Del mantenimiento correctivo a la condición monitorizada

La norma ISO ordena el mantenimiento en una secuencia que muchas plantas atraviesan a su propio ritmo: correctivo, preventivo basado en tiempo, monitoreo basado en condición y, finalmente, proactivo o de diseño. Ninguna de estas estrategias desaparece; lo que cambia es el peso relativo de cada una en función del activo, del modo de fallo y del coste de la indisponibilidad.

El preventivo basado en tiempo —cambiar el aceite, la correa o el filtro cada “X” horas— ha reducido fallos por cumplimiento, pero arrastra un problema estructural: ignora el estado real del equipo antes y después de la intervención. Cambiamos componentes que aún tendrían vida útil y, paradójicamente, introducimos riesgos cada vez que abrimos una máquina. El monitoreo basado en condición intenta resolver esa tensión midiendo la realidad antes de actuar.

Una nota de cautela: en el sector se popularizó la etiqueta “predictivo” con un alcance que, en rigor, todavía no le corresponde. Predecir, en sentido estricto, implica afirmar con certeza que un suceso ocurrirá en un plazo concreto. Lo que hoy ofrecen los datos —incluso con buenos algoritmos— es una estimación informada de la probabilidad de fallo y de la vida útil restante (RUL). La diferencia importa porque condiciona la conversación con dirección y operaciones.

La curva P-F: ampliar la ventana entre el síntoma y el fallo

La curva P-F describe el intervalo entre el momento en que un fallo potencial es detectable (P) y el momento en que el fallo funcional ocurre (F). El objetivo de cualquier estrategia de monitoreo es ensanchar esa ventana: detectar antes, decidir mejor y actuar con margen. Cuanto más temprana es la detección, mayor es el espacio para coordinar paradas, repuestos y recursos sin sobresaltos.

La sensórica embarcada en lubricantes y rodamientos contribuye precisamente a eso. Permite identificar comportamientos anómalos cuando aún no hay vibración perceptible ni temperatura crítica, y traza la evolución del fallo en lugar de capturarlo solo en el momento del derrumbe. La fotografía periódica deja paso al vídeo continuo: una metáfora útil para entender el cambio de paradigma sin sobrevender la herramienta.

De la muestra periódica al sensor en tiempo real

El análisis de aceite tradicional ha funcionado durante décadas como una toma de muestra cada cierto tiempo: una imagen estática del lubricante. El problema aparece cuando el modo de fallo es repentino. Si el evento ocurre entre dos muestreos, la analítica de laboratorio simplemente no lo verá. Aquí es donde los sensores en línea cambian las reglas del juego: miden en continuo conteo de partículas, humedad, viscosidad relativa, temperatura y otras variables, generando series temporales aprovechables por modelos estadísticos y de aprendizaje automático.

También conviene desmontar una intuición común: el ojo humano no puede leer un lubricante. Las partículas relevantes para el diagnóstico se mueven entre 2 y 10 micras, mientras que un cabello ronda las 50–70 micras y un grano de arena fina supera las 100. La inspección visual sirve para descartar lo evidente, no para detectar lo importante. La sensórica y el análisis de imagen son los que hacen visible lo que ya estaba ahí.

Inteligencia artificial sobre el aceite: anomalías, correlaciones y vida útil restante

La inteligencia artificial aplicada al monitoreo de condición persigue tres objetivos concretos. El primero es el aprendizaje de la normalidad de cada activo. Cada máquina es un mundo: un mismo modelo en dos entornos distintos puede comportarse de forma muy diferente, así que los modelos genéricos rinden poco. Los algoritmos deben construir, lo más rápidamente posible, una línea base personalizada y detectar desviaciones contra ella, no contra un umbral universal.

El segundo objetivo es la correlación de variables. Cruzar conteo de partículas con vibraciones, temperatura, potencia consumida o régimen de giro convierte señales individualmente ambiguas en evidencias robustas. Un aumento de partículas que coincide con un cambio de régimen y un repunte térmico es algo muy distinto a un pico aislado en cualquiera de esas variables. La anomalía surge de la combinación, no del síntoma único.

El tercer objetivo es la estimación de la vida útil restante y de la probabilidad de fallo en una ventana temporal. Saber, con incertidumbre acotada, que un activo puede aguantar quince días permite alinear la intervención con paradas ya planificadas, en lugar de generar urgencias artificiales. Esa información cambia la naturaleza de la conversación entre mantenimiento y operación: deja de ser una pelea por la disponibilidad y se convierte en una negociación basada en evidencia.

Lubricación inteligente: filtración a demanda, engrase autónomo y priorización

El siguiente salto es operativo. La inteligencia no termina en el dashboard: se traduce en activos lubricados que se autorregulan. Los engrasadores inteligentes, capaces de medir por ultrasonidos el estado del rodamiento y aplicar grasa solo cuando es necesario, sustituyen rutinas calendarizadas por decisiones basadas en condición. La filtración a demanda actúa con la misma lógica: el sistema mide el estado del aceite mientras circula y decide cuándo y cuánto filtrar, en vez de hacerlo por horario.

Otra aplicación inmediata es la priorización de tareas. Cuando todas las alarmas parecen igual de urgentes, el equipo de mantenimiento se quema con el clásico “síndrome del bombero”. Un sistema de IA puede ordenar las intervenciones por criticidad real, cruzando vida útil restante, plazos de repuestos, ventanas de parada planificadas y coste de la indisponibilidad. La consecuencia esperada es doble: menos intervenciones innecesarias y mejor calidad de las que efectivamente se ejecutan.

Retos para implantar la IA en mantenimiento industrial

Cualquier proyecto de mantenimiento predictivo con inteligencia artificial debe afrontar tres frentes simultáneos. El primero es la calidad del dato. Los algoritmos no compensan datos pobres: “garbage in, garbage out” sigue siendo la regla. Cuestionar los resultados de laboratorio, validar la calibración de los sensores y trabajar la trazabilidad de la muestra es tan importante como el propio modelo.

El segundo frente es la integración. Cruzar vibraciones, temperatura, partículas y variables de proceso suena natural sobre el papel, pero requiere infraestructura. Puertos Ethernet adicionales, switches industriales, servidores para almacenar series temporales y políticas de ciberseguridad. Sin esa base, la promesa de correlación se queda en una hoja de cálculo.

El tercer frente —el más subestimado— es el cambio cultural. Digitalizar el mantenimiento implica revisar perfiles, procedimientos y mapas de responsabilidad. No basta con instalar sensores y declarar la planta “inteligente”. La cultura del dato exige formación, gobernanza y, sobre todo, paciencia para que las decisiones técnicas se sostengan en evidencia y no en costumbre.

Cómo empezar: piloto pequeño, ambición grande

La recomendación práctica para las organizaciones que aún no han iniciado el camino se puede resumir en cuatro pasos. Primero, evaluar la madurez real del equipo y de la planta —técnica, presupuestaria y cultural— antes de comprometer inversiones. Segundo, definir una estrategia y un plan de implementación con hitos medibles. Tercero, lanzar un piloto acotado, pero diseñado desde el principio para escalar; no se trata de “probar”, sino de validar un modelo replicable. Cuarto, integrar el aprendizaje del piloto en la estrategia global de gestión de activos, no como un proyecto satélite.

1. Evaluar la madurez técnica, económica y cultural de la organización.

2. Definir estrategia, alcance y métricas de éxito antes de comprar tecnología.

3. Iniciar con un piloto representativo y diseñado para escalar.

4. Integrar la lubricación inteligente en la gobernanza de activos.

Industria 5.0: la decisión humana frente a la recomendación algorítmica

La promesa de la Industria 4.0 fue conectarlo todo. La de la Industria 5.0 es más sobria y, probablemente, más realista: una colaboración human-céntrica entre personas y algoritmos, donde la IA recomienda y el humano decide. En mantenimiento esto se traduce en sistemas que sugieren prioridades, estiman riesgos y exponen incertidumbres, dejando al equipo técnico la decisión final sobre cuándo intervenir un activo crítico.

Esta visión requiere asumir que ningún modelo es infalible y que ninguna persona puede procesar, sola, la cantidad de datos que genera una planta moderna. La fortaleza emerge de la combinación. Y, como toda combinación, exige reglas claras: qué decide el algoritmo, qué requiere validación humana, qué se audita y cómo se documenta una decisión que el sistema sugería en otra dirección.

Conclusión: del gasto al valor

La lubricación inteligente y el monitoreo de condición con inteligencia artificial están dejando de ser una promesa para convertirse en una práctica de fiabilidad industrial. No reemplazan al mantenimiento clásico ni eliminan el juicio del especialista; lo amplifican. La diferencia está en cómo se gestionan los datos, cómo se integran las fuentes y cómo se incorpora el cambio cultural en la organización.

Quien quiera anticiparse al fallo no necesita comprar el producto más caro del catálogo: necesita una estrategia honesta, un piloto bien diseñado y la convicción de que el mantenimiento es una inversión, no un gasto. El resto —sensores, modelos, dashboards— es consecuencia.