Casi todos los responsables de mantenimiento con los que nos sentamos empiezan la conversación igual: «sabemos que necesitamos predictivo, pero no sabemos por dónde tirar». Y tiene sentido. Hay mucho ruido alrededor de la Industria 4.0, muchos proveedores de sensores prometiendo magia y pocas guías que expliquen, sin vender humo, cómo se hace realmente el paso de un mantenimiento reactivo o preventivo a uno basado en datos.
Llevamos años acompañando a plantas de sectores muy distintos —automoción, alimentación, metalurgia, energía— en este tránsito, y si algo hemos aprendido es que el mantenimiento predictivo no se implanta de golpe. Se construye por fases, empezando pequeño y validando antes de escalar. Este artículo recoge ese recorrido, tal y como lo planteamos con nuestros clientes.
Antes de nada: ¿en qué se diferencia del preventivo?
Es la primera duda que aclaramos siempre. El mantenimiento preventivo interviene por calendario o por ciclos: cada X horas de uso o cada X meses, toca revisar o cambiar una pieza, haga falta o no. El predictivo cambia la pregunta: en lugar de «¿cuándo toca revisar?», pregunta «¿cómo está realmente el equipo ahora mismo?». Se apoya en datos reales —vibración, temperatura, consumo eléctrico, ultrasonido, partículas de desgaste— para detectar síntomas de fallo antes de que el fallo ocurra.
La diferencia no es solo técnica, es económica. Cambiar un rodamiento que todavía tenía vida útil cuesta dinero innecesario. No cambiarlo a tiempo cuesta una parada de línea. El predictivo busca el punto justo entre ambos extremos.
Paso 1. Empezar por los activos que de verdad importan
El error más habitual que vemos es querer instrumentar toda la planta desde el primer día. No funciona así, ni por presupuesto ni por gestión del cambio. Lo primero que hacemos en cualquier proyecto es sentarnos con mantenimiento y producción para identificar qué equipos son realmente críticos: aquellos cuya parada detiene una línea entera, tiene impacto en seguridad, o cuyo repuesto tarda semanas en llegar.
Ese ejercicio de priorización, que parece obvio, es el que marca si el proyecto tiene sentido de negocio o si acaba siendo un experimento tecnológico sin retorno claro.
Paso 2. Aprovechar los datos que ya existen
Aquí suele haber sorpresa. Muchas plantas ya generan una cantidad considerable de datos a través de SCADA, PLCs o el propio MES, y no siempre hace falta salir a comprar sensores nuevos para arrancar. Nuestra recomendación es siempre la misma: primero se audita qué se está capturando ya y con qué calidad, y solo se añade instrumentación IoT donde realmente falte visibilidad sobre una variable crítica.
Esto no es solo una cuestión de ahorro. Un despliegue de sensores mal planteado, sin saber qué se va a hacer después con esos datos, es una de las causas más frecuentes de que los proyectos de predictivo se queden a medias.
Paso 3. Validar con un piloto antes de comprometer toda la planta
Nunca recomendamos saltar directamente a un despliegue global. Un piloto acotado —una línea, una máquina crítica, un conjunto reducido de activos— permite comprobar varias cosas antes de invertir en serio: si los sensores elegidos son los adecuados, si la calidad del dato es suficiente para que los modelos funcionen, y si el equipo de mantenimiento está preparado para trabajar con alertas en lugar de con calendarios.
El piloto también cumple una función que a veces se subestima: da argumentos. Con resultados concretos de una línea es mucho más fácil justificar internamente la inversión para escalar al resto de la planta que con una promesa teórica de ahorro.
Paso 4. Poner a trabajar los modelos predictivos
Con datos fiables y un histórico mínimo, entra en juego el análisis: algoritmos de machine learning y estadística que buscan patrones que anticipan el fallo, desviaciones respecto al comportamiento normal del equipo, tendencias que un operario no vería a simple vista revisando un panel. No se trata de un modelo genérico aplicado a cualquier máquina; cada tipo de activo y cada modo de fallo requiere su propio ajuste, y eso lleva tiempo de calibración con el histórico real de la planta.
Es también la fase donde más expectativas hay que gestionar con realismo: un modelo predictivo no da certezas absolutas desde el primer mes, mejora con el tiempo a medida que acumula datos y se retroalimenta de los aciertos y errores.
Paso 5. Conectar las alertas con el trabajo diario
De poco sirve un modelo que detecta una anomalía si esa información se queda en un dashboard que nadie mira a tiempo. El siguiente paso es integrar las alertas con el flujo de trabajo real de mantenimiento: que una desviación relevante genere automáticamente una orden de trabajo en el GMAO, con la prioridad adecuada, en lugar de depender de que alguien revise manualmente un informe.
Esta integración —predictivo con GMAO, y en muchos casos también con MES para cruzar el dato de mantenimiento con el de producción— es la que convierte un proyecto de análisis de datos en una herramienta operativa de verdad.
Paso 6. Dar visibilidad a cada perfil, no un dashboard único
Un director de planta y un técnico de mantenimiento no necesitan ver lo mismo. El técnico necesita el estado del equipo y la alerta accionable en el momento. Mantenimiento necesita planificación e histórico de intervenciones. Dirección quiere indicadores de fiabilidad y coste a nivel agregado. Diseñar cuadros de mando adaptados a cada rol, en lugar de un único panel genérico, es lo que hace que la herramienta se use de verdad en el día a día y no acabe siendo una pantalla más que nadie consulta.
Paso 7. Escalar con el aprendizaje del piloto
Una vez validado el piloto y ajustado el proceso de trabajo, toca extender la solución al resto de líneas o plantas. Aquí es donde se nota si los pasos anteriores se hicieron bien: escalar no debería significar volver a empezar de cero, sino replicar un modelo ya probado, adaptando lo específico de cada equipo o proceso.
Errores que vemos repetirse
Algunos patrones se repiten proyecto tras proyecto, independientemente del sector:
- Arrancar por la tecnología en lugar de por el activo crítico, instalando sensores antes de saber qué pregunta se quiere responder.
- Subestimar el cambio organizativo: mantenimiento pasa de trabajar por calendario a trabajar por alerta, y eso requiere formación y confianza en el sistema, no solo software.
- No conectar el predictivo con el GMAO, con lo que las alertas se generan pero no se traducen en órdenes de trabajo reales.
- Esperar resultados inmediatos de los modelos, cuando en realidad necesitan un histórico mínimo para afinar sus predicciones.
- La visión de un integrador
La visión de un integrador
Después de acompañar proyectos de este tipo en fábricas de automoción, alimentación o metalurgia, tenemos claro que el mantenimiento predictivo funciona cuando se trata como lo que es: un proyecto de cambio operativo apoyado en tecnología, no un proyecto tecnológico que luego hay que encajar en la operación. Por eso en Geprom no llegamos con un catálogo de sensores, llegamos revisando qué arquitectura de datos existe ya en la planta —SCADA, MES, GMAO— y construyendo el predictivo como una capa más conectada con todo lo demás.
Si estás valorando dar este paso y no tienes claro por dónde empezar, en nuestra solución de mantenimiento predictivo industrial explicamos cómo lo planteamos, y también puedes ver cómo se conecta de forma nativa con nuestro sistema GMAO GeTag —la pieza que recibe esas alertas y las convierte en órdenes de trabajo reales— con el que ya hemos digitalizado el mantenimiento de plantas como la de Deoleo.
