Resumen

Las organizaciones industriales han realizado inversiones significativas en digitalización del mantenimiento mediante sistemas GMAO (CMMS) y plataformas equivalentes, junto con la incorporación progresiva de sensores IoT y herramientas digitales en planta.

Sin embargo, a pesar de este avance tecnológico, solo un 30 a 35% de las iniciativas de mantenimiento predictivo (PdM) logran escalar y generar impacto sostenido en la operación, con ahorros de entre 35 y 40% de los costos de mantenimient (1). La causa no es la falta de datos ni la limitación de los algoritmos, sino un problema estructural más profundo que combina tres dimensiones: la calidad del dato operativo, la semántica del registro de mantenimiento y la heterogeneidad física de los activos instrumentados.

En la práctica, entre el 70% y el 80% del esfuerzo en proyectos de PdM se consume en la preparación del dato: exploración (EDA), limpieza, integración y reconstrucción de eventos. Este esfuerzo es el verdadero determinante del éxito del caso de uso.

1. La falsa equivalencia entre digitalización y capacidad predictiva

El avance de la digitalización ha generado la percepción de que la disponibilidad de datos es suficiente para habilitar analítica avanzada. Sin embargo, en entornos industriales reales esta relación no se cumple.

Aunque sistemas como SAP PM, Fracttal o cualquier otro GMAO moderno permiten capturar información estructurada y no estructurada de mantenimiento, la existencia de datos no implica que estos sean consistentes, comparables ni utilizables para modelado predictivo. La digitalización ha resuelto el problema de la captura, pero no el problema del significado.

2. El verdadero cuello de botella: el trabajo invisible del dato

En proyectos reales de PdM, la mayor parte del esfuerzo no se dedica ni a la adquisición de datos ni al modelado, sino a las fases intermedias de exploración, depuración e integración.

El trabajo de Exploratory Data Analysis (EDA), limpieza de datos y reconstrucción de eventos de fallo representa habitualmente la mayor carga del proyecto. Este proceso incluye la identificación de incoherencias entre fuentes, la estandarización de registros y la transformación de datos operativos en estructuras analíticas coherentes.

Sin este trabajo previo, cualquier modelo predictivo corre el riesgo de aprender patrones del sistema de registro, no del comportamiento físico de los activos.

3. El problema estructural del mantenimiento: lenguaje no estandarizado

En la mayoría de entornos industriales, los registros de mantenimiento en sistemas GMAO contienen descripciones en lenguaje natural erróneos, por ejemplo, “cambiar la cadena o rodamiento” cuando se pretende describir una avería.

Aunque para los técnicos de mantenimiento parezcan operativamente útiles, estos registros no están diseñados para análisis simples ni avanzados. No distinguen entre averías, fallos, síntomas, causas y acciones correctivas, ni siguen una taxonomía formal de fallos.

El resultado es una fuerte ambigüedad semántica que impide la construcción de datasets consistentes para machine learning.

4. La dimensión olvidada: heterogeneidad física de los activos y sensores

A esta problemática de datos se suma una limitación aún más estructural: la heterogeneidad de los sistemas de sensorización en planta. En la mayoría de organizaciones industriales coexisten tres realidades tecnológicas simultáneas.

En primer lugar, activos antiguos sin instrumentación digital directa, donde no existen sensores nativos y los eventos deben inferirse a partir de intervención manual o señales indirectas.

En segundo lugar, equipos parcialmente instrumentados, donde existen sensores analógicos que requieren procesos de conversión de señal, linealización y calibración previa antes de poder ser utilizados de forma fiable en análisis digital.

En tercer lugar, activos modernos con sensores IoT nativos, que generan datos digitales en tiempo real pero que no necesariamente están alineados en frecuencia, resolución o semántica con el resto del ecosistema.

Esta heterogeneidad introduce un problema crítico: no existe un “dataset unificado de planta”, sino múltiples realidades físicas con niveles de observabilidad completamente distintos. El resultado es que incluso cuando el dato existe, no es directamente comparable entre activos, lo que introduce sesgos estructurales en cualquier modelo predictivo.

5. Implicación crítica: el dataset no existe, se construye

El conjunto de datos necesario para mantenimiento predictivo no existe de forma natural dentro de los sistemas industriales. Debe ser construido mediante la integración de:

• sistemas GMAO como SAP PM, Fracttal, Prisma u otro.
• Sensores IoT heterogéneos
• Señales analógicas convertidas a digital
• Registros manuales de intervención
• Históricos operativos fragmentados y poco estructurados

Este proceso implica reconstrucción de eventos, alineación temporal, normalización de señales físicas y reinterpretación de registros en lenguaje natural. En ausencia de este trabajo, el sistema no es analíticamente coherente.

6. El error de enfoque: tratar el PdM como un problema de data science

Uno de los errores más frecuentes en iniciativas de mantenimiento predictivo es atribuir su complejidad a la ciencia de datos. En realidad, el problema es anterior: pertenece al dominio de la ingeniería de mantenimiento y al diseño del sistema de información industrial. Hoy con la IA, las soluciones algoritmicas han disminuido significativamente la barrera de conocimiento de sistemas de información y telecomunicaciones.

Los científicos de datos trabajan sobre el dataset resultante, pero no controlan las condiciones bajo las cuales ese dataset es generado, estructurado ni interpretado.

Por tanto, el éxito del PdM depende mucho más de decisiones operativas y de ingeniería que de la elección de algoritmos.

7. Implicaciones para la dirección industrial

Para capturar valor real del mantenimiento predictivo, las organizaciones deben ampliar su enfoque más allá de la digitalización. Es necesario abordar simultáneamente tres dimensiones críticas: la estandarización del dato en sistemas GMAO, la definición de taxonomías de fallos y causas raíz, y la normalización de señales provenientes de activos con niveles de instrumentación heterogéneos. Sin esta base, las iniciativas de inteligencia artificial tienden a producir modelos técnicamente sofisticados pero operativamente irrelevantes.

Esta situación crea un nuevo desafio a los profesionales de mantenimiento: desarrollar competencias, primero que todo, manejo de datos y métodos de depuración. Todos estos métodos hoy se realizan en forma simple utilizando sofisticados algoritmos, pero no necesariamente se debe tener competencia en programación para realizar este trabajo.

La verdadera competencia está en la identificación de las características y comportamientos de los activos a partir de los datasets. Herramientas como Jupyter Notebook, hacen todo el trabajo con los algoritmos con muy bajas barreras para su utilización. Lo realmente importante es la toma de decisiones con experiencia en mantenimiento. Pero admás, se debe recuperar la formación básica en métodos cuantitativos estadísticos y gráficos para explorar los datos, limpiarlos y prepararlos para su uso en algoritmos ML.

Conclusión

El mantenimiento predictivo no fracasa por falta de sensores, ni por limitaciones de los algoritmos, ni por insuficiencia de inversión tecnológica.

Fracasa porque intenta construir modelos predictivos sobre una realidad industrial que no ha sido diseñada para ser medida de forma consistente.

La verdadera barrera no es digital, sino estructural: reside en cómo se registran, se interpretan y se integran datos provenientes de activos con niveles de instrumentación heterogéneos y sistemas de mantenimiento semánticamente inconsistentes.

En este contexto, el reto no es añadir más tecnología, sino construir primero una representación coherente de la realidad industrial. Pero los profesionales de mantenimiento se deben preparar para este nuevo escenario en los negocios. No hay que esperar pues esa nueva era no llegará mañana. No., ya está hoy aquí.

Un saludo,

Hector René Alvarez Laverde

Ph.D en ciencias de datos industriales.

1. Application-Wise Review of Machine Learning-Based Predictive Maintenance: Trends, Challenges, and Future Directions. MPDI Applied Sciences, Christos Tsallis – 2025