---

Una avería rara vez aparece de un día para otro. Antes, la máquina suele dar señales de que algo está cambiando.

Cuando una máquina se para de forma inesperada en tu planta, tu equipo de mantenimiento tiene que reaccionar con rapidez: identificar el problema, localizar los recursos necesarios y recuperar la producción cuanto antes. Sin embargo, muchas averías no aparecen de un día para otro. Antes de que ocurran, la máquina suele dar señales de que algo está cambiando.

El problema es que estas señales no siempre activan una alarma. Una vibración puede aumentar ligeramente, un motor puede consumir más energía para realizar la misma operación o el tiempo de ciclo puede empezar a variar. Por separado, estas desviaciones pueden parecer poco relevantes. Juntas, pueden indicar que un componente está empezando a degradarse.

Aquí es donde entra en juego el mantenimiento predictivo.

Qué es el mantenimiento predictivo industrial

El mantenimiento predictivo industrial te permite conocer el estado real de tus activos a partir de sus datos de funcionamiento. No consiste en adivinar con exactitud cuándo fallará una máquina. Consiste en detectar cambios en su comportamiento con suficiente antelación para que puedas investigar, priorizar y actuar antes de que el problema termine en una parada no planificada.

Por eso, si basas el mantenimiento únicamente en umbrales, tienes una limitación. Una alarma avisa cuando una variable supera el límite definido. Sin embargo, uno de tus activos puede estar empezando a desviarse de su estado normal aunque ninguna de sus señales haya alcanzado todavía un valor crítico.

La clave está en pasar de vigilar señales aisladas a entender el comportamiento conjunto de cada activo.

El coste de llegar tarde

En muchas empresas, el mantenimiento sigue percibiéndose principalmente como un gasto. Sin embargo, esperar a que una avería sea evidente también tiene un coste: una parada no planificada, una reparación urgente, producción perdida o incluso un incumplimiento con el cliente.

Por eso, el mantenimiento predictivo no busca que intervengas más veces. Busca ayudarte a intervenir cuando realmente existe una señal de que el activo está empezando a degradarse, antes de que el impacto sea mayor.

Cómo funciona el mantenimiento predictivo industrial

Para abordar este reto, puedes construir una huella digital del activo: una referencia de cómo se comporta cuando opera correctamente.

Esta huella puede incorporar diferentes variables —vibración, temperatura, consumo, presión, par o tiempo de ciclo—, pero también el contexto que necesitas para interpretarlas. Porque una señal no significa lo mismo en todas las condiciones de trabajo.

No es igual que un motor consuma más energía durante una operación exigente que durante una tarea equivalente a la que realizaba habitualmente. Del mismo modo, una vibración puede ser normal a una velocidad concreta y anómala en otra.

Por tanto, no basta con que captures datos. Necesitas relacionarlos con la carga, velocidad, ciclo, producto, herramienta o fase del proceso en la que se han generado. Solo así puedes comparar el comportamiento real de una máquina con lo que debería ser esperable en esa misma condición.

Este contexto es igualmente importante cuando aplicas analítica avanzada o IA en planta. Los datos industriales contextualizados permiten interpretar una señal dentro de la realidad operativa de cada máquina, en lugar de analizarla de forma aislada.

Un ejemplo: de la huella de diagnóstico al mantenimiento predictivo

Danobat aplica este enfoque en máquinas-herramienta, poniendo el foco en componentes críticos como el husillo principal y los ejes lineales y rotativos.

Para conocer su estado, las máquinas ejecutan movimientos de prueba durante los que se recogen datos de sus componentes. Estos ciclos de diagnóstico generan una huella o fingerprint: una referencia de cómo se comporta la máquina cuando sus elementos mecánicos están en buen estado.

Danobat combinó información procedente de bancos de ensayo con datos de una red de más de 350 máquinas conectadas. A partir de ese histórico, aplicó técnicas de análisis de datos y machine learning para identificar patrones de comportamiento y entender cómo evolucionaba el desgaste de los componentes con el tiempo.

El resultado fue una herramienta capaz de detectar con antelación la degradación de componentes críticos y estimar su vida útil remanente. Así, sus clientes pueden planificar la intervención antes de que el componente se rompa.

La diferencia es considerable: ante una avería imprevista, una máquina podía permanecer parada alrededor de cuatro días mientras se identificaba el problema, se movilizaba al equipo de mantenimiento y se realizaba la reparación. Al anticipar la rotura, esa intervención puede organizarse como un mantenimiento planificado y reducir la parada a unas cuatro horas.

No se trata solo de reparar más rápido. Se trata de evitar que una incidencia inesperada obligue a detener la producción durante días, con el coste operativo y económico que eso supone.

Una alerta debe ayudar a decidir, no generar más ruido

Detectar una anomalía no resuelve por sí solo un problema de mantenimiento. Para que esa información te aporte valor, debería ayudarte a responder a preguntas concretas:

• ¿Qué activo conviene revisar primero?
• ¿Qué comportamiento ha cambiado?
• ¿En qué condiciones de operación se ha producido la desviación?
• ¿Qué podría ocurrir si esa tendencia se mantiene?

Con esta información, puedes decidir si conviene observar la evolución, realizar una inspección, preparar una intervención o programar una parada en el momento más adecuado para producción.

De este modo, el mantenimiento predictivo no sustituye la experiencia de tu personal de planta. La complementa con evidencias objetivas y continuas que os ayudan a priorizar mejor.

Cuando detectar no es suficiente: actuar en la máquina

En determinados procesos, detectar una desviación no tiene por qué quedarse en una alerta. Cuando la criticidad del activo y tus reglas de operación lo permiten, esa información puede comunicarse al sistema de control de la máquina para ejecutar una acción previamente definida: limitar una operación, adaptar un parámetro o detener el proceso de forma controlada antes de que la incidencia se agrave.

No se trata de automatizar decisiones sin supervisión, sino de establecer criterios claros y validados por tus equipos de producción y mantenimiento. De este modo, el sistema no solo informa sobre una desviación: también puede ayudarte a proteger activamente el activo y la producción.

Anticipar para decidir mejor

Tu objetivo no debería ser instalar más sensores ni desplegar un algoritmo. Debería ser reducir la incertidumbre con la que tomas las decisiones de mantenimiento.

Cuando tu planta puede identificar cambios tempranos en el comportamiento de sus activos, está en mejores condiciones para evitar averías de mayor impacto, reducir paradas no planificadas y proteger la disponibilidad de producción.

En Savvy ayudamos a capturar, contextualizar y analizar los datos industriales para convertirlos en señales útiles para mantenimiento, producción y calidad.

¿Tus datos de planta te ayudan a entender cuándo una máquina o equipo empieza a desviarse de su comportamiento habitual?

Preguntas frecuentes sobre mantenimiento predictivo

¿Qué datos necesitas para hacer mantenimiento predictivo?

Depende del activo y de la incidencia que quieras anticipar. En muchos casos puedes partir de datos procedentes del CNC o PLC y de la sensórica ya instalada, como vibración, temperatura, consumo, presión, par o tiempo de ciclo. Lo importante es seleccionar las variables que ayudan a interpretar el estado del activo y conservar su contexto operativo.

¿En qué se diferencia del mantenimiento preventivo?

El mantenimiento preventivo programa intervenciones según un calendario o unas horas de uso. El mantenimiento predictivo, en cambio, se apoya en el estado real del activo para detectar cuándo su comportamiento empieza a cambiar. Por eso, puede ayudarte a intervenir cuando existe una evidencia de degradación, no solo porque haya llegado una fecha prevista.