La inteligencia artificial (IA) está transformando la forma en que las empresas abordan la fiabilidad. Casi todos los sistemas inalámbricos de vibración prometen “análisis impulsados por IA” que permiten tomar “decisiones inteligentes de mantenimiento”. Pero en la práctica, la IA es solo una herramienta. Sus resultados solo son tan buenos como los datos que recibe. Si un sistema no capta las señales adecuadas, ningún análisis podrá compensarlo. Como resultado, el equipo de mantenimiento podría acabar reaccionando ante fallos en lugar de predecirlos.
El verdadero diferenciador en el mantenimiento predictivo (PdM) no es la IA en sí, sino la combinación inteligente de datos de calidad, conocimiento experto y, como complemento, la IA.
Cuando los sensores “inteligentes” no ven nada
Todos los sistemas afirman tener sensores inteligentes, y todos capturan información útil. Incluso el sistema más básico puede indicar si el eje está desbalanceado, el acoplamiento desalineado o la estructura suelta. Son fallos importantes, sí, pero también son los más fáciles de detectar.
Este hecho facilita la realización de un piloto “exitoso”, aunque poco concluyente. Durante una prueba inicial, cualquier sistema identificará muchos fallos evidentes en toda la planta. Parece una prueba de éxito, pero la verdadera evaluación viene después. Muchos sensores no detectan las señales clave que indican un defecto incipiente en un rodamiento o engranaje crítico. Y, sin embargo, son precisamente esos modos de fallo los que con mayor probabilidad detendrán la producción: los verdaderos “asesinos del proceso
Señales ocultas del asesino del proceso
Todas las máquinas generan señales de vibración en un amplio espectro, desde frecuencias bajas hasta muy altas. La pregunta es: ¿qué frecuencias son realmente importantes?
Las vibraciones de baja frecuencia están relacionadas con el movimiento de la máquina—la rotación del eje y la alineación de sus componentes. En cambio, las vibraciones de alta frecuencia son causadas por impactos—por ejemplo, los impulsos cortos y agudos que se generan cuando un elemento rodante pasa sobre un desconchón en la pista exterior.
Para detectar esos impactos, es necesario medir la vibración en un rango de alta frecuencia y con una tasa de muestreo igualmente alta. Cuanto mayor es la tasa de muestreo, mayor es la calidad de los datos. Con un muestreo estándar, sin embargo, estos impactos agudos se interpretan como un movimiento suave—aunque el daño mecánico esté avanzando rápidamente hacia un fallo inminente.
Por eso, muchos sensores inalámbricos ni siquiera pueden captar el panorama completo de la vibración. Trabajar con un rango y una frecuencia de muestreo bajos puede dejar al sistema ciego ante las señales de alta frecuencia generadas por un rodamiento dañado, lo que expone la operación a una parada no planificada. Cabe destacar que la gran mayoría de los sistemas disponibles usan procesamiento de señales de terceros, lo que limita aún más su capacidad de detectar estas señales. El resultado: una visión incompleta del estado de la máquina y una capacidad muy reducida para detectar defectos en rodamientos, engranajes y otros asesinos del proceso.
Subiendo en la curva de fallo
Los ingenieros de fiabilidad suelen referirse a la curva P-F, que representa el tiempo transcurrido entre la aparición de un modo de fallo (P = fallo potencial) y la pérdida de funcionalidad (F = fallo funcional). El objetivo es detectar los problemas lo antes posible en esa curva, para ganar tiempo de reacción y evitar paradas no planificadas.
Los sistemas que no detectan impactos de alta frecuencia pueden pasar por alto estos defectos por completo. O, si los detectan, lo hacen mucho más tarde en la curva, cuando ya queda poco o ningún margen para planificar una intervención antes del fallo del equipo.
Procesar la señal de vibración en crudo con una alta frecuencia de muestreo lo cambia todo. La información resultante no solo revela la naturaleza del problema, sino también la gravedad del defecto, permitiéndote saber hasta qué punto ha avanzado. Esa es la diferencia entre reaccionar ante fallos y predecirlos de verdad.
Funcionalidad y precio no siempre van de la mano
Con un sensor inalámbrico de vibración, es fácil asumir que cuanto más caro, mejor. Sin embargo, la efectividad de un sensor de vibración inalámbrico tiene poco que ver con su precio. Lo que realmente determina su éxito es un diseño inteligente: cómo capta, procesa y transmite los datos.
Un sistema bien diseñado puede ofrecer datos de alta calidad sin disparar los costos. En cambio, un sistema mal diseñado puede ser caro y aun así no detectar defectos críticos. La diferencia está en las decisiones de ingeniería:
- ¿Puede muestrear lo suficientemente rápido para captar impactos de alta frecuencia?
- ¿Mide con precisión la amplitud de la vibración?
- ¿La señal analógica de vibración en crudo está disponible para el algoritmo de IA?
Sin estos fundamentos, incluso el mejor modelo de IA trabaja con información incompleta. El resultado puede parecer sofisticado, pero el diagnóstico se basa en datos parciales.
Más allá de la IA: calidad de datos, conocimiento técnico y diagnóstico
El rendimiento de un programa de mantenimiento predictivo (PdM) no depende únicamente del algoritmo de IA. Es el resultado de una colaboración entre datos de calidad, conocimiento técnico profundo y un buen diagnóstico. Dado que las señales de vibración se basan en principios físicos, el mayor beneficio de la IA es ampliar la cobertura—pero no transforma fundamentalmente el análisis de vibraciones. De hecho, hablar de “aprendizaje automático” en este contexto puede ser erróneo, ya que los principios de diagnóstico en vibraciones se comprenden desde hace décadas. Si un sistema afirma “aprender” a medida que opera, probablemente no se basa en un análisis sólido de modos de fallo desde el inicio.
Por eso, el verdadero diferenciador entre los sistemas de fiabilidad radica en si fueron diseñados por expertos que entienden las máquinas y el análisis de maquinaria. Un sistema bien concebido recopila datos de alta calidad con una frecuencia de muestreo elevada (por encima de los 100 kHz), para detectar los primeros signos de estrés mecánico—y, sobre todo, conocer la gravedad del defecto. El conocimiento técnico garantiza que estas señales se interpreten correctamente. Esta capacidad es la que permite pasar del análisis retrospectivo a la previsión.
Aunque la IA es una herramienta poderosa, no puede reemplazar los datos de calidad ni el conocimiento experto. La capacidad de extraer información clave desde la señal de vibración en crudo es lo que realmente hace posible la predicción.
Para terminar, cualquier estrategia de PdM solo tiene valor si existe un proceso para actuar sobre la información que proporciona la señal de vibración. Este es un punto crítico que debe resolverse antes de implementar cualquier sistema. Al evaluar una solución, conviene hacerse estas preguntas:
- ¿Existe una opción de análisis avanzado o diagnóstico en profundidad?
- ¿Puedo contar con un analista especializado en sitio para validar el diagnóstico de la IA?
- ¿Qué otras tecnologías predictivas pueden combinarse con vibraciones para confirmar si es necesario parar para mantenimiento?
Haz clic aquí para descubrir cómo traducir estos principios en acciones concretas y llevar tu programa de PdM al siguiente nivel.