En una planta metalmecánica, una prensa que se detiene inesperadamente no genera únicamente un problema de mantenimiento. Puede detener una línea completa, afectar el programa de producción, provocar horas extra, retrasar entregas y elevar los costos de reparación.
El verdadero problema muchas veces no es que la máquina falle, sino que la degradación comenzó horas, días o semanas antes y nadie consiguió detectarla, interpretarla y actuar a tiempo.
Aquí es donde el monitoreo de condición de maquinaria cambia la forma de gestionar el mantenimiento. En lugar de esperar a que ocurra una falla o intervenir únicamente porque lo indica el calendario, permite observar continuamente variables asociadas con la salud de los equipos y detectar comportamientos anormales antes de que provoquen una parada.
La lógica es sencilla:
¿Qué se entiende por monitoreo de condición de maquinaria?
El monitoreo de condición o Machine Condition Monitoring consiste en recopilar y analizar variables que permiten evaluar el estado real de una máquina a lo largo del tiempo.
A diferencia del monitoreo básico, que puede limitarse a determinar si una máquina está produciendo o está detenida, el monitoreo de condición busca responder una pregunta más importante:
¿Qué está ocurriendo dentro de la máquina y existen señales de que podría producirse una falla?
Desde Carsan Technologies señalamos precisamente esta diferencia: conocer el estado productivo de una máquina permite reaccionar ante una parada, mientras que analizar sus condiciones proporciona información para diagnosticar problemas y tomar decisiones de mantenimiento de manera proactiva.
Además, ISO 17359:2018 establece directrices generales para implementar programas de monitoreo de condición y diagnóstico de maquinaria, y la norma continúa vigente tras haber sido confirmada en 2023.
El problema en las líneas metalmecánicas: detectar la falla demasiado tarde
En una línea de prensas existen numerosos componentes cuya degradación puede terminar afectando la producción: motores, rodamientos, reductores, bombas hidráulicas, sistemas de lubricación, componentes eléctricos y otros equipos auxiliares.
El deterioro no siempre ocurre de manera instantánea.
Antes de una falla pueden aparecer cambios en vibración, temperatura, presión, corriente, carga, lubricación, velocidad o comportamiento de los ciclos de operación. Las soluciones de Machine Learning de Carsan Technologies identifican variables como vibración, temperatura, carga y torque entre las condiciones que pueden analizarse para encontrar tendencias y anticipar problemas.
Por tanto, una falla crítica puede entenderse como una secuencia:
El objetivo del monitoreo de condición es intervenir en las primeras etapas de esa secuencia, no cuando la prensa ya está detenida.
1. Detectar: identificar la degradación antes de la falla
El primer desafío es conseguir visibilidad sobre lo que realmente está ocurriendo en la maquinaria.
Una planta puede disponer de un buen programa de mantenimiento preventivo y, aun así, mantener importantes puntos ciegos si las variables críticas únicamente se revisan mediante inspecciones periódicas.
Imagine que una medición se realiza el lunes y todo parece normal. El martes comienza una degradación progresiva en un rodamiento. Si la siguiente inspección está programada para dentro de varias semanas, el problema puede evolucionar hasta provocar una falla sin que mantenimiento haya recibido ninguna señal.
El monitoreo continuo o de alta frecuencia permite reducir ese intervalo de incertidumbre.
Dependiendo del activo y del modo de falla que se quiera identificar, pueden analizarse variables como:
- Vibración.
- Temperatura.
- Presión y flujo.
- Corriente y consumo eléctrico.
- Carga y torque.
- Condiciones de lubricación.
- Velocidad.
- Alarmas del PLC.
- Duración y comportamiento de los ciclos.
No se trata, sin embargo, de instalar sensores indiscriminadamente. La pregunta correcta es:
¿Qué variable debemos medir para detectar con suficiente anticipación los modos de falla que realmente pueden detener nuestra producción?
2. Diagnosticar: convertir datos en señales de riesgo
Recopilar miles o millones de datos no evita una sola falla si esos datos no permiten reconocer cuándo el comportamiento de una máquina comienza a cambiar.
Este es uno de los principales desafíos del monitoreo de condición.
Una temperatura de 65 °C, por ejemplo, aporta información limitada de manera aislada. Lo verdaderamente relevante puede ser descubrir que un componente que normalmente trabaja entre 48 y 52 °C ha aumentado progresivamente hasta 65 °C durante determinados ciclos de producción.
Lo mismo ocurre con vibraciones, corriente, presión o carga.
Por eso resulta especialmente importante analizar tendencias, patrones, desviaciones y anomalías, estableciendo niveles de referencia y alertas que permitan identificar cambios antes de alcanzar una situación crítica.
Las plataformas de monitoreo pueden combinar información procedente del control de la máquina con sensores adicionales. Las plataformas de Carsan Technologies, por ejemplo, describe arquitecturas que recopilan datos de PLC —cargas, velocidades, estados y alarmas— y los complementan con sensores externos cuando la propia máquina no dispone de las variables necesarias.
El siguiente nivel es utilizar Machine Learning para la detección de anomalías.
En lugar de depender exclusivamente de límites estáticos, un modelo puede aprender cuál es el comportamiento normal de una máquina y detectar desviaciones que merecen atención.
La pregunta deja entonces de ser:“¿Superó la máquina el límite establecido?”
y evoluciona hacia:“¿Está comenzando esta máquina a comportarse de manera diferente a como normalmente lo hace bajo estas condiciones de operación?”
3. Actuar: convertir una alerta en una decisión de mantenimiento
Detectar una anomalía tampoco es suficiente.
Una planta puede disponer de sensores, dashboards y alarmas y continuar sufriendo paros inesperados si mantenimiento no dispone de un proceso para priorizar y actuar sobre la información.
Una alerta debería permitir responder al menos cuatro preguntas:
- ¿Qué equipo presenta la anomalía?
- ¿Qué tan crítica es?
- ¿Qué podría estar ocurriendo?
- ¿Cuándo debemos intervenir?
Esto permite pasar de un mantenimiento predominantemente reactivo:
“La máquina falló. Hay que repararla.”
a un mantenimiento basado en condición:
“La condición se está deteriorando. Debemos programar una intervención antes de que afecte a producción.”
Los datos incluso pueden integrarse con sistemas CMMS para generar flujos de mantenimiento y órdenes de trabajo a partir de determinadas condiciones o alarmas.
El cambio es importante porque permite preparar personal, herramientas y repuestos y buscar una ventana adecuada para intervenir.
De mantenimiento preventivo a mantenimiento predictivo con Machine Learning
El mantenimiento preventivo tradicional interviene principalmente según una frecuencia determinada: horas de funcionamiento, ciclos o calendario.
Esto puede generar dos problemas.
Intervenir demasiado pronto, sustituyendo componentes que todavía disponen de vida útil, o intervenir demasiado tarde, cuando la degradación ya ha provocado una falla.
El monitoreo de condición introduce una variable adicional: el estado real del activo.
Y cuando existe suficiente información histórica, contextualización de los datos y modelos analíticos adecuados, el Machine Learning puede avanzar hacia modelos predictivos capaces de identificar patrones asociados con determinadas fallas.
La evolución puede resumirse así:
Un caso particular que podemos documentar es aquel en donde el análisis de datos de alta frecuencia de carga del husillo permitió detectar fallas de herramienta con hasta 40 minutos de anticipación y un 99% de confianza. Es un caso concreto —no un resultado generalizable a cualquier máquina—, pero ilustra el potencial de transformar señales operativas en anticipación accionable.
¿Qué impacto tiene el monitoreo de condición en una planta metalmecánica?
El beneficio no debería medirse por la cantidad de sensores instalados ni por el volumen de datos recopilados.
Debe medirse en términos operativos y económicos.
Para un responsable de Mantenimiento u Operaciones, algunos de los KPIs que pueden verse afectados son:
Disponibilidad de maquinaria, horas de paro no planificado, MTBF, MTTR, OEE, número de fallas críticas, porcentaje de mantenimiento de emergencia, costo de mantenimiento y producción perdida por indisponibilidad.
El impacto económico puede analizarse con una fórmula sencilla:
Si una línea detenida representa un impacto de 5,000 USD por hora y una falla genera seis horas de indisponibilidad, existen 30,000 USD de producción afectada, antes de incorporar reparación, repuestos, horas extra o posibles retrasos.
Por eso el caso de negocio del monitoreo de condición no debería comenzar preguntando cuánto cuesta instalar sensores.
Debería comenzar preguntando:
¿Cuánto nos están costando actualmente las fallas que no conseguimos detectar a tiempo?
Antes de empezar: ¿qué equipos deberían monitorearse primero?
No todas las máquinas necesitan el mismo nivel de monitoreo. Antes de instalar nuevos sensores o desarrollar modelos predictivos, conviene identificar dónde coinciden una alta criticidad para producción y una baja capacidad actual para anticipar la falla.
Una forma práctica de hacerlo es mediante una Matriz de Criticidad vs. Cobertura de Monitoreo, que permite cruzar la criticidad de cada activo con los sensores, PLC, alarmas, históricos y variables disponibles actualmente. El resultado permite identificar qué equipos están insuficientemente monitoreados, dónde existe mayor riesgo de paro y dónde debería concentrarse primero la inversión.
Conozca la Matriz de Criticidad vs. Cobertura de Monitoreo de Carsan Technology
Cómo empezar un proyecto de monitoreo de condición
No es necesario digitalizar toda la fábrica desde el primer día.
Un enfoque práctico consiste en seleccionar una línea crítica, identificar los equipos cuya falla puede detenerla, determinar sus principales modos de falla y definir qué variables permiten detectarlos anticipadamente.
Después puede establecerse una línea base del comportamiento normal, capturar información, crear alertas y analizar si esas señales permiten anticipar eventos reales.
Solo después de validar el modelo tiene sentido escalarlo.
La secuencia sería:
La tecnología es únicamente una parte de la solución. El verdadero objetivo es crear una capacidad operacional que permita detectar antes, decidir antes y actuar antes.
El objetivo final: que mantenimiento tenga tiempo para decidir
El mayor valor del monitoreo de condición no es predecir exactamente el segundo en que una máquina va a fallar.
Es conseguir algo mucho más práctico:
tiempo para actuar antes de que la falla decida por nosotros.
Cuando Mantenimiento y Operaciones disponen de información sobre la condición real de sus equipos, pueden transformar una parada inesperada en una intervención planificada y reducir el impacto sobre producción.
En una línea metalmecánica, esa diferencia puede representar horas de producción, cumplimiento de entregas y miles de dólares.
¿Sus fallas todavía se detectan cuando la producción ya está en riesgo?
Carsan Technology integra automatización industrial, Industria 4.0, datos, Inteligencia Artificial y Machine Learning en México, incluyendo modelos predictivos y detección de anomalías aplicados a operaciones industriales.
Si quieren identificar qué equipos deberían monitorear, qué variables pueden anticipar sus principales modos de falla y cómo utilizar Machine Learning para convertir esos datos en alertas accionables, contacten con Carsan Technology para evaluar un proyecto de monitoreo de condición aplicado a sus líneas de producción.
El objetivo no es tener más datos. Es detectar la falla con suficiente anticipación para actuar antes de que detenga la producción.
El costo oculto de los paros de maquinaria que muchas plantas metalmecánicas no están midiendo
Deja un comentario