Guia de manteniment predictiu amb IA: com funciona, sensòrica necessària i ROI real

El manteniment predictiu amb IA consisteix a recollir dades de sensors instal·lats a la maquinària (vibració, temperatura, corrent, so) i utilitzar models estadístics o de machine learning per detectar patrons anòmals que precedeixen una fallada, permetent intervenir dies o setmanes abans de l'aturada no planificada. A diferència del manteniment preventiu, que substitueix components segons un calendari fix independentment del seu estat real, el predictiu actua segons la condició real de l'equip. El ROI depèn totalment de la criticitat de l'actiu i del cost real d'aturada de cada planta: no hi ha una xifra universal aplicable a qualsevol procés.

Quina diferència real hi ha entre manteniment preventiu i predictiu?

El manteniment preventiu es basa en calendaris o comptadors: es canvia un coixinet cada 8.000 hores d'operació, es reengreixa un motor cada tres mesos, independentment de si el component encara té vida útil o si ja ha començat a degradar-se. Aquest enfocament té l'avantatge de la simplicitat i és imprescindible per a components de baix cost on el diagnòstic no compensa l'esforç, però té dos problemes estructurals: substitueix peces que encara funcionen bé (cost innecessari) i no evita fallades que es produeixen abans de l'interval programat (l'aturada no planificada continua passant).

El manteniment predictiu substitueix el calendari fix per la condició real de l'equip. En lloc de preguntar "quantes hores porta funcionant aquest motor?", pregunta "com es comparen les seves vibracions actuals amb la seva pròpia línia base de fa sis mesos?". Si el patró de vibració, temperatura o consum de corrent s'allunya del comportament normal de manera consistent —no puntual—, el sistema genera una alerta abans que el component arribi a fallar de forma catastròfica.

Cap dels dos enfocaments substitueix completament l'altre. La majoria de plantes industrials ben gestionades combinen manteniment preventiu per a components crítics de baix cost i alta previsibilitat de desgast (filtres, corretges, greixatge) amb manteniment predictiu per a actius d'alt valor on una fallada inesperada té un cost d'aturada elevat (motors principals, bombes crítiques, reductors, compressors).

Quina sensòrica cal per fer manteniment predictiu de veritat?

No tots els actius necessiten la mateixa sensòrica, i instal·lar sensors sense un criteri de criticitat és una de les causes més freqüents de projectes de manteniment predictiu que no arriben a generar ROI. Els tipus de sensor més habituals en aplicacions industrials són:

• Acceleròmetres de vibració: el sensor més estès per a maquinària rotativa (motors, bombes, ventiladors, reductors). Detecten desalineament, desequilibri, defectes incipients de rodament i problemes d'engranatges mitjançant l'anàlisi de l'espectre de freqüències, seguint els mateixos principis que ja s'apliquen al diagnòstic manual amb analitzadors de vibració portàtils, però de forma contínua i automatitzada.
• Sensors de temperatura: termoparells o sensors infraroigs que monitoritzen coixinets, bobinatges de motor o quadres elèctrics. Un augment gradual de temperatura sense canvi de càrrega sol precedir una fallada de lubricació o un problema elèctric incipient.
• Sensors de corrent elèctric (analitzadors de signatura de motor): mesuren el consum i la forma d'ona del corrent del motor per detectar desequilibris de fase, problemes de rotor o càrrega mecànica anòmala sense necessitat d'accedir físicament a l'equip.
• Sensors acústics i d'ultrasons: especialment útils per detectar fuites en sistemes d'aire comprimit o buit, i per identificar problemes de lubricació en rodaments abans que la vibració els faci evidents.
• Anàlisi d'oli: tot i no ser un "sensor" en el sentit estricte, l'anàlisi periòdica de partícules metàl·liques i propietats físico-químiques de l'oli lubricant és una de les tècniques predictives més consolidades per a reductors i motors de combustió industrial.

El criteri per decidir on invertir en sensòrica hauria de ser sempre la matriu de criticitat: cost d'aturada de l'actiu multiplicat per la probabilitat de fallada inesperada. Un motor secundari amb recanvi disponible en stock i baix cost d'aturada no justifica sensòrica contínua; un compressor principal sense redundància amb un cost d'aturada de milers d'euros per hora sí que la justifica clarament.

Com transforma la IA les dades de sensors en alertes útils?

La sensòrica per si sola no és manteniment predictiu: és simplement recollida de dades. El valor apareix quan aquestes dades es processen per distingir soroll normal de senyal d'alerta real. Aquí és on entren els models de machine learning, que aporten dos avantatges sobre els llindars fixos tradicionals ("alarma si la vibració supera X mm/s"):

1. Línia base individualitzada per actiu: en lloc d'aplicar el mateix llindar a totes les bombes d'un model, el sistema aprèn el comportament normal de cada equip concret en el seu context d'operació específic (càrrega, velocitat, condicions ambientals), i detecta desviacions respecte a aquest propi historial.
2. Detecció de tendències, no només de llindars puntuals: un pic aïllat de vibració pot no significar res; un increment gradual i sostingut durant setmanes sí que és rellevant. Els models predictius estan dissenyats per distingir aquest patró temporal, reduint dràsticament les falses alarmes que fan que els equips de manteniment acabin ignorant el sistema.
3. Correlació entre múltiples senyals: una pujada de temperatura combinada amb un canvi específic en l'espectre de vibració apunta a un mode de fallada diferent que una pujada de temperatura aïllada. Analitzar les senyals de forma conjunta —no sensor per sensor— millora la precisió del diagnòstic.

Un element sovint oblidat en aquest procés és la documentació tècnica: quan el sistema genera una alerta de vibració anòmala en un motor concret, el tècnic encara necessita consultar el manual d'aquell equip per interpretar-la correctament —quins llindars de vibració accepta el fabricant per a aquest model, quin és el procediment de diagnòstic recomanat, quina peça revisar primer. Aquí és on un sistema com IgeraIndustria complementa la sensòrica: quan arriba l'alerta predictiva, el tècnic pot preguntar directament "quin és el llindar de vibració acceptable per al motor M-14 segons el fabricant" o "aquest motor ha tingut abans un problema similar" i rebre la resposta citada del manual tècnic i de l'historial de manteniment en segons, en lloc de buscar-la manualment mentre l'alerta ja està activa.

Quin ROI real es pot esperar, i per què cal ser prudent amb les xifres?

Qualsevol xifra de ROI genèrica de manteniment predictiu ("redueix un X% les aturades") s'ha d'agafar amb cautela: depèn radicalment del sector, de la maquinària concreta, del punt de partida de maduresa de manteniment de la planta i de si l'organització realment actua sobre les alertes generades. Una planta que ja té un programa de manteniment preventiu ben gestionat veurà un salt de ROI molt més moderat que una planta que parteix d'un manteniment purament correctiu (reparar només quan trenca).

El càlcul de ROI honest per a un projecte concret hauria de construir-se des de baix, amb dades pròpies de la planta, i no a partir d'una xifra de mitjana de sector:

• Cost evitat d'aturades no planificades: nombre d'aturades no planificades de l'últim any en l'actiu concret, multiplicat pel cost real de cadascuna (producció perduda + hores extra + recanvis d'emergència), i estimar quina proporció d'aquestes aturades s'haurien pogut anticipar amb dies de marge.
• Estalvi en manteniment innecessari: nombre de components que se substitueixen preventivament per calendari sense haver arribat encara al final de la seva vida útil real, multiplicat pel cost de la peça i la mà d'obra.
• Cost del sistema: sensors, plataforma d'anàlisi, integració i, sovint infravalorat, el temps de formació i el canvi de procés perquè els tècnics actuïn realment sobre les alertes.

L'element que més determina si un projecte de manteniment predictiu arriba a tenir ROI positiu no és la qualitat dels sensors ni la sofisticació del model d'IA, sinó si l'organització canvia el seu procés de manteniment per respondre a les alertes. Nombrosos projectes fallen no perquè el sistema no detecti correctament les anomalies, sinó perquè les alertes arriben a una safata de correu que ningú revisa amb la urgència necessària, o perquè no hi ha un protocol clar de qui ha d'actuar i en quin termini.

Com començar sense sobredimensionar la inversió inicial?

1. Prioritzar per criticitat, no per disponibilitat de pressupost: començar per un o dos actius amb el cost d'aturada més alt i sense redundància, no pel més fàcil d'instrumentar.
2. Establir línia base abans de fixar llindars: recollir dades durant setmanes en condicions normals d'operació abans de definir qualsevol alarma, per evitar falses alertes des del primer dia.
3. Definir el protocol d'actuació abans d'activar les alertes: qui rep la notificació, en quin termini ha de revisar-la, i quin és el procediment de diagnòstic a seguir — sense això, la millor sensòrica del mercat no genera cap estalvi.
4. Mesurar durant almenys un cicle complet abans de valorar el ROI: els beneficis del manteniment predictiu es materialitzen en aturades evitades, un esdeveniment que necessita temps suficient per produir-se estadísticament de forma comparable.

Preguntes freqüents

El manteniment predictiu substitueix completament el preventiu?

No. La majoria de plantes ben gestionades combinen ambdós enfocaments: preventiu per a components de baix cost i desgast previsible (filtres, corretges), predictiu per a actius d'alt valor on una fallada inesperada té un cost d'aturada elevat. Substituir tot el manteniment preventiu per predictiu sense criteri sol incrementar el risc en components on el diagnòstic per sensors no és fiable o rendible.

Quant de temps triga a veure's el primer resultat d'un projecte de manteniment predictiu?

Depèn de la freqüència de fallada de l'actiu monitoritzat: en equips amb historial de fallades freqüent, els primers senyals de valor poden aparèixer en pocs mesos. En actius fiables amb fallades poc freqüents, cal esperar un cicle més llarg abans de tenir dades estadísticament significatives sobre aturades evitades.

Cal instrumentar tota la planta per començar?

No, i és un dels errors més freqüents. La instrumentació hauria de començar per una matriu de criticitat: pocs actius d'alt cost d'aturada i alta probabilitat de fallada inesperada, no una instal·lació massiva de sensors sense priorització. Un projecte pilot ben dimensionat en dos o tres actius crítics permet validar el procés abans d'escalar.

Existeixen ajudes públiques per digitalitzar el manteniment industrial a Espanya?

Sí, dins dels programes PERTE impulsats pel Govern d'Espanya orientats a la digitalització industrial (com el PERTE Chip o el PERTE per a la Digitalització i eficiència de la cadena logística i del comerç, entre altres línies actives), sovint amb cofinançament parcial per a projectes que incorporin sensòrica i IA aplicada a processos productius. Les condicions, percentatges de cofinançament i terminis varien segons la convocatòria vigent, per la qual cosa cal consultar sempre les bases oficials publicades pel Ministeri corresponent abans de planificar el pressupost d'un projecte.

Quina diferència hi ha entre manteniment predictiu i manteniment prescriptiu?

El manteniment predictiu respon a "aquest component fallarà probablement aviat"; el prescriptiu va un pas més enllà i recomana l'acció concreta a prendre (quina peça substituir, quan programar-ho segons la finestra de producció). A la pràctica, molts sistemes anomenats "predictius" en el mercat ja incorporen elements prescriptius, però la maduresa d'aquesta capa varia molt entre proveïdors.

Un manual tècnic digitalitzat com el d'IgeraIndustria té relació amb el manteniment predictiu?

Sí, són complementaris: quan la sensòrica genera una alerta, el tècnic necessita interpretar-la contra les especificacions i llindars del fabricant, i sovint contrastar-la amb l'historial de manteniment de l'equip. IgeraIndustria no fa la detecció d'anomalies —això és tasca dels sensors i els models predictius—, però converteix la resposta a l'alerta en una consulta de segons en lloc d'una recerca manual de 20 minuts en un manual de 300 pàgines.