Predictive Maintenance: la plataforma de datos para el mantenimiento predictivo

Las paradas no planificadas son las horas más caras de la fabricación — y la mayoría se anuncian: en valores de vibración crecientes, corrientes que derivan, temperaturas en aumento. El mantenimiento predictivo (Predictive Maintenance) convierte estos indicios en un mantenimiento planificable. Sin embargo, la mayoría de los proyectos no fracasan en el modelo, sino antes — en la infraestructura: los datos de condición ni siquiera se capturan, faltan los historiales y los hallazgos nunca llegan al equipo de mantenimiento.

Esta guía muestra cómo sentar con IronFlock los cimientos del mantenimiento predictivo — desde el retrofit de sensores, pasando por el historial de datos, hasta las alarmas y los agentes de IA.

El problema: el mantenimiento predictivo rara vez fracasa en el análisis

Cuatro obstáculos aparecen en casi todos los proyectos:

• Sin datos de condición. La vibración, el consumo de corriente y la temperatura a menudo ni siquiera se miden en las máquinas existentes — y lo que el controlador conoce no sale del armario eléctrico.
• Sin historial. Las anomalías solo se reconocen en comparación con el estado normal. Sin series temporales continuas de meses falta cualquier punto de referencia.
• Soluciones aisladas por instalación. Los sistemas de monitorización de condición ligados a un fabricante vigilan una máquina — pero no el parque de máquinas, y mucho menos entre varios sitios.
• Falta el último metro. Una predicción que no llega a nadie no evita ningún fallo. Los hallazgos deben llegar al equipo como alarma, dashboard u orden de trabajo.

Paso 1: capturar datos de condición — también en máquinas existentes

La base de datos se crea con las apps recopiladoras de la Extracción de Datos de Fábrica, que se ejecutan como contenedores en un PC edge (gateway) en la red de máquinas:

• Retrofit mediante IO-Link. El IO-Link Collector conecta sensores adaptados de vibración, corriente, presión y temperatura (por ejemplo, de ifm, Balluff o Pepperl+Fuchs) — con descubrimiento automático de sensores y decodificación IODD automática, sin cuenta y sin claves API. Así las máquinas existentes obtienen datos de condición sin tocar el controlador.
• Valores del controlador. El Industrial Collector lee corrientes, velocidades de giro y estados de PLCs y variadores de frecuencia — OPC UA y Modbus funcionan hoy; Siemens S7 y Allen-Bradley están en Early Access. El acceso es de solo lectura de forma predeterminada: los recopiladores nunca escriben en la instalación.
• Máquinas CNC. El MTConnect Collector entrega estados, programas y datos de ejes de las máquinas herramienta.

Todas las mediciones se normalizan — nombradas, con unidad, marca de tiempo, indicador de calidad y tipo semántico — y se almacenan localmente en búfer ante caídas de conexión. El agente del dispositivo mantiene el gateway permanentemente en línea y administrable de forma remota.

Paso 2: construir historiales — en su propia base de datos

Cada proyecto recibe una base de datos de series temporales TimescaleDB dedicada como única fuente de verdad. Para el mantenimiento predictivo eso significa:

• Series temporales continuas a lo largo de meses y años — la referencia contra la cual las anomalías se vuelven siquiera reconocibles.
• Soberanía de los datos. El propietario del proyecto es el propietario de los datos, no el desarrollador de la app. Los accesos para socios de análisis se otorgan de forma granular y son revocables en cualquier momento.
• Estándares abiertos. TimescaleDB estándar y formatos abiertos en lugar de vendor lock-in — las herramientas de análisis existentes pueden apoyarse directamente en los datos.

Paso 3: del umbral al agente de IA

El mantenimiento predictivo no tiene por qué empezar con machine learning. IronFlock permite una entrada escalonada:

• Nivel 1 — umbrales y alarmas. El sistema de alarmas integrado vigila la telemetría en vivo con condiciones por nivel de severidad (Menor, Mayor, Crítica) y notifica por correo electrónico o SMS — por ejemplo, al superarse límites de vibración según los valores de experiencia de las normas ISO. Resolución automática y función de comentarios incluidas.
• Nivel 2 — visibilidad y tendencias. En el Board Studio surgen dashboards de tendencias sin código: evoluciones de vibración, consumo de corriente en comparativa semanal, gráficos divididos por instalación. Las derivas anómalas se hacen visibles antes de que se superen los umbrales.
• Nivel 3 — la analítica como app. Las apps de análisis se apoyan en modo solo lectura sobre los historiales recopilados mediante el acceso a datos entre apps — una app de mantenimiento predictivo que analiza historiales de vibración, corriente y temperatura es el ejemplo de referencia documentado de esta arquitectura. Estas apps las instala desde el App Store o las desarrolla usted mismo.
• Nivel 4 — agentes de IA. Con Physical AI interroga usted sus datos de condición en lenguaje natural; las apps pueden traer sus propios agentes de app que explican predicciones de fallo, contextualizan puntuaciones de anomalía y proponen medidas de mantenimiento. Las capacidades quedan disponibles automáticamente en el asistente de IA en cuanto la app está instalada — sin configuración.

Nota: La analítica y los modelos de predicción están concebidos deliberadamente como apps — no como una caja negra de la plataforma. Así queda trazable qué lógica trabaja sobre qué datos, y el conocimiento experto de especialistas puede incorporarse como app a cualquier proyecto.

Magnitudes de condición típicas — y lo que revelan

Qué magnitudes merecen la pena para empezar depende de la instalación. Los clásicos, de un vistazo:

Dos cosas hacen practicable esta lista: primero, todas las magnitudes se almacenan en el mismo esquema normalizado — un board de tendencias o una alarma funciona para la vibración igual que para la presión. Segundo: no todo a la vez. Una magnitud en las instalaciones más críticas, capturada con rigor, vale más que diez magnitudes sin historial.

Para fabricantes de maquinaria: desplegar el mantenimiento predictivo como servicio

Quien fabrica máquinas puede ofrecer el mantenimiento predictivo como servicio digital — es uno de los ejemplos de referencia documentados para distribuidores de apps: usted aporta la lógica edge y el conocimiento del dominio; la distribución de apps, las actualizaciones con rollback, el acceso remoto seguro, la mensajería y el almacenamiento de datos los aporta la plataforma. Con las opciones de despliegue, el mismo servicio se ejecuta en la nube, en un appliance en las instalaciones del cliente o en su nube privada — sin cambios en el código.

Preguntas frecuentes

¿Qué datos necesito para empezar?

Menos de lo que suele suponerse. Una sola magnitud capturada de forma continua por instalación — consumo de corriente, vibración o temperatura — ya proporciona, con unas semanas de historial, tendencias sólidas y límites de alarma razonables. Ampliar es posible en cualquier momento: los recopiladores usan un esquema de tablas común, y los dashboards y análisis crecen con usted.

¿Tengo que desarrollar mis propios modelos de machine learning?

No. La entrada escalonada empieza con alarmas de umbral y dashboards de tendencias — sin ningún modelo. La analítica se añade como app: del App Store, de especialistas o de desarrollo propio. Los agentes de IA de esas apps quedan después disponibles automáticamente en el asistente y responden preguntas sobre anomalías y recomendaciones de mantenimiento.

¿Funciona con máquinas existentes sin interfaces modernas?

Sí — es el caso más frecuente. Los sensores IO-Link adaptados (vibración, corriente, temperatura) se detectan y decodifican automáticamente, sin intervenir en el controlador. Donde hay datos del controlador disponibles, se añaden de forma complementaria por OPC UA, Modbus o MTConnect.

¿Dónde se ejecutan la captura y el análisis — en la nube o en el edge?

La captura se ejecuta siempre en el edge, en contenedores sobre un gateway en la red de máquinas, con almacenamiento local en búfer ante caídas de conexión. El historial y el análisis residen en la base de datos del proyecto — a su elección en la nube (centros de datos de la UE), en un appliance en la red local o en su nube privada. El alcance funcional es idéntico en todos los modelos.

Próximos pasos

El comienzo pragmático: conecte un gateway con la guía de Primeros pasos, instale el IO-Link Collector o el Industrial Collector y lleve la primera magnitud de condición a un board — en modo de demostración, incluso sin hardware. Los componentes en detalle: Extracción de Datos de Fábrica, alarmas IoT y Physical AI.