Mantenimiento predictivo

El mantenimiento predictivo (en inglés *predictive maintenance* o PdM) es una estrategia que monitorea el estado real de máquinas y activos en tiempo real para anticipar fallas antes de que ocurran. En lugar de reparar cuando algo ya se rompió, o de cambiar piezas en una fecha fija sin importar su desgaste real, predice el momento óptimo de intervención a partir de datos de sensores (vibración, temperatura, presión, consumo eléctrico) y modelos analíticos.

Su materia prima son los datos: para predecir una falla hay que consolidar, limpiar y modelar las señales que emiten los equipos. Esa capa de telemetría, tableros y modelos analíticos es parte de lo que ordena una plataforma de datos como Metrix, que centraliza las lecturas y las convierte en indicadores accionables.

La promesa central es pasar de reaccionar a anticipar: el equipo de mantenimiento recibe una alerta con días o semanas de anticipación, programa la intervención en una ventana conveniente y evita tanto la parada no planificada como el gasto de reemplazar componentes que todavía tenían vida útil.

El mantenimiento predictivo nació como evolución de dos enfoques previos. El mantenimiento correctivo repara recién cuando el equipo falla (barato de planificar, carísimo cuando frena la producción). El mantenimiento preventivo interviene en intervalos fijos (cada 500 horas, cada 3 meses), lo que reduce fallas pero desperdicia vida útil: se cambian piezas sanas "por las dudas". El predictivo agrega una tercera vía: intervenir solo cuando los datos indican que la falla se acerca, ni antes ni después.

Cómo funciona en la práctica

El ciclo típico tiene cuatro pasos encadenados:

1. Captura de datos: sensores instalados en motores, bombas, compresores o cintas transportadoras miden vibración, temperatura, ruido, presión, caudal o consumo eléctrico, y emiten lecturas continuas (a veces miles por segundo).
2. Consolidación: esas señales se centralizan en una plataforma que las limpia, las contextualiza con el historial de cada activo y construye una única fuente de datos del estado de la planta.
3. Modelado: algoritmos de machine learning aprenden el "comportamiento normal" de cada máquina y detectan desviaciones (anomalías) que históricamente precedieron a una falla. Esto es análisis predictivo aplicado a activos físicos.
4. Acción: cuando el modelo detecta un patrón de riesgo, dispara una alerta y, idealmente, genera automáticamente una orden de trabajo para que el técnico intervenga en la ventana óptima.

Por qué importa para el negocio

El costo de una parada no planificada rara vez es solo la reparación. Incluye producción perdida, penalidades por incumplimiento de entregas, horas extra de cuadrilla y daños colaterales a otros componentes. En industrias de proceso continuo (petroquímica, cemento, alimentos, minería) una hora de planta detenida puede costar decenas de miles de dólares. Anticipar la falla convierte una emergencia en una tarea programada, mucho más barata y predecible.

Ejemplo concreto en Argentina

Una planta de Consumo Masivo en el Gran Buenos Aires tiene líneas de envasado que dependen de compresores de aire. Históricamente, un compresor que fallaba sin aviso frenaba toda la línea entre 6 y 10 horas mientras conseguían el repuesto. Al instrumentar los compresores con sensores de vibración y temperatura, el modelo empezó a detectar el patrón de desgaste de rodamientos con dos o tres semanas de anticipación. Resultado típico reportado en este tipo de implementaciones: las paradas no planificadas por ese activo caen de forma marcada y el repuesto se compra y se cambia en un turno programado de fin de semana, sin frenar la operación.

Métricas que se monitorean

El mantenimiento predictivo se mide con indicadores como el MTBF (tiempo medio entre fallas, que debería subir), el MTTR (tiempo medio de reparación, que debería bajar al planificar mejor) y el OEE (eficiencia general de los equipos, que mejora al reducir paradas). Sin estas métricas no hay forma de demostrar el retorno de la inversión en sensores y modelos.

Predictivo, preventivo y correctivo en comparación

Errores comunes al implementarlo

El primero es comprar sensores antes de tener una estrategia de datos: terminan generando lecturas que nadie consolida ni modela. El segundo es arrancar por toda la planta a la vez en lugar de pilotear con los activos más críticos (los que más cuestan cuando paran). El tercero es confundir predictivo con preventivo dashboardizado: mostrar temperaturas en una pantalla no es predecir, hay que tener un modelo que aprenda el comportamiento normal y dispare alertas accionables. Y el cuarto es no cerrar el ciclo: la alerta más precisa no sirve si no se traduce en una orden de trabajo que alguien ejecute a tiempo.