a 6 mm/s bajo carga normal necesita un umbral diferente al que vibra a 2 mm/s. La referencia establece el rango normal para cada activo concreto.
Mes dos: validación. Inspecciona físicamente los activos piloto según el calendario que usarías en tu programa preventivo. Compara lo que dicen los sensores con lo que revela la inspección física. Si los sensores dan normal y la inspección muestra desgaste, la colocación o sensibilidad del sensor necesita ajuste. Si los sensores saltan y la inspección no muestra nada, tus umbrales están demasiado finos.
Mes tres: aquí construyes las reglas de alerta y conectas las condiciones del sensor a la creación de órdenes de trabajo en el CMMS. Con dos meses de datos de referencia y validación, ya puedes poner umbrales que reflejen el comportamiento real del activo. Configura las reglas en el CMMS, asigna las órdenes activadas al técnico correcto y ejecuta el sistema en paralelo con tu programa preventivo actual durante un mes antes de confiar en él como trigger principal.
Por Qué Fracasan la Mayoría de Proyectos IoT y Cómo Evitarlo
La razón número uno de fracaso: los datos del sensor nunca se conectan con una acción de mantenimiento. Los sensores generan datos. Los datos generan alertas. Las alertas van a dashboards que nadie mira con suficiente frecuencia para reaccionar a tiempo. Y cuando un técnico responde, no tiene contexto: solo un número de alerta sin historial, sin lecturas previas, sin pista de qué hacer.
El segundo fallo clásico es el alcance. Un director de planta ve la presentación de un proveedor con 200 sensores para toda la instalación y quiere hacerlo todo a la vez. Desplegar 200 sensores en 90 días es un problema de gestión de proyectos disfrazado de problema tecnológico. Empieza con 5 sensores en 3 activos. Haz que funcionen de punta a punta: datos del sensor, orden de trabajo automática, respuesta del técnico, cierre con hallazgos registrados en el historial del CMMS. Después escala.
Los programas que tienen éxito con IoT no son los que tienen más sensores. Son los que conectan cada dato del sensor con una acción de mantenimiento registrada en el CMMS. Así de claro.