Mantenimiento predictivo: qué es y cómo reduce el consumo energético y las paradas de las máquinas

Una instalación rara vez se avería de repente. Casi siempre envía señales durante semanas: vibra un poco más, consume unos amperios adicionales, se calienta donde antes no lo hacía o funciona más horas para obtener el mismo resultado.

El mantenimiento predictivo es el conjunto de técnicas que detectan esas señales y las convierten en una intervención programada, en lugar de esperar a que se produzca una avería o sustituir componentes que todavía funcionan correctamente según un calendario.
Sin embargo, hay un aspecto del que se habla poco y que interesa especialmente a quienes gestionan edificios: mucho antes de detenerse, una máquina que se deteriora empieza a consumir más energía. Ese consumo adicional se paga cada día y pasa desapercibido porque no provoca ninguna interrupción del servicio.

En resumen:

• El mantenimiento predictivo actúa según el estado real de la máquina, no según un calendario ni únicamente después de una avería.
• Se necesita medir continuamente unas pocas magnitudes significativas, disponer de datos históricos y utilizar un sistema que convierta las anomalías en órdenes de trabajo.
• La inteligencia artificial resulta útil cuando existe suficiente historial. En muchos casos, un umbral bien configurado consigue gran parte del resultado.
• El beneficio menos considerado es el energético: una instalación deteriorada consume más durante meses antes de averiarse.

Qué es y dónde encaja

La terminología del mantenimiento está normalizada: la norma UNI EN 13306:2018 define los términos generales del sector. En la práctica se distinguen tres categorías.
El mantenimiento correctivo se realiza después de una avería. El preventivo se realiza antes, a intervalos establecidos, independientemente del estado real del componente. El predictivo también actúa antes, pero basándose en parámetros medidos que indican un deterioro en curso.
La diferencia práctica entre los dos primeros, con ejemplos y ventajas de cada uno, se explica en la página sobre la diferencia entre mantenimiento preventivo y correctivo. Aquí nos centramos en el mantenimiento predictivo.
Conviene añadir una aclaración que suele perderse en el lenguaje comercial. Predictivo no significa que un programa adivine la fecha de una avería. Significa observar una magnitud física relacionada con el estado del componente e intervenir cuando esa magnitud se desvía de su comportamiento normal.

Cómo funciona, del sensor a la orden de trabajo

El ciclo consta de cuatro pasos, y el cuarto es el que más se suele omitir.
Medir. Vibración, temperatura, consumo eléctrico, presión diferencial, horas de funcionamiento y caudal. Las magnitudes elegidas dependen de la máquina: en un ventilador importan la vibración y el consumo eléctrico; en un intercambiador de calor, las temperaturas y la pérdida de carga.
Establecer qué es normal. Sin una línea de base construida a partir de varias semanas de funcionamiento, cualquier umbral es arbitrario. Esta fase requiere más paciencia y es la que más suele acortarse.
Detectar desviaciones. Un valor fuera del umbral, una deriva gradual o un comportamiento que no se corresponde con las condiciones externas o con la carga.
Generar la intervención. La anomalía se convierte en una orden de trabajo asignada a una persona, con un plazo y un historial. Una alerta que llega por correo electrónico y se queda allí no es mantenimiento predictivo: es otra alarma que ignorar.

Qué hace realmente la inteligencia artificial

Existe mucha confusión sobre este tema, por lo que conviene ser precisos.
Los algoritmos de aprendizaje automático permiten reconocer patrones que un umbral fijo no detecta: combinaciones de varios parámetros, comportamientos que cambian según la carga o la estación del año y desviaciones que aparecen únicamente en determinadas condiciones de funcionamiento.
Para funcionar necesitan datos históricos, especialmente registros de averías. Un modelo entrenado con una instalación que nunca se ha averiado tiene poco que aprender. Esta es la limitación práctica más habitual en los edificios, donde los datos recopilados son escasos y a menudo discontinuos.
La consecuencia operativa es clara. En la mayoría de los casos conviene empezar con reglas y umbrales bien definidos para unas pocas magnitudes, recopilar datos durante uno o dos años e introducir los modelos cuando haya suficiente material para entrenarlos. Hacer lo contrario, es decir, comprar el algoritmo antes de disponer de datos, es el error más frecuente y costoso.
El siguiente paso es el mantenimiento prescriptivo, en el que el sistema no solo señala la anomalía, sino que también propone una acción correctiva y estima su efecto. Es una evolución real, pero presupone todo lo anterior.

La relación con el consumo energético

Esta es la parte que afecta directamente a quienes gestionan edificios y que a menudo se pasa por alto en los análisis industriales del mantenimiento predictivo.
Un filtro de aire sucio aumenta la pérdida de carga, por lo que el ventilador consume más potencia para mover la misma cantidad de aire. Una batería de intercambio térmico incrustada transfiere menos calor y la instalación compensa prolongando las horas de funcionamiento.
Un circuito frigorífico con una carga de refrigerante reducida ofrece menos rendimiento con el mismo trabajo. Una sonda mal calibrada hace que la instalación se regule según un valor incorrecto durante meses.
Ninguno de estos casos provoca una parada. Generan una factura energética más elevada de forma gradual y permanecen invisibles hasta que alguien compara el consumo con el del periodo equivalente del año anterior.
De aquí se deriva la conclusión operativa más útil: el consumo eléctrico es al mismo tiempo un indicador de consumo y un indicador del estado del equipo. La misma medición utilizada para la monitorización del consumo energético puede detectar el deterioro de un componente sin necesidad de instalar sensores específicos de diagnóstico.
Por eso, la gestión energética y el mantenimiento tienen sentido en una misma plataforma, en lugar de utilizar dos sistemas que se comunican una vez al mes.

Qué dicen realmente las cifras

Por eso, la gestión energética y el mantenimiento tienen sentido en una misma plataforma, en lugar de utilizar dos sistemas que se comunican una vez al mes.
El documento de posición de Deloitte de 2017 indica una reducción de los costes totales de mantenimiento de entre el 5 % y el 10 %, un aumento de la disponibilidad de los equipos de entre el 10 % y el 20 % y una reducción del tiempo dedicado a la planificación de entre el 20 % y el 50 %.
El mismo documento también recoge medias mucho más elevadas, como un 70 % menos de averías, sin especificar la base de cálculo.
El estudio PwC-Mainnovation de 2018, realizado entre 268 empresas de los Países Bajos, Alemania y Bélgica, es más prudente: el 60 % de las empresas que adoptaron enfoques predictivos consiguió un aumento medio del tiempo de actividad del 9 %.
De ello se desprenden dos conclusiones prácticas. La primera es que las cifras más elevadas suelen proceder de entornos industriales con maquinaria crítica en funcionamiento continuo, condiciones que no se dan en los edificios del sector terciario.
La segunda es que el único dato relevante para decidir una inversión es el obtenido del historial propio de paradas e intervenciones, no una referencia del sector.

Qué se necesita para empezar y cuándo no compensa

Se necesitan cuatro elementos: sensores para medir magnitudes significativas, recopilación continua de datos, un sistema de gestión del mantenimiento que reciba las anomalías y las convierta en tareas, y alguien que revise los datos periódicamente.
No es necesario empezar por toda la instalación. Lo sensato es centrarse en los componentes cuyas averías resultan más costosas, ya sea por la interrupción del servicio o por el coste de una intervención de emergencia: enfriadoras, centrales térmicas, ascensores, bombas y cuadros eléctricos principales.
El mantenimiento predictivo no resulta rentable para componentes de bajo valor y fácil sustitución. Una lámpara o una válvula económica se gestiona mejor mediante un calendario o sustituyéndola cuando falla, y reconocerlo abiertamente forma parte de un proyecto honesto.

Ejemplos habituales en edificios

En las unidades de tratamiento de aire se supervisan la presión diferencial de los filtros, el consumo eléctrico de los ventiladores y las temperaturas de impulsión y retorno. Estos tres parámetros permiten detectar conjuntamente filtros sucios, correas flojas y baterías incrustadas.
En las enfriadoras son importantes las presiones, las temperaturas de condensación y evaporación y el consumo eléctrico en relación con la carga, porque el rendimiento disminuye mucho antes de que la máquina se detenga.
En las bombas, la combinación de vibración y consumo eléctrico permite anticipar el deterioro de los rodamientos y la cavitación de los impulsores.
En los cuadros eléctricos, la termografía periódica detecta conexiones flojas, una causa frecuente de averías y un riesgo de incendio.
En los ascensores, el número de viajes, los tiempos de maniobra y las intervenciones de restablecimiento revelan mucho sobre el estado de la instalación, y son datos que el cuadro de control ya genera.

Las herramientas

El software de mantenimiento de UTwin nace dentro de un gemelo digital del edificio: cada componente está ubicado en el plano y dispone de su ficha, historial y documentación. Las intervenciones se asignan, se supervisan y siguen estando disponibles incluso cuando cambia la empresa de mantenimiento.
Lo que distingue este enfoque es la integración con el software de gestión energética. Los datos de los contadores inteligentes y sensores IoT alimentan simultáneamente el análisis del consumo y la supervisión del estado de las instalaciones. Así, una desviación del consumo eléctrico puede generar una orden de trabajo sin transferencias manuales entre dos sistemas diferentes.
Cuando ya existe un sistema de automatización, la plataforma trabaja junto a él y lee sus datos. La relación entre la automatización de edificios y el gemelo digital se explica en la página correspondiente.

Preguntas frecuentes

• ¿Cuál es la diferencia entre el mantenimiento predictivo y el preventivo?

  El mantenimiento preventivo actúa a intervalos predeterminados, independientemente del estado del componente, por lo que puede sustituir piezas que todavía funcionan correctamente o intervenir demasiado tarde. El predictivo se basa en parámetros medidos que indican un deterioro en curso y adapta la frecuencia al estado real de la máquina.

• ¿El mantenimiento predictivo requiere necesariamente inteligencia artificial?

  No. Los algoritmos son útiles cuando existe suficiente historial y las señales de deterioro dependen de la combinación de varias variables. En muchas instalaciones de edificios, un umbral bien configurado para dos o tres magnitudes significativas ya proporciona la mayor parte de los beneficios y permite recopilar los datos necesarios para el futuro.

• ¿Cuánto se puede ahorrar realmente con el mantenimiento predictivo?

  Las estimaciones publicadas varían considerablemente. En 2017, Deloitte indicó una reducción de los costes de mantenimiento de entre el 5 % y el 10 %, mientras que el estudio PwC-Mainnovation de 2018 detectó un aumento medio del tiempo de actividad del 9 % en el 60 % de las empresas participantes.
  Las cifras mucho más elevadas que suelen citarse corresponden generalmente a instalaciones industriales críticas. Por eso, una estimación fiable debe obtenerse del historial propio de paradas e intervenciones.

• ¿En qué instalaciones conviene empezar?

  Conviene empezar por los equipos cuyas averías resultan más costosas, ya sea por la interrupción del servicio o por el coste de una intervención urgente: enfriadoras, centrales térmicas, bombas, ascensores y cuadros eléctricos principales. No hay retorno de la inversión en componentes económicos y fáciles de sustituir.

• ¿Qué relación existe entre el mantenimiento predictivo y el ahorro energético?

  La relación es más estrecha de lo que parece. Los filtros sucios, las baterías incrustadas, la carga insuficiente de refrigerante y las sondas mal calibradas aumentan el consumo energético mucho antes de provocar una parada. Como el consumo eléctrico es tanto un dato de consumo como un indicador del estado del equipo, su monitorización permite cumplir ambos objetivos con la misma instalación.