Analítica predictiva para equipos industriales

Prototipo I+D de un sistema de ML que predice el riesgo de avería de equipos industriales a partir de datos de sensores y telemetría técnica

El objetivo era crear una solución de IA que detecte con antelación el riesgo de avería y permita pasar del mantenimiento programado al mantenimiento según el estado real.

En el enfoque clásico los equipos se mantienen con un calendario fijo: algunas piezas se cambian antes de tiempo y otras averías se detectan demasiado tarde, cuando la línea ya se ha parado. El resultado son paradas, reparaciones urgentes y costes adicionales.

Había que desarrollar un prototipo capaz de analizar datos de sensores en streaming, detectar anomalías en el comportamiento del equipo y predecir la probabilidad de fallo con 48–72 horas de antelación.

Formato del proyecto: prototipo I+D de una solución de ML
Tipo de datos: telemetría industrial y series temporales
Parámetros monitorizados: vibración, temperatura, corriente, carga, revoluciones
Número de parámetros: 400+ señales
Conjunto de prueba: unos 2,5 millones de registros
Horizonte de predicción: 48–72 horas
Escenarios de prueba: 40
Objetivo: detectar pronto el riesgo de avería y priorizar el mantenimiento

Diseñamos una arquitectura de ML para series temporales y telemetría técnica. Los datos de los sensores se limpian, sincronizan, agregan y se comprueban en busca de valores atípicos. Después el sistema calcula variables que reflejan el estado actual del equipo y la evolución de sus parámetros.

El modelo analiza no solo los valores individuales, sino también su dinámica: aumento de la vibración, cambios de temperatura bajo carga, inestabilidad de la corriente y desviaciones atípicas del régimen normal. Con esa base calcula el riesgo de avería y la prioridad de mantenimiento recomendada.

Desarrollamos un prototipo de analítica predictiva que recibe la telemetría del equipo, procesa series temporales y calcula la probabilidad de fallo de cada unidad controlada.

Primero los datos se normalizan y se llevan a un paso temporal único. A continuación el sistema calcula variables agregadas: medias, desviaciones, tendencias, velocidad de cambio, picos anómalos y desviaciones persistentes del régimen base.
La predicción combina dos modelos: gradient boosting evalúa el riesgo a partir de variables de ingeniería y un modelo de series temporales analiza la secuencia de señales y ayuda a detectar la degradación antes de que sea crítica.

El resultado se muestra en una interfaz de monitorización: el ingeniero ve la lista de equipos, el riesgo actual, la dinámica de los parámetros y la predicción para las próximas 48–72 horas. Existe una API para integrar los eventos en un sistema de tickets o en un panel industrial.

El resultado es un prototipo I+D de sistema de ML para predecir averías. En el conjunto de prueba se procesaron unos 2,5 millones de registros de telemetría industrial y más de 400 parámetros de sensores.

En las pruebas de banco el modelo alcanzó una precisión del 86% con un horizonte de hasta 72 horas. El 84% de los escenarios de riesgo se identificaron correctamente y el procesamiento de un paquete de telemetría llevó hasta 1,5 segundos.

El prototipo permite detectar antes los equipos con mayor riesgo, priorizar el mantenimiento y depender menos del análisis manual. El efecto estimado de su implantación es hasta un 30% menos de paradas no planificadas y hasta un 20% menos de costes por sustituciones prematuras.